GestiA?n de la Calidad de Datos para Business Intelligence (y II)

Cuadros de mando y tablas de resultados

Los cuadros de mando y las tablas de resultados estA?n siendo ampliamente adoptados a medida que se incrementa la demanda de los usuarios por una visiA?n global de los indicadores para la monitorizaciA?n contable, operacional y de rendimiento. Con grA?ficos, diagramas e indicadores visuales, estos mecanismos de suministro ayudan a hacer un seguimiento de las mA�tricas de rendimiento y a notificar al personal las tendencias y decisiones que pueden ser necesarias. Los elementos de los datos requeridos para suministrar estas visiones integradas normalmente cruzan mA?ltiples divisiones y disciplinas, y necesitan actualizarse completamente para ser eficaces.

La calidad de datos impacta en los usuarios de los cuadros de mando y tablas de resultados, que deben ser capaces de:

a�� Consumir y actuar, rA?pidamente, sobre datos completos en los indicadores y marcadores de los cuadros de mando.

a�� Lograr una visiA?n integrada y colaborar utilizando datos estandarizados.

a�� Aprovechar una metodologA�a formal de tablas de resultados con datos consistentes.

a�� Profundizar para ver datos precisos sobre el rendimiento a nivel grupal e individual.

a�� Identificar procesos de negocio que estA�n generando tendencias relevantes, con la mA�nima duplicaciA?n de los datos.

a�� Derivar linajes y realizar anA?lisis interrelacionados a travA�s de los datos validados.

Reporting empresarial

El reporting empresarial proporciona a los individuos, a todos los niveles de la organizaciA?n, una amplia gama de reporting operacional y de todo tipo procedente de los sistemas ERP, CRM, PRM, facturaciA?n, etc., a lo largo de toda la empresa. La distribuciA?n de los informes es extensa, y la compensaciA?n y otros programas de incentivos suelen estar ligados a los resultados incluidos en estos informes.

La calidad de los datos impacta en el reporting empresarial en que las organizaciones deben:

a�� Navegar por mA?ltiples informes e imprimirlos en mA?ltiples formularios que agregan los datos procedentes de fuentes dispares.

a�� Seleccionar una variedad de parA?metros y personalizar los informes para los usuarios con datos normalizados

a�� Presentar mA?ltiples tablas y grA?ficos con datos reconciliables a lo largo de una variedad de mA�tricas de rendimiento.

a�� Permitir que los usuarios de negocio creen sus propios informes sin implicaciA?n de IT con datos de alta fidelidad.

a�� Reducir las comprobaciones y auditorA�as manuales con datos limpiados y comparados para la gestiA?n de la conformidad.

a�� Expedir facturas y declaraciones contables directamente desde el reporting BI, utilizando datos contables A�ntegros.

AnA?lisis de cubos/OLAP

OLAP permite a los usuarios a�?recortara�? conjuntos interrelacionados de datos, o a�?cubosa�?, interactivamente y on the fly. Por ejemplo, los usuarios pueden preconstruir las ventas por regiA?n para perA�odos de tiempo especA�ficos, rendimiento por producto, rendimiento por personal de ventas, etc. Las funcionalidades de OLAP, como la navegaciA?n up/down, por clase, filtro y pA?gina pueden utilizarse para suministrar detalles subyacentes sobre el rendimiento. Los cubos de anA?lisis pueden ayudar a los usuarios a conducir anA?lisis de partida y compartir los conocimientos con el grupo para una valoraciA?n completa. Esto ayuda a poner en marcha una valoraciA?n en profundidad utilizando el acceso a los data warehouses y otros repositorios en lugar de recurrir a funcionalidades de anA?lisis mA?s avanzadas.

La calidad de datos impacta en el anA?lisis OLAP puesto que los usuarios y sus organizaciones necesitan:

a�� Navegar por cualquier dimensiA?n para una investigaciA?n en profundidad con un completo acceso a los datos a�?targeta�?.

a�� Sencillas manipulaciones OLAP para cualquier subconjunto de dimensiones con datos bien formateados y conformes.

a�� Minimizar el reporting conflictivo y garantizar la interactividad con objetos de datos consistentes y subyacentes.

a�� Realizar anA?lisis oportunos, dirigidos por el usuario, con datos correctos en mA?ltiples dimensiones.

a�� Suministrar datos actualizados y sincronizados para manejar los datos a nivel transaccional en el anA?lisis de cubos.

a�� Garantizar la seguridad de los datos cuando se permite a los usuarios crear y mantener los datos de cubos a lo largo de los data warehouses.

AnA?lisis avanzado/predictivo

El anA?lisis avanzado y predictivo capacita a los usuarios mA?s experimentados a investigar y descubrir los detalles detrA?s de informaciA?n especA�fica sobre el rendimiento del negocio, excediendo probablemente los lA�mites tA�picos del AnA?lisis OLAP. El enfoque puede implicar anA?lisis estadA�stico avanzado y capacidades de minerA�a de datos. Para dirigir las decisiones proactivas y mejorar las posturas frente a amenazas potenciales del negocio, el anA?lisis predictivo puede incluir la prueba de hipA?tesis, previsiA?n de incidencias, predicciA?n del suministro y la demanda y calificaciA?n de clientes. El modelado predictivo puede utilizarse para anticipar diversos eventos de negocio y los resultados asociados.

La calidad de datos impacta en el anA?lisis avanzado y predictivo, puesto que los usuarios buscan:

a�� Crear criterios de filtrado de informes en cualquier elemento de los datos para elaborar informes personalizados.

a�� Buscar patrones y conocimientos predictivos por formatos de datos estandarizados para promover la toma de decisiones proactiva.

a�� Lograr confianza en el hallazgo de tendencias interdependientes y los resultados esperados gracias a datos consistentes.

a�� Emplear regresiA?n de mA?ltiples variantes y otras tA�cnicas sobre datos precisos para lograr mejores predicciones

a�� Personalizar las agrupaciones de datos con los mA�nimos conflictos sin duplicaciA?n de datos.

a�� Probar hipA?tesis y usar funciones estadA�sticas, financieras y matemA?ticas con datos certificados.

Notificaciones y alertas

Utilizando el correo electrA?nico, los navegadores, los servidores e impresoras en red, PDAs o portales, las notificaciones y alertas son utilizadas para compartir informaciA?n de forma proactiva a lo largo de una amplia variedad de puntos de contacto del usuario. Con el suministro oportuno de la informaciA?n objetiva, los principales accionistas y responsables de la toma de decisiones pueden identificar A?reas potenciales de oportunidades y detectar A?reas problemA?ticas sobre las que actuar. Este mecanismo de suministro de BI a�?de primera lA�neaa�? mantiene a la organizaciA?n alineada y al corriente de los riesgos y oportunidades de negocio, mientras que los eventos estA?n todavA�a recientes y son significativos para justificar las respuestas oportunas.

En esta A?rea, la calidad de los datos impacta en las organizaciones ya que A�stas se esfuerzan por:

a�� Distribuir las alertas a un amplio rango de puntos de usuario desde cualquier fuente de datos.

a�� Garantizar un alto movimiento para una gran variedad de tipos de suscripciA?n sobre conjuntos de datos estandarizados y no conflictivos.

a�� Permitir a los usuarios abrir archivos adjuntos o entrar en vA�nculos mientras presentan datos consistentes e integrados.

a�� Mitigar el riesgo de distribuir alertas y notificaciones incorrectas con una calidad de datos pre-definida y aprobada.

a�� Permitir desencadenar alertas en tiempo real cuando mA?ltiples datos de eventos cumplen umbrales especA�ficos

a�� Aprovechar los datos autentificados para la personalizaciA?n del contenido y la filiaciA?n de grupos.

TA�cnicas para monitorizar y gestionar la calidad de datos de punto a punto

La mejora de la calidad de los datos puede tener beneficios multiplicadores para el BI, puesto que la mayorA�a de las organizaciones despliega una combinaciA?n de esta variedad de estilos de BI. Esta es la razA?n por la que un programa de BI exitoso debe incluir un componente para la gestiA?n de la calidad de datos de forma programA?tica y dirigida por mA�tricas. Mantener la integridad de los datos a lo largo de equipos distribuidos por todo el ciclo de vida de los datos es necesario para cumplir los objetivos de cumplimiento normativo y de gobierno corporativo. Y para garantizar la confianza en la calidad de los datos de la empresa, los flujos de informaciA?n y de relaciones deben ser auditables y trazables. Por estas y otras razones, la calidad de los datos se gestiona mejor como parte de una arquitectura de integraciA?n de datos en toda la empresa, con el resultado de que la monitorizaciA?n y gestiA?n de la calidad de datos complementan al ciclo de vida del acceso, integraciA?n, transformaciA?n y suministro de los datos.

Como parte de un programa de calidad de datos, las organizaciones necesitan establecer o reestablecer una metodologA�a de calidad de datos como se ilustra a continuaciA?n (Figura 2).

La mejora de la calidad de datos puede enfocarse como un ciclo vivo. Para empezar, el perfilado de datos (1) es un elemento clave en el alcance de las iniciativas globales de calidad de datos a��le permite determinar el contenido, estructura y calidad de las estructuras de datos complejos y descubrir inconsistencias e incompatibilidades ocultas entre las fuentes de datos y las aplicaciones objetivo. Establecer mA�tricas y definir objetivos (2) ayuda a ITy al negocio a medir los resultados de los esfuerzos de calidad de datos como parte de una iniciativa de BI. El diseA�o e implementaciA?n de las reglas de calidad de datos (3) ayudan a definir y a medir los objetivos y criterios para la calidad de datos. Como se detalla a continuaciA?n, integrar las reglas y actividad de calidad de datos (perfilado, limpieza/comparaciA?n, rectificaciA?n automA?tica y gestiA?n) con los procesos de integraciA?n de datos (4) es crA�tico para mejorar la precisiA?n y el valor de los activos de datos.

Revisar las excepciones y reajustar las reglas (5) se acomete mejor como esfuerzo conjunto que implique a los miembros de los equipos clave y responsables de BI. En muchos casos, los expertos en BI tienen un control limitado sobre los procesos de negocio y los sistemas operacionales, lo que provoca una pobre calidad de los datos, por lo que es importante implicar a los principales responsables y directivos de toda la organizaciA?n en la documentaciA?n de los problemas de calidad de datos, y en el lanzamiento de un programa formal de calidad de datos. Y, finalmente, la monitorizaciA?n proactiva de calidad de datos (6) a travA�s de cuadros de mando y notificaciones en tiempo real estA? tambiA�n convirtiA�ndose rA?pidamente en una buena prA?ctica estA?ndar. Los responsables del BI por si mismos, si se implican en el proceso de calidad de datos como deberA�an, pueden disponer de las herramientas necesarias, puesto que conocen mejor los niveles de calidad que sus datos precisan.

La arquitectura de integraciA?n de datos

Con la necesidad de gestionar la calidad de datos de principio a fin, han emergido nuevos planteamientos sobre las arquitecturas para la calidad de datos. Muchas organizaciones lA�deres estA?n implementando la calidad de datos como parte de sus arquitecturas para la integraciA?n de datos en toda la empresa. Este enfoque ofrece numerosas ventajas.

Una de ellas, que unos cimientos de integraciA?n de datos en la empresa permiten la identificaciA?n, acceso, transformaciA?n, reconciliaciA?n semA?ntica, gestiA?n y suministro de los datos empresariales de forma segura, consistente y oportuna. Con este enfoque, IT es capaz de reutilizar la lA?gica del acceso, transformaciA?n y calidad de datos a lo largo de mA?ltiples entornos de BI y de otro tipo, reduciendo de este modo el tiempo necesario para implementar nuevos proyectos de BI o suministrar mejores funcionalidades.

Otra ventaja clave es la capacidad para aprovechar un entorno A?nico para la gestiA?n de los cambios y el anA?lisis de impactos. La estructura de integraciA?n de datos empresariales, con esta infraestructura base de metadatos, contiene la informaciA?n relativa a las relaciones y linajes entre datos que IT puede aprovechar para realizar una gestiA?n eficaz de los cambios.

Finalmente, una infraestructura de integraciA?n de datos en toda la empresa es capaz de apoyar a los usuarios que requieran los datos con diferentes niveles de latencia a��por lotes, en tiempo real o casi en tiempo real. Puesto que los procesos de negocio evolucionan y las empresas pasan de los tradicionales sistemas de soporte a la toma de decisiones y de ahA� a una toma de decisiones mA?s operacional que requiere un BI tambiA�n operacional, la capacidad para soportar estas latencias diversas continA?a ganando importancia.

ConclusiA?n

Los datos oportunos y precisos utilizados por las aplicaciones de BI son crA�ticos en el trabajo de muchas organizaciones. Sin las estructuras para suministrar y actuar de forma consistente sobre datos de confianza y alta calidad, los sistemas de BI pueden verse amenazados y las organizaciones ver socavada su capacidad para valorar el estado real de la salud de la organizaciA?n y emprender las acciones apropiadas para dirigir su negocio y competir eficazmente. Al adoptar un enfoque de calidad de datos en toda la empresa, los estrategas y arquitectos de la soluciA?n de BI pueden diseA�ar e implementar los cinco estilos de BI dominantes, incluyendo los cuadros de mando, los anA?lisis detallados y las alertas bajo demanda con mucha mayor confianza.

Las soluciones de calidad de datos pueden tambiA�n aprovechar las sinergias con los procesos y soluciones de integraciA?n de datos existentes en la empresa, con capacidad para acceder y gestionar todo tipo de datos maestros en un enfoque dirigido por mA�tricas. Los resultados pueden ser muy superiores frente al uso de una tecnologA�a tradicional de calidad de datos, normalmente limitada a la limpieza de los datos de clientes.

El despliegue exitoso de la calidad de datos a este nivel realmente empresarial ayuda a una organizaciA?n a maximizar los retornos sobre sus inversiones de BI, mediante la mejora de su capacidad para aprovechar el BI para impulsar la ventaja competitiva y el liderazgo de mercado. i??

Juan OA�ate, director general para Iberia de Informatica.