Acepto

COOKIES

Esta web utiliza cookies técnicas, de personalización y de análisis, propias y de terceros, para anónimamente facilitarle la navegación y analizar estadísticas del uso de la web. Obtener más información

El alto coste de la mala calidad de los datos

  • Predictive Analytics

Analitica de  datos

La importancia de los datos para el mundo moderno de hoyes cada vez más evidente. Las organizaciones están creando, almacenando, recopilando y administrando más datos que nunca antes. El problema está en el alto precio que se paga por los datos de mala calidad.

Estamos en la era de la información y cada vez gestionamos más proyectos de big data y análisis. Y todo esto se está moviendo hacia un procesamiento más cognitivo con el aprendizaje automático y las capacidades de IA que dependen de los montones de datos que recopilamos y administramos.

Pero si echamos un vistazo detrás de las maquinaciones que impulsan toda esta recopilación de datos y examinamos la precisión, o la falta de ella, de nuestros datos almacenados, las cosas empiezan a ser un poco problemáticas. Por supuesto, para comprender la calidad de los datos, debemos definir qué hace que los datos sean de alta calidad. Según Thomas C. Redman, destacado experto en calidad de datos, "los datos son de alta calidad si son aptos para sus usos previstos en operaciones, toma de decisiones, análisis y planificación". Esto significa que los datos deben estar libres de defectos mientras sean relevantes , completo, con el nivel de detalle adecuado y fácil de interpretar.

Sin embargo, la calidad de los datos continúa siendo un problema omnipresente. En su libro seminal, Data Quality: Management and Technology, Redman informa que, de media, los cambios en los registros de nómina tienen una tasa de error del 1%, los registros de facturación tienen una tasa de error del 2% al 7% y la tasa de error para los registros de crédito es tan alto como 30%.

Luego está el problema del látigo que puede exacerbar los problemas de calidad de los datos. Para entender el efecto látigo, considere este ejemplo: un minorista en su cadena de suministro informa que la demanda está equivocada en un 10%. Esto significa que en vez de 10 unidades, el minorista tiene 11 unidades. Ahora, si hay 50 tiendas atendidas por el centro de distribución, entonces el impacto es 50 adicionales. Y si hay 50 centros de distribución, entonces los datos incorrectos generarán 2.500 unidades adicionales...

¿Por qué deberíamos preocuparnos por la calidad de los datos? La respuesta parece ser obvia, pero pensemos en ello. La satisfacción del cliente con su tienda, sitio web o producto será ciertamente menor si la calidad de los datos es baja. Todos los clientes quieren pagar un precio justo y correcto por el producto que desean sin experimentar problemas que los datos incorrectos podrían causar.

Los datos de mala calidad también pueden aumentar los costes. Si las transacciones son denegadas o necesitan ser retiradas o repetidas debido a información incorrecta, eso tiene un precio.

Además, los ejecutivos pueden tomar decisiones incorrectas cuando se basan en información incorrecta. Finalmente, considere el impacto de la mala calidad de los datos en el cumplimiento normativo. Las reglamentaciones gubernamentales y de la industria, como GDPR, HIPAA, PCI-DSS y muchas otras, establecen requisitos específicos sobre cómo se gestionan, protegen y notifican ciertos tipos de datos. Si los datos no son precisos y, por lo tanto, su organización no los gestiona adecuadamente, puede haber consecuencias graves, incluidas multas significativas y más. Entonces, claramente, la mala calidad de los datos es algo que debe evitarse.

Por eso, el primer paso es garantizar que los ejecutivos de su organización reconozcan el problema de calidad de datos y respalden la necesidad de rectificarlo. Esto significa que los datos deben valorarse como un activo corporativo, y tratarse en consecuencia, como recursos humanos, propiedad intelectual, edificios de oficinas y equipos, etc.

Descubre la innovación

Para asegurar el éxito empresarial, ahora y a futuro, es imprescindible maximizar el retorno de la inversión existente en software, a la vez que innovar y adoptar nuevas tecnologías. Los retos que hay abordar para competir en un mundo de TI Híbrida incluyen DevOps, Seguridad, Gestión de riesgos y Análisis predictivo. Puedes obtener más información sobre cómo abordar estos retos e innovar en este enlace.