Hoy en d\u00eda, las empresas dependen en gran medida de los datos para hacer crecer sus negocios y ampliar sus objetivos y expectativas. Se est\u00e1n invirtiendo enormes esfuerzos en idear la hoja de ruta perfecta para la estrategia de datos y en utilizar la informaci\u00f3n como el activo empresarial m\u00e1s importante; aun as\u00ed, los resultados no son satisfactorios. La incapacidad de una organizaci\u00f3n para entender sus datos lo suficientemente bien y luego asignarlos correctamente a los resultados esperados es la raz\u00f3n m\u00e1s com\u00fan del fracaso de las iniciativas basadas en datos.<\/p>\n\n
Aqu\u00ed es donde la elaboraci\u00f3n de perfiles de datos desempe\u00f1a un papel importante.<\/p>\n\n
La elaboraci\u00f3n de perfiles de datos es el proceso de descubrir detalles ocultos sobre la estructura y el contenido de sus conjuntos de datos.<\/em><\/p><\/blockquote><\/figure>\n\n
El uso de estos detalles descubiertos depende de lo que se quiera conseguir con los datos. Por ejemplo, si se quiere mejorar la calidad de los datos, un perfil de datos ayuda a identificar posibles oportunidades de limpieza de datos y a evaluar el grado de mantenimiento de sus datos en relaci\u00f3n con las dimensiones de calidad de los mismos.<\/p>\n\n
Alcance de la elaboraci\u00f3n de perfiles de datos: \u00bfes s\u00f3lo una prueba de calidad de datos?<\/strong><\/h3>\n\n
La elaboraci\u00f3n de perfiles de datos se considera en la mayor\u00eda de los casos un requisito para garantizar la calidad de los datos, cuando en realidad su aplicaci\u00f3n y uso es mucho m\u00e1s que eso. La elaboraci\u00f3n de perfiles de datos es un proceso sistem\u00e1tico que implementa una serie de algoritmos que analizan y eval\u00faan los detalles emp\u00edricos de un conjunto de datos, y dan como resultado una visi\u00f3n resumida de la estructura de los datos y sus valores. Esta informaci\u00f3n se puede utilizar para cualquier fin: por ejemplo, para destacar posibles problemas de calidad de los datos, para decidir las \u00e1reas de mejora, para mapear otro perfil de datos para un proyecto de fusi\u00f3n, etc.<\/p>\n\n
Veamos algunos contextos b\u00e1sicos en los que se utiliza ampliamente el perfilado de datos:<\/p>\n\n
1. Ingenier\u00eda inversa de datos para encontrar los metadatos que faltan<\/strong><\/h4>\n\n
En muchos casos en los que se capturan datos desde hace mucho tiempo, los metadatos suelen faltar o estar incompletos. Los metadatos representan detalles sobre cada atributo de un conjunto de datos, como su:<\/p>\n\n
- Definici\u00f3n:<\/strong> prop\u00f3sito del atributo que se almacena,<\/li>
- Tipo de datos:<\/strong> el tipo de datos que puede contener; por ejemplo, cadena, n\u00famero, fecha, etc,<\/li>
- Tama\u00f1o:<\/strong> el n\u00famero m\u00e1ximo o m\u00ednimo de caracteres que puede contener,<\/li>
- Dominio: <\/strong>el espacio del que deriva sus valores; por ejemplo, los valores de la columna Pa\u00eds s\u00f3lo pueden derivarse de una lista de pa\u00edses reales existentes en el mundo.<\/li><\/ul>\n\n
En ausencia de esta informaci\u00f3n, los valores de un atributo se someten a ingenier\u00eda inversa -analizada y resumida- para descubrir los metadatos que faltan, de modo que puedan utilizarse para otras actividades como la construcci\u00f3n del modelo de datos de la empresa, la planificaci\u00f3n de las migraciones de datos, la renovaci\u00f3n de los procesos empresariales, etc.<\/p>\n\n
2. Analizar las anomal\u00edas<\/strong><\/h4>\n\n
Antes de poder utilizar los datos para cualquier fin, hay que confirmar que est\u00e1n libres de anomal\u00edas, ya que de lo contrario se producir\u00eda un sesgo en los resultados analizados. La elaboraci\u00f3n de perfiles de datos ayuda a analizar estad\u00edsticamente un conjunto de datos y a identificar una serie de valores que se encuentran dentro del rango aceptable, as\u00ed como a detectar cualquier valor at\u00edpico que pueda estar presente. El an\u00e1lisis estad\u00edstico de un conjunto de datos examina las distribuciones de frecuencias, los valores variantes, el porcentaje de valores ausentes, as\u00ed como las relaciones entre las columnas del mismo y de diferentes conjuntos de datos.<\/p>\n\n
3. Descubrir las reglas impl\u00edcitas de los datos<\/strong><\/h4>\n\n
En la forma en que se capturan, almacenan y manipulan los datos, se aplica una biblioteca de reglas de datos para garantizar el cumplimiento de las normas de datos<\/a>. A veces estas reglas son bastante obvias e intencionadas, pero otras veces, estas reglas pueden ser completamente involuntarias e impl\u00edcitas dentro de la l\u00f3gica y los procesos de una empresa.<\/p>\n\n
Ejemplos de estas reglas son las restricciones de integridad o las dependencias relacionales entre atributos. Un perfil de datos puede ayudarle a extraer las reglas ocultas para que puedan integrarse intencionadamente en el ciclo de vida de los datos.<\/p>\n\n
Tres niveles de perfilado de datos<\/strong><\/h3>\n\n
El proceso de elaboraci\u00f3n de perfiles de datos se desarrolla en tres niveles. Dependiendo de c\u00f3mo se necesite utilizar la salida de perfiles, se puede ejecutar el perfilado en uno solo o en una combinaci\u00f3n de niveles. La complejidad de los c\u00e1lculos aumenta a medida que aumenta el nivel (m\u00e1s sobre esto en la siguiente secci\u00f3n).<\/p>\n\n
En el primer y primer nivel, se analiza una sola columna ejecutando diversas t\u00e9cnicas estad\u00edsticas. En el siguiente nivel, tiene lugar el an\u00e1lisis de las relaciones entre m\u00faltiples columnas dentro del mismo conjunto de datos. Y por \u00faltimo, en el tercer nivel, se analizan las relaciones que existen entre las columnas de diferentes conjuntos de datos o tablas.<\/p>\n\n
Veamos cada nivel con m\u00e1s detalle.<\/p>\n\n
1. Perfil de la columna<\/strong><\/h4>\n\n
La creaci\u00f3n de perfiles de columna eval\u00faa las diferentes caracter\u00edsticas que representan los valores de una columna y proporciona informaci\u00f3n sobre su estructura, tanto en t\u00e9rminos de metadatos como de contenido. Al perfilar una columna, se realizan an\u00e1lisis de frecuencia, estad\u00edsticos y descriptivos.<\/p>\n\n
a. An\u00e1lisis de la frecuencia<\/strong><\/h5>\n\n
Se trata de una serie de t\u00e9cnicas relacionadas con el recuento y la distribuci\u00f3n de valores en una columna, como por ejemplo<\/p>\n\n
- An\u00e1lisis de rangos:<\/strong> eval\u00faa si los valores de una columna pueden someterse a una ordenaci\u00f3n y si existe un rango bien definido (valores m\u00ednimos y m\u00e1ximos) dentro del cual se pueden asignar todos los valores.<\/li>
- An\u00e1lisis nulo:<\/strong> registra el porcentaje de valores que son nulos (vac\u00edos) en la columna.<\/li>
- An\u00e1lisis del recuento de valores distintos:<\/strong> cuenta el n\u00famero de valores distintos que aparecen en la columna.<\/li>
- An\u00e1lisis de la distribuci\u00f3n de valores:<\/strong> eval\u00faa c\u00f3mo se distribuyen los valores de una columna dentro del rango definido.<\/li>
- An\u00e1lisis de unicidad:<\/strong> etiqueta si un valor de una columna aparece una sola vez (es \u00fanico) o no.<\/li><\/ol>\n\n
b. An\u00e1lisis estad\u00edstico<\/strong><\/h5>\n\n
Este an\u00e1lisis suele realizarse para las columnas num\u00e9ricas o las relacionadas con las marcas de tiempo. Ofrece una visi\u00f3n agregada o resumida de la columna, como por ejemplo<\/p>\n\n
- Valor m\u00ednimo\/m\u00e1ximo: <\/strong>identifica el valor m\u00ednimo y m\u00e1ximo de la columna ordenando todos los valores.<\/li>
- Media: <\/strong>calcula el valor medio de la columna.<\/li>
- Mediana: <\/strong>selecciona el valor medio del conjunto de columnas ordenadas.<\/li>
- Desviaci\u00f3n est\u00e1ndar: <\/strong>calcula la variaci\u00f3n presente en el conjunto de valores de la columna.<\/li><\/ol>\n\n
c. An\u00e1lisis descriptivo<\/strong><\/h5>\n\n
Por \u00faltimo, el an\u00e1lisis descriptivo profundiza en el contenido de la columna, en lugar de centrarse en su estructura y distribuci\u00f3n. Se trata de:<\/p>\n\n
- An\u00e1lisis del tipo de datos: <\/strong>determina el tipo de datos y el tama\u00f1o m\u00e1ximo de la cuenta de caracteres que contiene; por ejemplo, cadena, n\u00famero, fecha, etc.<\/li>
- An\u00e1lisis del tipo de datos personalizado:<\/strong> analiza sem\u00e1nticamente los valores para ver si existe un tipo de datos abstracto o personalizado para la columna; por ejemplo, Direcci\u00f3n, o N\u00famero de tel\u00e9fono, etc.<\/li>
- An\u00e1lisis de patrones:<\/strong> descubre patrones o formatos ocultos utilizados en los valores de las columnas.<\/li>
- An\u00e1lisis del dominio:<\/strong> delimita el espacio del que se derivan los valores de la columna; por ejemplo, los valores de la columna Pa\u00eds s\u00f3lo pueden derivarse de una lista de pa\u00edses reales existentes en el mundo.<\/li><\/ol>\n\n
2. Perfiles de columnas cruzadas<\/strong><\/h4>\n\n
Este tipo de an\u00e1lisis identifica las dependencias o relaciones presentes entre varias columnas. Al tratarse de una mayor cantidad de datos, requiere m\u00e1s recursos.<\/p>\n\n
a. An\u00e1lisis de claves primarias<\/strong><\/h5>\n\n
Una clave primaria identifica de forma exclusiva cada entidad presente en un conjunto de datos. Por ejemplo, una columna N\u00famero de la Seguridad Social para un conjunto de datos de clientes identifica de forma exclusiva a cada cliente; de forma similar, la columna N\u00famero de fabricante del producto para el conjunto de datos de productos identifica de forma exclusiva a cada producto, y as\u00ed sucesivamente.<\/p>\n\n
A menudo, los conjuntos de datos no contienen estos atributos de identificaci\u00f3n \u00fanica o est\u00e1n presentes, pero faltan la mayor\u00eda de sus valores. En estos casos, se selecciona una combinaci\u00f3n de columnas y se examinan sus valores para determinar posibles claves primarias que identifiquen de forma exclusiva cada registro.<\/p>\n\n
b. An\u00e1lisis de la dependencia<\/strong><\/h5>\n\n
Este tipo de an\u00e1lisis identifica las dependencias funcionales entre m\u00faltiples columnas. Estas relaciones suelen estar integradas en el contenido de los atributos. Por ejemplo, hay una relaci\u00f3n entre las dos columnas Ciudad y Pa\u00eds. Si dos filas de un conjunto de datos tienen la misma ciudad, sus valores correspondientes de pa\u00eds tambi\u00e9n deben ser iguales.<\/p>\n\n
Este tipo de perfil de datos le ayuda a documentar todas las relaciones presentes en su conjunto de datos, ya sean gen\u00e9ricas o espec\u00edficas de sus procesos organizativos.<\/p>\n\n
3. Perfiles cruzados<\/strong><\/h4>\n\n
El \u00faltimo nivel de perfilado de datos es el m\u00e1s complejo desde el punto de vista computacional, ya que implica el an\u00e1lisis de m\u00faltiples columnas en varias tablas. Esto se hace para determinar las relaciones que pueden existir entre las tablas, as\u00ed como la forma en que se mantienen estas relaciones. Incluye las siguientes t\u00e9cnicas:<\/p>\n\n
a. An\u00e1lisis de claves extranjeras<\/strong><\/h5>\n\n
Durante la creaci\u00f3n de perfiles entre tablas, se analizan las claves externas para comprender c\u00f3mo una columna de una tabla relaciona sus registros con otra tabla<\/a>. Por ejemplo, una empresa puede guardar la informaci\u00f3n personal de sus empleados en una tabla, y sus datos laborales en otra tabla. Por lo tanto, en la tabla de empleados debe haber una clave for\u00e1nea que relacione el rol de trabajo de cada individuo con la lista de roles de trabajo disponibles y otra informaci\u00f3n relacionada, como el departamento, los detalles de compensaci\u00f3n, etc.<\/p>\n\n
b. An\u00e1lisis de registros hu\u00e9rfanos<\/strong><\/h5>\n\n
Este an\u00e1lisis examina si se est\u00e1 violando una relaci\u00f3n de clave extranjera. Ampliando el ejemplo anterior, la violaci\u00f3n puede ocurrir cuando el registro personal de un empleado identifica su rol de empleo utilizando una clave for\u00e1nea que no est\u00e1 presente en la tabla de roles de empleo.<\/p>\n\n
Durante la elaboraci\u00f3n de perfiles cruzados, se determinan todos esos registros hu\u00e9rfanos para poder actualizar y completar los datos que faltan.<\/p>\n\n
c. Columnas duplicadas<\/strong><\/h5>\n\n
Muchas veces, la misma informaci\u00f3n se almacena en varias columnas en varias tablas. Tambi\u00e9n se puede almacenar informaci\u00f3n diferente en varias columnas con el mismo nombre. Estas similitudes\/diferencias se analizan en columnas a trav\u00e9s de las tablas evaluando los valores de las columnas y sus intersecciones.<\/p>\n\n
Desaf\u00edos encontrados durante la elaboraci\u00f3n de perfiles de datos<\/strong><\/h3>\n\n
Si bien la elaboraci\u00f3n de perfiles de datos es una consideraci\u00f3n importante en cualquier iniciativa centrada en los datos, podr\u00eda irse f\u00e1cilmente de las manos en funci\u00f3n del alcance y la magnitud del proceso de an\u00e1lisis. A continuaci\u00f3n se exponen algunos de los retos m\u00e1s comunes que se encuentran durante la elaboraci\u00f3n de perfiles de datos:<\/p>\n\n
1. Rendimiento del sistema<\/strong><\/h4>\n\n
El proceso de creaci\u00f3n de perfiles de datos es intensivo desde el punto de vista computacional, ya que implica una gran cantidad de comparaciones de columnas, tanto dentro de las tablas como entre ellas. Esto requiere un gran n\u00famero de recursos computacionales, como memoria y espacio en disco, as\u00ed como m\u00e1s tiempo para completar y construir los resultados de salida. Por ello, emplear un sistema que pueda soportar c\u00e1lculos complejos es un serio desaf\u00edo.<\/p>\n\n
2. Limitaci\u00f3n del alcance de los resultados<\/strong><\/h4>\n\n
Dado que los informes de los perfiles de datos se generan resumiendo y agregando los valores de los datos, debe haber un umbral que defina el nivel de resumen que debe aplicarse. Esto ayuda a obtener resultados m\u00e1s significativos y enfocados.<\/p>\n\n
Por ejemplo, es posible que no quiera conocer los valores que s\u00f3lo aparecieron una o dos veces en una columna, pero si apareci\u00f3 m\u00e1s de diez veces, podr\u00eda a\u00f1adir valor a la integraci\u00f3n y, por tanto, deber\u00eda incluirse. Por lo tanto, la capacidad de limitar o condicionar lo que entra y lo que no entra en el informe final del perfil es una decisi\u00f3n dif\u00edcil de tomar.<\/p>\n\n
3. Obtenci\u00f3n de valor a partir de los informes perfilados<\/strong><\/h4>\n\n
El an\u00e1lisis de conjuntos de datos para comprender su estructura y formaci\u00f3n de contenidos es s\u00f3lo una parte de la historia. Los perfiles de datos generados deben ser analizados para comprender la siguiente l\u00ednea de acci\u00f3n. Deben participar profesionales de los datos con experiencia que puedan examinar los informes y explicar por qu\u00e9 los datos son como son, y qu\u00e9 se puede hacer para transformarlos seg\u00fan sea necesario.<\/p>\n\n
4. Herramientas de perfilado de datos de autoservicio<\/strong><\/h4>\n\n
Teniendo en cuenta la complejidad computacional que puede alcanzar la elaboraci\u00f3n de perfiles de datos, es un proceso que normalmente se espera que realicen profesionales expertos en tecnolog\u00eda o datos. La falta de disponibilidad de herramientas de software de perfilado de datos<\/a> en r\u00e9gimen de autoservicio es un reto habitual.<\/p>\n\n
Una herramienta de perfilado de datos de autoservicio 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. DataMatch Enterprise<\/a> de Data Ladder es una soluci\u00f3n de calidad de datos totalmente potenciada que ofrece la elaboraci\u00f3n de perfiles de datos como el primero de muchos pasos para corregir, optimizar y refinar sus datos.<\/p>\n\n
Para 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 <\/a>hoy mismo o concierte una demostraci\u00f3n<\/a> con uno de nuestros expertos.<\/p>\n","protected":false},"excerpt":{"rendered":"
Hoy en d\u00eda, las empresas dependen en gran medida de los datos para hacer crecer sus negocios y ampliar sus objetivos y expectativas. Se est\u00e1n invirtiendo enormes esfuerzos en idear la hoja de ruta perfecta para la estrategia de datos y en utilizar la informaci\u00f3n como el activo empresarial m\u00e1s importante; aun as\u00ed, los resultados […]<\/p>\n","protected":false},"author":9,"featured_media":61328,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"_lmt_disableupdate":"","_lmt_disable":"","_links_to":"","_links_to_target":""},"categories":[],"tags":[],"acf":[],"yoast_head":"\n
Qu\u00e9 es la elaboraci\u00f3n de perfiles de datos: Alcance, t\u00e9cnicas y desaf\u00edos - Data Ladder<\/title>\n<meta name=\"description\" content=\"La elaboraci\u00f3n de perfiles de datos es el proceso de descubrir detalles ocultos sobre la estructura y el contenido de sus conjuntos de datos.\" \/>\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\/que-es-la-elaboracion-de-perfiles-de-datos-alcance-tecnicas-y-desafios\/\" \/>\n<meta property=\"og:locale\" content=\"es_ES\" \/>\n<meta property=\"og:type\" content=\"article\" \/>\n<meta property=\"og:title\" content=\"Qu\u00e9 es la elaboraci\u00f3n de perfiles de datos: Alcance, t\u00e9cnicas y desaf\u00edos - Data Ladder\" \/>\n<meta property=\"og:description\" content=\"La elaboraci\u00f3n de perfiles de datos es el proceso de descubrir detalles ocultos sobre la estructura y el contenido de sus conjuntos de datos.\" \/>\n<meta property=\"og:url\" content=\"https:\/\/dataladder.com\/es\/que-es-la-elaboracion-de-perfiles-de-datos-alcance-tecnicas-y-desafios\/\" \/>\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=\"2021-11-22T11:25:57+00:00\" \/>\n<meta property=\"article:modified_time\" content=\"2021-12-22T10:56:02+00:00\" \/>\n<meta property=\"og:image\" content=\"https:\/\/dataladder.com\/wp-content\/uploads\/2021\/11\/What-is-data-profiling-Scope-techniques-and-challenges.jpg\" \/>\n\t<meta property=\"og:image:width\" content=\"1000\" \/>\n\t<meta property=\"og:image:height\" content=\"667\" \/>\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=\"12 minutos\" \/>\n<script type=\"application\/ld+json\" class=\"yoast-schema-graph\">{\"@context\":\"https:\/\/schema.org\",\"@graph\":[{\"@type\":\"Article\",\"@id\":\"https:\/\/dataladder.com\/es\/que-es-la-elaboracion-de-perfiles-de-datos-alcance-tecnicas-y-desafios\/#article\",\"isPartOf\":{\"@id\":\"https:\/\/dataladder.com\/es\/que-es-la-elaboracion-de-perfiles-de-datos-alcance-tecnicas-y-desafios\/\"},\"author\":{\"name\":\"lbarrera\",\"@id\":\"https:\/\/dataladder.com\/es\/#\/schema\/person\/6cc3d6b3c83c611546541b5eb2d1e21b\"},\"headline\":\"Qu\u00e9 es la elaboraci\u00f3n de perfiles de datos: Alcance, t\u00e9cnicas y desaf\u00edos\",\"datePublished\":\"2021-11-22T11:25:57+00:00\",\"dateModified\":\"2021-12-22T10:56:02+00:00\",\"mainEntityOfPage\":{\"@id\":\"https:\/\/dataladder.com\/es\/que-es-la-elaboracion-de-perfiles-de-datos-alcance-tecnicas-y-desafios\/\"},\"wordCount\":2476,\"commentCount\":0,\"publisher\":{\"@id\":\"https:\/\/dataladder.com\/es\/#organization\"},\"inLanguage\":\"es\",\"potentialAction\":[{\"@type\":\"CommentAction\",\"name\":\"Comment\",\"target\":[\"https:\/\/dataladder.com\/es\/que-es-la-elaboracion-de-perfiles-de-datos-alcance-tecnicas-y-desafios\/#respond\"]}]},{\"@type\":\"WebPage\",\"@id\":\"https:\/\/dataladder.com\/es\/que-es-la-elaboracion-de-perfiles-de-datos-alcance-tecnicas-y-desafios\/\",\"url\":\"https:\/\/dataladder.com\/es\/que-es-la-elaboracion-de-perfiles-de-datos-alcance-tecnicas-y-desafios\/\",\"name\":\"Qu\u00e9 es la elaboraci\u00f3n de perfiles de datos: Alcance, t\u00e9cnicas y desaf\u00edos - Data Ladder\",\"isPartOf\":{\"@id\":\"https:\/\/dataladder.com\/es\/#website\"},\"datePublished\":\"2021-11-22T11:25:57+00:00\",\"dateModified\":\"2021-12-22T10:56:02+00:00\",\"description\":\"La elaboraci\u00f3n de perfiles de datos es el proceso de descubrir detalles ocultos sobre la estructura y el contenido de sus conjuntos de datos.\",\"breadcrumb\":{\"@id\":\"https:\/\/dataladder.com\/es\/que-es-la-elaboracion-de-perfiles-de-datos-alcance-tecnicas-y-desafios\/#breadcrumb\"},\"inLanguage\":\"es\",\"potentialAction\":[{\"@type\":\"ReadAction\",\"target\":[\"https:\/\/dataladder.com\/es\/que-es-la-elaboracion-de-perfiles-de-datos-alcance-tecnicas-y-desafios\/\"]}]},{\"@type\":\"BreadcrumbList\",\"@id\":\"https:\/\/dataladder.com\/es\/que-es-la-elaboracion-de-perfiles-de-datos-alcance-tecnicas-y-desafios\/#breadcrumb\",\"itemListElement\":[{\"@type\":\"ListItem\",\"position\":1,\"name\":\"Home\",\"item\":\"https:\/\/dataladder.com\/es\/\"},{\"@type\":\"ListItem\",\"position\":2,\"name\":\"Qu\u00e9 es la elaboraci\u00f3n de perfiles de datos: Alcance, t\u00e9cnicas y desaf\u00edos\"}]},{\"@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":"Qu\u00e9 es la elaboraci\u00f3n de perfiles de datos: Alcance, t\u00e9cnicas y desaf\u00edos - Data Ladder","description":"La elaboraci\u00f3n de perfiles de datos es el proceso de descubrir detalles ocultos sobre la estructura y el contenido de sus conjuntos de datos.","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\/que-es-la-elaboracion-de-perfiles-de-datos-alcance-tecnicas-y-desafios\/","og_locale":"es_ES","og_type":"article","og_title":"Qu\u00e9 es la elaboraci\u00f3n de perfiles de datos: Alcance, t\u00e9cnicas y desaf\u00edos - Data Ladder","og_description":"La elaboraci\u00f3n de perfiles de datos es el proceso de descubrir detalles ocultos sobre la estructura y el contenido de sus conjuntos de datos.","og_url":"https:\/\/dataladder.com\/es\/que-es-la-elaboracion-de-perfiles-de-datos-alcance-tecnicas-y-desafios\/","og_site_name":"Data Ladder","article_publisher":"https:\/\/web.facebook.com\/DataLadderSoftware","article_published_time":"2021-11-22T11:25:57+00:00","article_modified_time":"2021-12-22T10:56:02+00:00","og_image":[{"width":1000,"height":667,"url":"https:\/\/dataladder.com\/wp-content\/uploads\/2021\/11\/What-is-data-profiling-Scope-techniques-and-challenges.jpg","type":"image\/jpeg"}],"author":"lbarrera","twitter_card":"summary_large_image","twitter_misc":{"Escrito por":"lbarrera","Tiempo de lectura":"12 minutos"},"schema":{"@context":"https:\/\/schema.org","@graph":[{"@type":"Article","@id":"https:\/\/dataladder.com\/es\/que-es-la-elaboracion-de-perfiles-de-datos-alcance-tecnicas-y-desafios\/#article","isPartOf":{"@id":"https:\/\/dataladder.com\/es\/que-es-la-elaboracion-de-perfiles-de-datos-alcance-tecnicas-y-desafios\/"},"author":{"name":"lbarrera","@id":"https:\/\/dataladder.com\/es\/#\/schema\/person\/6cc3d6b3c83c611546541b5eb2d1e21b"},"headline":"Qu\u00e9 es la elaboraci\u00f3n de perfiles de datos: Alcance, t\u00e9cnicas y desaf\u00edos","datePublished":"2021-11-22T11:25:57+00:00","dateModified":"2021-12-22T10:56:02+00:00","mainEntityOfPage":{"@id":"https:\/\/dataladder.com\/es\/que-es-la-elaboracion-de-perfiles-de-datos-alcance-tecnicas-y-desafios\/"},"wordCount":2476,"commentCount":0,"publisher":{"@id":"https:\/\/dataladder.com\/es\/#organization"},"inLanguage":"es","potentialAction":[{"@type":"CommentAction","name":"Comment","target":["https:\/\/dataladder.com\/es\/que-es-la-elaboracion-de-perfiles-de-datos-alcance-tecnicas-y-desafios\/#respond"]}]},{"@type":"WebPage","@id":"https:\/\/dataladder.com\/es\/que-es-la-elaboracion-de-perfiles-de-datos-alcance-tecnicas-y-desafios\/","url":"https:\/\/dataladder.com\/es\/que-es-la-elaboracion-de-perfiles-de-datos-alcance-tecnicas-y-desafios\/","name":"Qu\u00e9 es la elaboraci\u00f3n de perfiles de datos: Alcance, t\u00e9cnicas y desaf\u00edos - Data Ladder","isPartOf":{"@id":"https:\/\/dataladder.com\/es\/#website"},"datePublished":"2021-11-22T11:25:57+00:00","dateModified":"2021-12-22T10:56:02+00:00","description":"La elaboraci\u00f3n de perfiles de datos es el proceso de descubrir detalles ocultos sobre la estructura y el contenido de sus conjuntos de datos.","breadcrumb":{"@id":"https:\/\/dataladder.com\/es\/que-es-la-elaboracion-de-perfiles-de-datos-alcance-tecnicas-y-desafios\/#breadcrumb"},"inLanguage":"es","potentialAction":[{"@type":"ReadAction","target":["https:\/\/dataladder.com\/es\/que-es-la-elaboracion-de-perfiles-de-datos-alcance-tecnicas-y-desafios\/"]}]},{"@type":"BreadcrumbList","@id":"https:\/\/dataladder.com\/es\/que-es-la-elaboracion-de-perfiles-de-datos-alcance-tecnicas-y-desafios\/#breadcrumb","itemListElement":[{"@type":"ListItem","position":1,"name":"Home","item":"https:\/\/dataladder.com\/es\/"},{"@type":"ListItem","position":2,"name":"Qu\u00e9 es la elaboraci\u00f3n de perfiles de datos: Alcance, t\u00e9cnicas y desaf\u00edos"}]},{"@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\/62247"}],"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=62247"}],"version-history":[{"count":1,"href":"https:\/\/dataladder.com\/es\/wp-json\/wp\/v2\/posts\/62247\/revisions"}],"predecessor-version":[{"id":62248,"href":"https:\/\/dataladder.com\/es\/wp-json\/wp\/v2\/posts\/62247\/revisions\/62248"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/dataladder.com\/es\/wp-json\/wp\/v2\/media\/61328"}],"wp:attachment":[{"href":"https:\/\/dataladder.com\/es\/wp-json\/wp\/v2\/media?parent=62247"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/dataladder.com\/es\/wp-json\/wp\/v2\/categories?post=62247"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/dataladder.com\/es\/wp-json\/wp\/v2\/tags?post=62247"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}