Delegaciones Contacto
Descubre nuestra plataforma
Chatea. Participa. Comparte. Accede a una red exclusiva de alto nivel de la que ya forman parte +20.000 usuarios.
Artículo

Propósito para 2016: Mantener la base de datos limpia

Casi más difícil que crear una base de datos potente y fiable es mantenerla en el tiempo con los mismos estándares de calidad. Por eso, el Data Cleaning se ha convertido en un trabajo fundamental a la hora de revisar y corregir la información que las empresas tienen sobre sus proveedores, intermediarios, clientes, etc. Sobre todo, si tenemos en cuenta que la media mensual de datos que se “ensucian” es nada más y nada menos que de un 3%, según los expertos en Data Management.

Ante este panorama, las empresas tienen dos opciones: dedicar gran parte de su tiempo y de sus recursos económicos y humanos a comprobar qué información sigue siendo válida cada mes, o pedir ayuda a profesionales del sector para que actualicen y mantengan limpias de errores sus bases de datos de manera constante y ordenada.

El tema no es baladí porque utilizar “datos sucios” puede acarrear problemas con clientes insatisfechos (por duplicidades, envíos incorrectos…) y, lo que es peor, pérdida de ingresos (morosos no identificados, ventas no cobradas, etc.). De hecho, según Shelly Kramer, co-CEO de Broadsuite V3, las empresas pueden perder hasta 2,5 millones de dólares anuales (algo más de 2,3 millones de euros al cambio) sólo porque trabajan con bases de datos desactualizadas.

Así pues, no esperes a que tu negocio se resienta por contar con bases de datos sucias. Sé proactivo y pon en marcha los consejos de nuestros expertos de Quantic Solutions si entre tus prioridades de 2016 está contar con un proceso eficiente de Data Cleaning:

  1. Analizar los datos: En primer lugar, hay que determinar qué tipo de fallos o datos obsoletos tienen que ser eliminados. Aunque esta inspección se puede hacer de manera manual, en una gran mayoría de ocasiones será necesaria la automatización, es decir, la incorporación de programas que actúen sobre los metadatos para detectar problemas de calidad que afecten a sus propiedades.
  2. Definir el flujo de transformación y las reglas de mapeo:Pese a que depende del número de fuentes de origen de sus datos y su heterogeneidad, lo normal es que haya que realizar una acción a dos niveles: una en un estadio temprano, que corrija los problemas relacionados con datos procedentes de una única fuente y los prepare para una buena integración; y otra, que intervenga de forma posterior, tratando los problemas de datos procedentes de una diversidad de fuentes.
  3. Verificar:O lo que es lo mismo, testear y evaluar todos y cada uno de los pasos dados como norma general. Es uno de los principios básicos del Data cleaning, ya que algunos errores sólo se manifiestan tras aplicarse a los datos un número determinado de transformaciones.
  4. Ejecutar:Es el momento de mover los datos procedentes de múltiples fuentes a un almacén para reformatearlos, limpiarlos y cargarlos en otra base de datos nueva y limpia.
  5. Sacar a relucir los datos limpios:Una vez que se han eliminado los errores o imprecisiones, los datos “limpios” tienen que reemplazar a los que no lo están en las fuentes originales.
Te puede interesar
Categorías
Gracias por tu participación
Comparte el manifiesto y contribuye a impulsar la innovación entre empresas, organizaciones y directivos.
Ahora estás visualizando el contenido de APD zona centro.
Si lo deseas puedes acceder a los contenidos adaptados a tu zona geográfica