- Dimensiones de la calidad de los datos correspondientes a la jerarqu\u00eda de datos<\/a><\/li>
- Dimensiones intr\u00ednsecas de la calidad de los datos<\/a>
- Precisi\u00f3n<\/a><\/li>
- Linaje<\/a><\/li>
- Sem\u00e1ntica<\/a><\/li>
- Estructura<\/a><\/li><\/ol><\/li>
- Dimensiones de la calidad de los datos contextuales<\/a>
- Completitud<\/a><\/li>
- Consistencia<\/a><\/li>
- Moneda<\/a><\/li>
- Puntualidad<\/a><\/li>
- Razonabilidad<\/a><\/li>
- Identificabilidad<\/a><\/li><\/ol><\/li><\/ol><\/li>
- \u00bfQu\u00e9 dimensiones de la calidad de los datos hay que utilizar?<\/a><\/li>
- Automatizaci\u00f3n de la medici\u00f3n de la calidad de los datos con DataMatch Enterprise<\/a>
- Rendimiento del ISD en un conjunto de datos de 2 millones de registros<\/a><\/li>
- Generaci\u00f3n y filtrado de perfiles de calidad de datos detallados<\/a><\/li><\/ol><\/li><\/ol>\n\n
<\/div>\n\n![\"\"](\"https:\/\/dataladder.com\/wp-content\/uploads\/2020\/11\/10-DQ-metrics-1-752x1024.png\")
<\/figure>\n\n<\/div>\n\n\u00abAl 84% de los directores generales les preocupa la calidad de los datos en los que basan sus decisiones\u00bb.<\/p> 2016 Global CEO Outlook, Forbes Insight y KPMG <\/cite><\/blockquote>\n\n
<\/div>\n\nCasi todos los procesos del mundo est\u00e1n en proceso de transformaci\u00f3n digital. El valor de la informaci\u00f3n f\u00edsica se est\u00e1 depreciando y la informaci\u00f3n digital est\u00e1 recibiendo m\u00e1s atenci\u00f3n y, por tanto, consumo. A medida que los procesos se digitalizan, se produce una gran afluencia en la generaci\u00f3n y recopilaci\u00f3n de datos. Los investigadores y especialistas en inform\u00e1tica trabajan en la introducci\u00f3n de nuevas unidades de almacenamiento de datos, como el Zettabyte (10^21 bytes), el Yottabyte (10^24 bytes), el Brontobyte (10^27 bytes) y el Geopbyte (10^30 bytes).<\/p>\n\n
<\/div>\n\nCalidad de los datos – \u00bfPuede utilizar los datos que tiene?<\/h2>\n\n
La cosa se complica cuando llega el momento de utilizar los datos almacenados en fuentes dispares. La complicaci\u00f3n n\u00famero uno a la que se enfrenta un proceso de transformaci\u00f3n digital es la de utilizar los datos y sus atributos de forma eficiente y para el fin previsto.<\/p>\n\n
La norma ISO\/IEC 25012 define la calidad de los datos como el grado en que los datos satisfacen los requisitos de su finalidad. Si los datos almacenados son incapaces de cumplir los requisitos de su organizaci\u00f3n, se dice que son de mala calidad; y el coste de la mala calidad de los datos<\/a> est\u00e1 muy subestimado.<\/p>\n\n
<\/div>\n\n\u00bfQu\u00e9 son las dimensiones de la calidad de los datos?<\/h2>\n\n
Esta definici\u00f3n propuesta por la norma ISO implica que el significado de la calidad de los datos var\u00eda en funci\u00f3n del uso que se quiera hacer de ellos. Por ejemplo, en algunos casos, la precisi\u00f3n de los datos es m\u00e1s importante que la exhaustividad de los mismos<\/a>, mientras que en otros casos puede ocurrir lo contrario.<\/p>\n\n
Este concepto introduce la idea de las dimensiones de la calidad de los datos, lo que significa simplemente que la calidad de los datos puede medirse de diferentes maneras. Las dimensiones de la calidad de los datos presentan una lista de m\u00e9tricas que pueden ayudar a evaluar la idoneidad de los datos para cualquier uso previsto.<\/p>\n\n
<\/div>\n\n\u00bfCu\u00e1ntas dimensiones de calidad de datos hay?<\/h3>\n\n
Algunos destacan seis dimensiones de la calidad de los datos, mientras que otros hablan de ocho o incluso diez dimensiones de la calidad de los datos. Desde el punto de vista t\u00e9cnico, todas las m\u00e9tricas de calidad de los datos se dividen en dos grandes categor\u00edas: la primera se refiere a las caracter\u00edsticas intr\u00ednsecas de los datos, mientras que la segunda se refiere a sus caracter\u00edsticas contextuales.<\/p>\n\n
<\/div>\n\nDimensiones de la calidad de los datos correspondientes a la jerarqu\u00eda de datos<\/h4>\n\n
La jerarqu\u00eda de datos en cualquier organizaci\u00f3n comienza con un \u00fanico valor de datos. Los valores de los datos de varios atributos se agrupan para una entidad u ocurrencia espec\u00edfica para formar un registro de datos. Los registros de datos m\u00faltiples (que representan m\u00faltiples ocurrencias del mismo tipo) se agrupan para formar un conjunto de datos. Estos conjuntos de datos pueden residir en cualquier fuente o aplicaci\u00f3n para satisfacer las necesidades de una organizaci\u00f3n.<\/p>\n\n
Las dimensiones de la calidad de los datos se comportan y se miden de forma diferente en cada nivel de la jerarqu\u00eda de datos. Vea la siguiente imagen para entender c\u00f3mo se eval\u00faa la calidad de los datos en cada nivel.<\/p>\n\n
<\/div>\n\n![\"\"](\"https:\/\/dataladder.com\/wp-content\/uploads\/2020\/11\/Data-hierarchy-and-DQ-dimensions.png\")
<\/figure>\n\n<\/div>\n\nEn este art\u00edculo, cubriremos estas diez dimensiones de calidad de datos que se dividen en dos categor\u00edas.<\/p>\n\n
<\/div>\n\nA. Dimensiones intr\u00ednsecas de la calidad de los datos<\/h4>\n\n
Estas dimensiones eval\u00faan directamente el valor de los datos, a nivel granular; su significado, disponibilidad, dominio, estructura, formato y metadatos, etc. Estas dimensiones no tienen en cuenta el contexto en el que se almacen\u00f3 el valor, como su relaci\u00f3n con otros atributos o el conjunto de datos en el que reside.<\/p>\n\n
Las siguientes cuatro dimensiones de la calidad de los datos pertenecen a la categor\u00eda intr\u00ednseca:<\/p>\n\n
1. Precisi\u00f3n<\/h5>\n\n
\u00bfEN QU\u00c9 MEDIDA LOS VALORES DE LOS DATOS REPRESENTAN LA REALIDAD\/CORRECCI\u00d3N?<\/span><\/strong><\/p>\n\n
Laprecisi\u00f3n de<\/a> los valores delos datos<\/a> se mide verific\u00e1ndolos con una fuente conocida de informaci\u00f3n correcta. Esta medici\u00f3n podr\u00eda ser compleja si hay m\u00faltiples fuentes que contienen la informaci\u00f3n correcta. En estos casos, hay que seleccionar el m\u00e1s inclusivo para su dominio, y calcular el grado de concordancia de cada valor de los datos con la fuente.<\/p>\n\n
Ejemplo de valores de datos precisos<\/h6>\n\n
Considere una base de datos de empleados que contiene el n\u00famero de contacto de los empleados como atributo. Un n\u00famero de tel\u00e9fono exacto es el que es correcto y existe en la realidad. Puede verificar todos los n\u00fameros de tel\u00e9fono de su base de datos de empleados cotej\u00e1ndolos con una base de datos oficial que contenga una lista de n\u00fameros de tel\u00e9fono v\u00e1lidos.<\/p>\n\n
2. Linaje<\/h5>\n\n
\u00bfHASTA QU\u00c9 PUNTO ES FIABLE LA FUENTE DE ORIGEN DE LOS VALORES DE LOS DATOS?<\/span><\/strong><\/p>\n\n
El linaje de los valores de los datos se verifica o comprueba validando la fuente de origen, y\/o todas las fuentes que han actualizado la informaci\u00f3n a lo largo del tiempo. Se trata de una medida importante, ya que demuestra la fiabilidad de los datos captados y su evoluci\u00f3n en el tiempo.<\/p>\n\n
Ejemplo de linaje de valores de datos<\/h6>\n\n
En el ejemplo anterior, los n\u00fameros de contacto de los empleados son fiables si proceden de una fuente v\u00e1lida. Y la fuente m\u00e1s v\u00e1lida para este tipo de informaci\u00f3n es el propio empleado, ya que los datos se introducen la primera vez o se actualizan con el tiempo. Por otra parte, si los n\u00fameros de contacto se dedujeron de una gu\u00eda telef\u00f3nica p\u00fablica, esta fuente de origen es definitivamente cuestionable y podr\u00eda contener errores.<\/p>\n\n
3. Sem\u00e1ntica<\/h5>\n\n
\u00bfLOS VALORES DE LOS DATOS SON FIELES A SU SIGNIFICADO?<\/span><\/strong><\/p>\n\n
Para garantizar la calidad de los datos, el valor de los mismos debe ser sem\u00e1nticamente correcto, lo que se refiere a su significado, especialmente en el contexto de la organizaci\u00f3n o el departamento en el que se utilizan. La informaci\u00f3n suele intercambiarse entre los distintos departamentos y procesos de una empresa. En estos casos, las partes interesadas y los usuarios de los datos deben estar de acuerdo con el significado de todos los atributos que intervienen en el conjunto de datos, para que puedan ser verificados sem\u00e1nticamente.<\/p>\n\n
Ejemplo de valores de datos sem\u00e1nticamente correctos<\/h6>\n\n
Su base de datos de empleados puede tener dos atributos que almacenan los n\u00fameros de contacto de los empleados, a saber, N\u00famero de tel\u00e9fono 1 y N\u00famero de tel\u00e9fono 2. Una definici\u00f3n acordada de ambos atributos podr\u00eda ser que el n\u00famero de tel\u00e9fono 1 es el n\u00famero de m\u00f3vil personal del empleado, mientras que el n\u00famero de tel\u00e9fono 2 es su n\u00famero de tel\u00e9fono residencial.<\/p>\n\n
Es importante se\u00f1alar que la medida de exactitud validar\u00e1 la existencia y la realidad de ambos n\u00fameros, pero la medida sem\u00e1ntica garantizar\u00e1 que ambos n\u00fameros son fieles a su definici\u00f3n impl\u00edcita, es decir, que el primero es un n\u00famero de m\u00f3vil, mientras que el segundo es un n\u00famero de tel\u00e9fono residencial.<\/p>\n\n
4. Estructura<\/h5>\n\n
\u00bfEXISTEN VALORES DE DATOS EN EL PATR\u00d3N Y\/O FORMATO CORRECTO?<\/span><\/strong><\/p>\n\n
El an\u00e1lisis estructural se refiere a la verificaci\u00f3n de la representaci\u00f3n de los valores de los datos, es decir, que los valores tengan un patr\u00f3n y un formato v\u00e1lidos. Estas comprobaciones se realizan mejor y se aplican en la entrada y captura de datos, de modo que todos los datos entrantes se validan primero y, si es necesario, se transforman como es debido, antes de almacenarlos en la aplicaci\u00f3n.<\/p>\n\n
Ejemplo de valores de datos estructuralmente correctos<\/h6>\n\n
En el ejemplo anterior de base de datos de empleados, todos los valores de la columna de N\u00famero de tel\u00e9fono 1 deben estar correctamente estructurados y formateados. Un ejemplo de n\u00famero de tel\u00e9fono mal estructurado es: 134556-7(9080. Aunque es posible que el n\u00famero en s\u00ed mismo (sin el gui\u00f3n y el par\u00e9ntesis adicionales) sea preciso y sem\u00e1nticamente correcto. Pero el formato y el patr\u00f3n correctos del n\u00famero deben ser:
B. Dimensiones de la calidad de los datos contextuales<\/h4>\n\n
Estas dimensiones valoran y eval\u00faan los datos en todo su contexto, por ejemplo, considerando todos los valores de los datos de un atributo juntos, o los valores de los datos agrupados en registros, etc. Estas dimensiones se centran en las relaciones entre los distintos componentes de los datos y su adecuaci\u00f3n a las expectativas de calidad de los mismos.<\/p>\n\n
Las siguientes seis dimensiones de la calidad de los datos pertenecen a la categor\u00eda contextual:<\/p>\n\n
5. Completitud<\/h5>\n\n
\u00bfSON SUS DATOS TAN COMPLETOS COMO NECESITA?<\/span><\/strong><\/p>\n\n
La exhaustividad define el grado en que se rellenan los valores de datos necesarios y no se dejan en blanco. Puede calcularse de forma vertical (a nivel de atributos) u horizontal (a nivel de registros). Normalmente, los campos se marcan como obligatorios\/requeridos para garantizar la integridad de un conjunto de datos. Al calcular la exhaustividad, hay que tener en cuenta sus tres tipos diferentes para garantizar la exactitud de los resultados:<\/p>\n\n
- Campo obligatorio <\/strong>que no puede dejarse vac\u00edo; por ejemplo, el DNI de un empleado.<\/li>
- Campo opcional<\/strong> que no tiene que ser necesariamente rellenado; por ejemplo, el campo de aficiones de un empleado.<\/li>
- Campo inaplicable<\/strong> que resulta irrelevante seg\u00fan el contexto del registro, y debe dejarse en blanco; por ejemplo, Nombre del c\u00f3nyuge para una persona no casada.<\/li><\/ul>\n\n
Ejemplo de datos completos<\/h6>\n\n
Un ejemplo de exhaustividad vertical es el c\u00e1lculo del porcentaje de empleados para los que se proporciona el n\u00famero de tel\u00e9fono 1. Y el ejemplo de la exhaustividad horizontal consiste en calcular el porcentaje de informaci\u00f3n que est\u00e1 completa para un empleado concreto; por ejemplo, los datos de un empleado pueden estar completos en un 80%, cuando falta su n\u00famero de contacto y su direcci\u00f3n residencial.<\/p>\n\n
6. Consistencia<\/h5>\n\n
\u00bfTIENEN LOS ALMACENES DE DATOS DISPARES LOS MISMOS VALORES DE DATOS PARA LOS MISMOS REGISTROS?<\/span><\/strong><\/p>\n\n
La coherencia comprueba si los valores de los datos almacenados para el mismo registro en fuentes dispares no presentan contradicciones y son exactamente iguales, tanto en t\u00e9rminos de significado como de estructura y formato.<\/p>\n\n
Los datos coherentes ayudan a realizar informes uniformes y precisos en todas las funciones y operaciones de su empresa. La coherencia no s\u00f3lo se refiere a los significados de los valores de los datos, sino tambi\u00e9n a su representaci\u00f3n; por ejemplo, cuando los valores no son aplicables o no est\u00e1n disponibles, deben utilizarse t\u00e9rminos coherentes para representar la falta de disponibilidad de los datos en todas las fuentes.<\/p>\n\n
Ejemplos de datos coherentes<\/h6>\n\n
La informaci\u00f3n de los empleados suele almacenarse en las aplicaciones de gesti\u00f3n de RRHH, pero la base de datos debe compartirse o replicarse tambi\u00e9n para otros departamentos, como el de n\u00f3minas o el financiero. Para garantizar la coherencia, todos los atributos almacenados en las bases de datos deben tener los mismos valores. De lo contrario, la diferencia en el n\u00famero de cuenta bancaria u otros campos cr\u00edticos puede convertirse en un gran problema.<\/p>\n\n
7. Moneda<\/h5>\n\n
\u00bfEST\u00c1N SUS DATOS ACEPTABLEMENTE ACTUALIZADOS?<\/span><\/strong><\/p>\n\n
La vigencia se refiere al grado de antig\u00fcedad de los atributos de los datos en el contexto de su uso. Esta medida ayuda a mantener la informaci\u00f3n actualizada y conforme al mundo actual, de modo que sus instant\u00e1neas de datos no tengan semanas o meses de antig\u00fcedad, lo que le llevar\u00eda a presentar y basar decisiones cr\u00edticas en informaci\u00f3n obsoleta.<\/p>\n\n
Para garantizar la actualidad de su conjunto de datos, puede establecer recordatorios para actualizar los datos, o establecer l\u00edmites a la antig\u00fcedad de un atributo, garantizando que todos los valores se sometan a revisi\u00f3n y actualizaci\u00f3n en un tiempo determinado.<\/p>\n\n
Ejemplo de datos actuales<\/h6>\n\n
La informaci\u00f3n de contacto de su empleado debe ser revisada oportunamente para comprobar si algo ha cambiado recientemente y debe ser actualizado en el sistema.<\/p>\n\n
8. Puntualidad<\/h5>\n\n
\u00bfCON QU\u00c9 RAPIDEZ SE FACILITAN LOS DATOS SOLICITADOS?<\/span><\/strong><\/p>\n\n
La puntualidad mide el tiempo que se tarda en acceder a la informaci\u00f3n solicitada. Si sus solicitudes de datos tardan demasiado en terminar, puede ser que sus datos no est\u00e9n bien organizados, relacionados, estructurados o formateados.<\/p>\n\n
La puntualidad tambi\u00e9n mide la rapidez con la que la nueva informaci\u00f3n est\u00e1 disponible para su uso en todas las fuentes. Si su empresa emplea procesos complejos y lentos para almacenar los datos entrantes, los usuarios pueden acabar consultando y utilizando informaci\u00f3n antigua en algunos puntos.<\/p>\n\n
Ejemplo de puntualidad<\/h6>\n\n
Para garantizar la puntualidad, puede comprobar el tiempo de respuesta de su base de datos de empleados. Adem\u00e1s, tambi\u00e9n puede probar cu\u00e1nto tarda la informaci\u00f3n actualizada en la aplicaci\u00f3n de RRHH en replicarse en la aplicaci\u00f3n de n\u00f3minas, etc.<\/p>\n\n
9. Razonabilidad<\/h5>\n\n
\u00bfLOS VALORES DE LOS DATOS TIENEN EL TIPO Y EL TAMA\u00d1O CORRECTOS?<\/span><\/strong><\/p>\n\n
La razonabilidad mide el grado en que los valores de los datos tienen un tipo y un tama\u00f1o de datos razonables o comprensibles. Por ejemplo, es com\u00fan almacenar n\u00fameros en un campo de cadena alfanum\u00e9rica, pero la razonabilidad se asegurar\u00e1 de que si un atributo s\u00f3lo almacena n\u00fameros, entonces debe ser de tipo num\u00e9rico.<\/p>\n\n
Adem\u00e1s, la razonabilidad tambi\u00e9n impone un l\u00edmite m\u00e1ximo y m\u00ednimo de caracteres en los atributos para que no haya cadenas inusualmente largas en la base de datos. La medida de razonabilidad reduce el espacio para los errores al imponer restricciones sobre el tipo de datos y el tama\u00f1o de un atributo.<\/p>\n\n
Ejemplo de razonabilidad<\/h6>\n\n
El campo N\u00famero de tel\u00e9fono 1 -si se almacena sin guiones ni caracteres especiales- debe ser num\u00e9rico y tener un l\u00edmite m\u00e1ximo de caracteres para que no se a\u00f1adan por error caracteres alfanum\u00e9ricos adicionales.<\/p>\n\n
10. Identificabilidad<\/h5>\n\n
\u00bfREPRESENTA CADA REGISTRO UNA IDENTIDAD \u00daNICA Y NO ES UN DUPLICADO?<\/span><\/strong><\/p>\n\n
La identificabilidad calcula el grado en que los registros de datos son identificables de forma \u00fanica y no son duplicados entre s\u00ed.<\/p>\n\n
Para garantizar la identificabilidad, se almacena en la base de datos un atributo de identificaci\u00f3n \u00fanica para cada registro. Pero en algunos casos, como el de las organizaciones sanitarias, la informaci\u00f3n personal identificable (PII) se elimina para proteger la confidencialidad del paciente. Aqu\u00ed es donde puede ser necesario realizar t\u00e9cnicas de concordancia difusa<\/a> para comparar, hacer coincidir y fusionar registros.<\/p>\n\n
Ejemplo de identificabilidad<\/h6>\n\n
Un ejemplo de identificabilidad es imponer que cada nuevo registro en la base de datos de empleados debe contener un n\u00famero de identificaci\u00f3n de empleado \u00fanico a trav\u00e9s del cual ser\u00e1n identificados.<\/p>\n\n
<\/div>\n\n\u00bfQu\u00e9 dimensiones de la calidad de los datos hay que utilizar?<\/h3>\n\n
Repasamos las diez m\u00e9tricas de calidad de datos m\u00e1s utilizadas. Dado que cada empresa tiene su propio conjunto de requisitos y KPI, es posible que tenga que utilizar otras m\u00e9tricas o crear otras personalizadas. La selecci\u00f3n de las dimensiones de la calidad de los datos depende de m\u00faltiples factores, como el sector en el que opera su empresa, la naturaleza de sus datos y el papel que desempe\u00f1an en el \u00e9xito de sus objetivos.<\/p>\n\n
Dado que cada sector tiene sus propias reglas de datos, mecanismo de informaci\u00f3n y criterios de medici\u00f3n, se adopta un conjunto diferente de m\u00e9tricas de calidad de datos para satisfacer las necesidades de cada caso, por ejemplo, organismos gubernamentales, departamentos de finanzas y seguros, institutos de salud, ventas y marketing, comercio minorista o sistemas educativos, etc.<\/p>\n\n
<\/div>\n\nAutomatizaci\u00f3n de la medici\u00f3n de la calidad de los datos con DataMatch Enterprise<\/h2>\n\n
Teniendo en cuenta lo compleja que puede ser la medici\u00f3n de la calidad de los datos, es un proceso que normalmente se espera que realicen los profesionales de la tecnolog\u00eda o de los datos. La falta de disponibilidad de capacidades avanzadas de elaboraci\u00f3n de perfiles<\/a> en una herramienta de calidad de datos de autoservicio es un reto al que se suele hacer frente.<\/p>\n\n
Una herramienta de autoservicio para la calidad de los datos que pueda ofrecer una r\u00e1pida visi\u00f3n de 360\u00ba de los datos e identificar anomal\u00edas b\u00e1sicas, como valores en blanco, tipos de datos de campo, patrones recurrentes y otras estad\u00edsticas descriptivas, es un requisito b\u00e1sico para cualquier iniciativa basada en datos. Data Ladder’s DataMatch Enterprise es una soluci\u00f3n de calidad de datos totalmente potenciada que no s\u00f3lo ofrece una evaluaci\u00f3n de la calidad de los datos, sino que adem\u00e1s realiza una limpieza<\/a>, correspondencia<\/a> y fusi\u00f3n de<\/a> datos<\/a> detallada.<\/p>\n\n
Rendimiento del ISD en un conjunto de datos de 2 millones de registros<\/h3>\n\n
Con DataMatch Enterprise, puede realizar comprobaciones r\u00e1pidas de precisi\u00f3n, integridad y validaci\u00f3n<\/a>. En lugar de identificar y marcar manualmente las discrepancias presentes en su conjunto de datos; con el ISD, su equipo puede generar por s\u00ed solo un informe que etiquete y numere varias m\u00e9tricas de calidad de datos en s\u00f3lo unos segundos, incluso con un tama\u00f1o de muestra tan grande como 2 millones de registros.<\/p>\n\n
El rendimiento de DataMatch Enterprise en un conjunto de datos que contiene 2M de registros se registr\u00f3 de la siguiente manera:<\/p>\n\n
<\/div>\n\n![\"\"](\"https:\/\/dataladder.com\/wp-content\/uploads\/2021\/12\/DME-performance.png\")
<\/figure>\n\n<\/div>\n\nGeneraci\u00f3n y filtrado de perfiles de calidad de datos detallados <\/h4>\n\n
A continuaci\u00f3n se muestra un perfil de muestra generado con el ISD en menos de 10 segundos para unos 2000 registros: <\/p>\n\n
![\"\"](\"https:\/\/dataladder.com\/wp-content\/uploads\/2021\/12\/Data-profiling-in-DME-1-min-1024x474.png\")
<\/figure>\n\n<\/div>\n\nEste conciso perfil de datos destaca los detalles del contenido y la estructura de todos los atributos de datos elegidos. Adem\u00e1s, tambi\u00e9n se puede navegar hacia aspectos espec\u00edficos, como la lista de aquellos registros del 12% a los que les falta el segundo nombre del contacto. <\/p>\n\n
![\"\"](\"https:\/\/dataladder.com\/wp-content\/uploads\/2021\/12\/Data-filtering-in-DME-min-1024x597.png\")
<\/figure>\n\n<\/div>\n\nPara saber m\u00e1s sobre c\u00f3mo nuestra soluci\u00f3n puede ayudarle a resolver sus problemas de calidad de datos, reg\u00edstrese para una prueba gratuita hoy mismo<\/a> o concierte una demostraci\u00f3n con uno de nuestros expertos.<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"
En este blog: Calidad de los datos – \u00bfPuede utilizar los datos que tiene? \u00bfQu\u00e9 son las dimensiones de la calidad de los datos? \u00bfCu\u00e1ntas dimensiones de calidad de datos hay? Dimensiones de la calidad de los datos correspondientes a la jerarqu\u00eda de datos Dimensiones intr\u00ednsecas de la calidad de los datos Precisi\u00f3n Linaje Sem\u00e1ntica […]<\/p>\n","protected":false},"author":9,"featured_media":61322,"comment_status":"closed","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"_lmt_disableupdate":"","_lmt_disable":"","_links_to":"","_links_to_target":""},"categories":[1212,1271,1338],"tags":[543],"acf":[],"yoast_head":"\n
Dimensiones de la calidad de los datos: 10 m\u00e9tricas que debe medir - Data Ladder<\/title>\n<meta name=\"description\" content=\"Las dimensiones de la calidad de los datos se miden de forma diferente en cada nivel de la jerarqu\u00eda de datos. Veamos las 10 m\u00e9tricas de calidad de datos en las que debe centrarse.\" \/>\n<meta name=\"robots\" content=\"index, follow, max-snippet:-1, max-image-preview:large, max-video-preview:-1\" \/>\n<link rel=\"canonical\" href=\"https:\/\/dataladder.com\/es\/dimensiones-de-la-calidad-de-los-datos-10-metricas-que-debe-medir\/\" \/>\n<meta property=\"og:locale\" content=\"es_ES\" \/>\n<meta property=\"og:type\" content=\"article\" \/>\n<meta property=\"og:title\" content=\"Dimensiones de la calidad de los datos: 10 m\u00e9tricas que debe medir - Data Ladder\" \/>\n<meta property=\"og:description\" content=\"Las dimensiones de la calidad de los datos se miden de forma diferente en cada nivel de la jerarqu\u00eda de datos. Veamos las 10 m\u00e9tricas de calidad de datos en las que debe centrarse.\" \/>\n<meta property=\"og:url\" content=\"https:\/\/dataladder.com\/es\/dimensiones-de-la-calidad-de-los-datos-10-metricas-que-debe-medir\/\" \/>\n<meta property=\"og:site_name\" content=\"Data Ladder\" \/>\n<meta property=\"article:publisher\" content=\"https:\/\/web.facebook.com\/DataLadderSoftware\" \/>\n<meta property=\"article:published_time\" content=\"2021-12-17T05:00:00+00:00\" \/>\n<meta property=\"article:modified_time\" content=\"2022-01-07T12:55:23+00:00\" \/>\n<meta property=\"og:image\" content=\"https:\/\/dataladder.com\/wp-content\/uploads\/2020\/11\/Data-quality-dimensions-10-data-quality-metrics-you-should-be-measuring.jpg\" \/>\n\t<meta property=\"og:image:width\" content=\"1000\" \/>\n\t<meta property=\"og:image:height\" content=\"696\" \/>\n\t<meta property=\"og:image:type\" content=\"image\/jpeg\" \/>\n<meta name=\"author\" content=\"lbarrera\" \/>\n<meta name=\"twitter:card\" content=\"summary_large_image\" \/>\n<meta name=\"twitter:label1\" content=\"Escrito por\" \/>\n\t<meta name=\"twitter:data1\" content=\"lbarrera\" \/>\n\t<meta name=\"twitter:label2\" content=\"Tiempo de lectura\" \/>\n\t<meta name=\"twitter:data2\" content=\"16 minutos\" \/>\n<script type=\"application\/ld+json\" class=\"yoast-schema-graph\">{\"@context\":\"https:\/\/schema.org\",\"@graph\":[{\"@type\":\"Article\",\"@id\":\"https:\/\/dataladder.com\/es\/dimensiones-de-la-calidad-de-los-datos-10-metricas-que-debe-medir\/#article\",\"isPartOf\":{\"@id\":\"https:\/\/dataladder.com\/es\/dimensiones-de-la-calidad-de-los-datos-10-metricas-que-debe-medir\/\"},\"author\":{\"name\":\"lbarrera\",\"@id\":\"https:\/\/dataladder.com\/es\/#\/schema\/person\/6cc3d6b3c83c611546541b5eb2d1e21b\"},\"headline\":\"Dimensiones de la calidad de los datos: 10 m\u00e9tricas que debe medir\",\"datePublished\":\"2021-12-17T05:00:00+00:00\",\"dateModified\":\"2022-01-07T12:55:23+00:00\",\"mainEntityOfPage\":{\"@id\":\"https:\/\/dataladder.com\/es\/dimensiones-de-la-calidad-de-los-datos-10-metricas-que-debe-medir\/\"},\"wordCount\":3225,\"publisher\":{\"@id\":\"https:\/\/dataladder.com\/es\/#organization\"},\"keywords\":[\"calidad de los datos\"],\"articleSection\":[\"Data quality management\",\"Gesti\u00f3n de la calidad de los datos\",\"Medici\u00f3n de la calidad de los datos\"],\"inLanguage\":\"es\"},{\"@type\":\"WebPage\",\"@id\":\"https:\/\/dataladder.com\/es\/dimensiones-de-la-calidad-de-los-datos-10-metricas-que-debe-medir\/\",\"url\":\"https:\/\/dataladder.com\/es\/dimensiones-de-la-calidad-de-los-datos-10-metricas-que-debe-medir\/\",\"name\":\"Dimensiones de la calidad de los datos: 10 m\u00e9tricas que debe medir - Data Ladder\",\"isPartOf\":{\"@id\":\"https:\/\/dataladder.com\/es\/#website\"},\"datePublished\":\"2021-12-17T05:00:00+00:00\",\"dateModified\":\"2022-01-07T12:55:23+00:00\",\"description\":\"Las dimensiones de la calidad de los datos se miden de forma diferente en cada nivel de la jerarqu\u00eda de datos. Veamos las 10 m\u00e9tricas de calidad de datos en las que debe centrarse.\",\"breadcrumb\":{\"@id\":\"https:\/\/dataladder.com\/es\/dimensiones-de-la-calidad-de-los-datos-10-metricas-que-debe-medir\/#breadcrumb\"},\"inLanguage\":\"es\",\"potentialAction\":[{\"@type\":\"ReadAction\",\"target\":[\"https:\/\/dataladder.com\/es\/dimensiones-de-la-calidad-de-los-datos-10-metricas-que-debe-medir\/\"]}]},{\"@type\":\"BreadcrumbList\",\"@id\":\"https:\/\/dataladder.com\/es\/dimensiones-de-la-calidad-de-los-datos-10-metricas-que-debe-medir\/#breadcrumb\",\"itemListElement\":[{\"@type\":\"ListItem\",\"position\":1,\"name\":\"Home\",\"item\":\"https:\/\/dataladder.com\/es\/\"},{\"@type\":\"ListItem\",\"position\":2,\"name\":\"Dimensiones de la calidad de los datos: 10 m\u00e9tricas que debe medir\"}]},{\"@type\":\"WebSite\",\"@id\":\"https:\/\/dataladder.com\/es\/#website\",\"url\":\"https:\/\/dataladder.com\/es\/\",\"name\":\"Data Ladder\",\"description\":\"Enterprise Data Profiling, Cleansing, and Matching\",\"publisher\":{\"@id\":\"https:\/\/dataladder.com\/es\/#organization\"},\"potentialAction\":[{\"@type\":\"SearchAction\",\"target\":{\"@type\":\"EntryPoint\",\"urlTemplate\":\"https:\/\/dataladder.com\/es\/?s={search_term_string}\"},\"query-input\":\"required name=search_term_string\"}],\"inLanguage\":\"es\"},{\"@type\":\"Organization\",\"@id\":\"https:\/\/dataladder.com\/es\/#organization\",\"name\":\"Data Ladder\",\"url\":\"https:\/\/dataladder.com\/es\/\",\"logo\":{\"@type\":\"ImageObject\",\"inLanguage\":\"es\",\"@id\":\"https:\/\/dataladder.com\/es\/#\/schema\/logo\/image\/\",\"url\":\"https:\/\/dataladder.com\/wp-content\/uploads\/2018\/06\/DL-Logo-Ball-30.png\",\"contentUrl\":\"https:\/\/dataladder.com\/wp-content\/uploads\/2018\/06\/DL-Logo-Ball-30.png\",\"width\":413,\"height\":408,\"caption\":\"Data Ladder\"},\"image\":{\"@id\":\"https:\/\/dataladder.com\/es\/#\/schema\/logo\/image\/\"},\"sameAs\":[\"https:\/\/www.linkedin.com\/company\/dataladder-llc\/\",\"https:\/\/web.facebook.com\/DataLadderSoftware\"]},{\"@type\":\"Person\",\"@id\":\"https:\/\/dataladder.com\/es\/#\/schema\/person\/6cc3d6b3c83c611546541b5eb2d1e21b\",\"name\":\"lbarrera\",\"image\":{\"@type\":\"ImageObject\",\"inLanguage\":\"es\",\"@id\":\"https:\/\/dataladder.com\/es\/#\/schema\/person\/image\/\",\"url\":\"https:\/\/secure.gravatar.com\/avatar\/5198cb4dd374e7d879a15a9cf20299b3?s=96&d=mm&r=g\",\"contentUrl\":\"https:\/\/secure.gravatar.com\/avatar\/5198cb4dd374e7d879a15a9cf20299b3?s=96&d=mm&r=g\",\"caption\":\"lbarrera\"},\"url\":\"https:\/\/dataladder.com\/es\/author\/lbarrera\/\"}]}<\/script>\n<!-- \/ Yoast SEO plugin. -->","yoast_head_json":{"title":"Dimensiones de la calidad de los datos: 10 m\u00e9tricas que debe medir - Data Ladder","description":"Las dimensiones de la calidad de los datos se miden de forma diferente en cada nivel de la jerarqu\u00eda de datos. Veamos las 10 m\u00e9tricas de calidad de datos en las que debe centrarse.","robots":{"index":"index","follow":"follow","max-snippet":"max-snippet:-1","max-image-preview":"max-image-preview:large","max-video-preview":"max-video-preview:-1"},"canonical":"https:\/\/dataladder.com\/es\/dimensiones-de-la-calidad-de-los-datos-10-metricas-que-debe-medir\/","og_locale":"es_ES","og_type":"article","og_title":"Dimensiones de la calidad de los datos: 10 m\u00e9tricas que debe medir - Data Ladder","og_description":"Las dimensiones de la calidad de los datos se miden de forma diferente en cada nivel de la jerarqu\u00eda de datos. Veamos las 10 m\u00e9tricas de calidad de datos en las que debe centrarse.","og_url":"https:\/\/dataladder.com\/es\/dimensiones-de-la-calidad-de-los-datos-10-metricas-que-debe-medir\/","og_site_name":"Data Ladder","article_publisher":"https:\/\/web.facebook.com\/DataLadderSoftware","article_published_time":"2021-12-17T05:00:00+00:00","article_modified_time":"2022-01-07T12:55:23+00:00","og_image":[{"width":1000,"height":696,"url":"https:\/\/dataladder.com\/wp-content\/uploads\/2020\/11\/Data-quality-dimensions-10-data-quality-metrics-you-should-be-measuring.jpg","type":"image\/jpeg"}],"author":"lbarrera","twitter_card":"summary_large_image","twitter_misc":{"Escrito por":"lbarrera","Tiempo de lectura":"16 minutos"},"schema":{"@context":"https:\/\/schema.org","@graph":[{"@type":"Article","@id":"https:\/\/dataladder.com\/es\/dimensiones-de-la-calidad-de-los-datos-10-metricas-que-debe-medir\/#article","isPartOf":{"@id":"https:\/\/dataladder.com\/es\/dimensiones-de-la-calidad-de-los-datos-10-metricas-que-debe-medir\/"},"author":{"name":"lbarrera","@id":"https:\/\/dataladder.com\/es\/#\/schema\/person\/6cc3d6b3c83c611546541b5eb2d1e21b"},"headline":"Dimensiones de la calidad de los datos: 10 m\u00e9tricas que debe medir","datePublished":"2021-12-17T05:00:00+00:00","dateModified":"2022-01-07T12:55:23+00:00","mainEntityOfPage":{"@id":"https:\/\/dataladder.com\/es\/dimensiones-de-la-calidad-de-los-datos-10-metricas-que-debe-medir\/"},"wordCount":3225,"publisher":{"@id":"https:\/\/dataladder.com\/es\/#organization"},"keywords":["calidad de los datos"],"articleSection":["Data quality management","Gesti\u00f3n de la calidad de los datos","Medici\u00f3n de la calidad de los datos"],"inLanguage":"es"},{"@type":"WebPage","@id":"https:\/\/dataladder.com\/es\/dimensiones-de-la-calidad-de-los-datos-10-metricas-que-debe-medir\/","url":"https:\/\/dataladder.com\/es\/dimensiones-de-la-calidad-de-los-datos-10-metricas-que-debe-medir\/","name":"Dimensiones de la calidad de los datos: 10 m\u00e9tricas que debe medir - Data Ladder","isPartOf":{"@id":"https:\/\/dataladder.com\/es\/#website"},"datePublished":"2021-12-17T05:00:00+00:00","dateModified":"2022-01-07T12:55:23+00:00","description":"Las dimensiones de la calidad de los datos se miden de forma diferente en cada nivel de la jerarqu\u00eda de datos. Veamos las 10 m\u00e9tricas de calidad de datos en las que debe centrarse.","breadcrumb":{"@id":"https:\/\/dataladder.com\/es\/dimensiones-de-la-calidad-de-los-datos-10-metricas-que-debe-medir\/#breadcrumb"},"inLanguage":"es","potentialAction":[{"@type":"ReadAction","target":["https:\/\/dataladder.com\/es\/dimensiones-de-la-calidad-de-los-datos-10-metricas-que-debe-medir\/"]}]},{"@type":"BreadcrumbList","@id":"https:\/\/dataladder.com\/es\/dimensiones-de-la-calidad-de-los-datos-10-metricas-que-debe-medir\/#breadcrumb","itemListElement":[{"@type":"ListItem","position":1,"name":"Home","item":"https:\/\/dataladder.com\/es\/"},{"@type":"ListItem","position":2,"name":"Dimensiones de la calidad de los datos: 10 m\u00e9tricas que debe medir"}]},{"@type":"WebSite","@id":"https:\/\/dataladder.com\/es\/#website","url":"https:\/\/dataladder.com\/es\/","name":"Data Ladder","description":"Enterprise Data Profiling, Cleansing, and Matching","publisher":{"@id":"https:\/\/dataladder.com\/es\/#organization"},"potentialAction":[{"@type":"SearchAction","target":{"@type":"EntryPoint","urlTemplate":"https:\/\/dataladder.com\/es\/?s={search_term_string}"},"query-input":"required name=search_term_string"}],"inLanguage":"es"},{"@type":"Organization","@id":"https:\/\/dataladder.com\/es\/#organization","name":"Data Ladder","url":"https:\/\/dataladder.com\/es\/","logo":{"@type":"ImageObject","inLanguage":"es","@id":"https:\/\/dataladder.com\/es\/#\/schema\/logo\/image\/","url":"https:\/\/dataladder.com\/wp-content\/uploads\/2018\/06\/DL-Logo-Ball-30.png","contentUrl":"https:\/\/dataladder.com\/wp-content\/uploads\/2018\/06\/DL-Logo-Ball-30.png","width":413,"height":408,"caption":"Data Ladder"},"image":{"@id":"https:\/\/dataladder.com\/es\/#\/schema\/logo\/image\/"},"sameAs":["https:\/\/www.linkedin.com\/company\/dataladder-llc\/","https:\/\/web.facebook.com\/DataLadderSoftware"]},{"@type":"Person","@id":"https:\/\/dataladder.com\/es\/#\/schema\/person\/6cc3d6b3c83c611546541b5eb2d1e21b","name":"lbarrera","image":{"@type":"ImageObject","inLanguage":"es","@id":"https:\/\/dataladder.com\/es\/#\/schema\/person\/image\/","url":"https:\/\/secure.gravatar.com\/avatar\/5198cb4dd374e7d879a15a9cf20299b3?s=96&d=mm&r=g","contentUrl":"https:\/\/secure.gravatar.com\/avatar\/5198cb4dd374e7d879a15a9cf20299b3?s=96&d=mm&r=g","caption":"lbarrera"},"url":"https:\/\/dataladder.com\/es\/author\/lbarrera\/"}]}},"modified_by":null,"_links":{"self":[{"href":"https:\/\/dataladder.com\/es\/wp-json\/wp\/v2\/posts\/62244"}],"collection":[{"href":"https:\/\/dataladder.com\/es\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/dataladder.com\/es\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/dataladder.com\/es\/wp-json\/wp\/v2\/users\/9"}],"replies":[{"embeddable":true,"href":"https:\/\/dataladder.com\/es\/wp-json\/wp\/v2\/comments?post=62244"}],"version-history":[{"count":4,"href":"https:\/\/dataladder.com\/es\/wp-json\/wp\/v2\/posts\/62244\/revisions"}],"predecessor-version":[{"id":64551,"href":"https:\/\/dataladder.com\/es\/wp-json\/wp\/v2\/posts\/62244\/revisions\/64551"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/dataladder.com\/es\/wp-json\/wp\/v2\/media\/61322"}],"wp:attachment":[{"href":"https:\/\/dataladder.com\/es\/wp-json\/wp\/v2\/media?parent=62244"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/dataladder.com\/es\/wp-json\/wp\/v2\/categories?post=62244"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/dataladder.com\/es\/wp-json\/wp\/v2\/tags?post=62244"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}} - Campo opcional<\/strong> que no tiene que ser necesariamente rellenado; por ejemplo, el campo de aficiones de un empleado.<\/li>
- Generaci\u00f3n y filtrado de perfiles de calidad de datos detallados<\/a><\/li><\/ol><\/li><\/ol>\n\n
- Consistencia<\/a><\/li>
- Linaje<\/a><\/li>
- Dimensiones intr\u00ednsecas de la calidad de los datos<\/a>