\u00bfQu\u00e9 significa que falten datos?<\/h2>\n
Los datos que faltan se refieren a las filas o columnas que tienen valores nulos, en blanco o incompletos.<\/p>\n
Ejemplos:<\/p>\n
- \n
- Faltan apellidos, n\u00fameros de tel\u00e9fono y direcciones de correo electr\u00f3nico en un CRM<\/li>\n
- Edad y a\u00f1os de empleo perdidos en un conjunto de datos observacionales<\/li>\n
- Faltan cifras de ingresos de los empleados en los datos de la organizaci\u00f3n<\/li>\n<\/ul>\n
Las causas de la falta de datos son muchas, pero pueden resumirse en tres motivos comunes:<\/p>\n
- \n
- La falta de voluntad de las personas para proporcionar informaci\u00f3n (como cifras de ingresos, orientaci\u00f3n sexual, etc.)<\/li>\n
- Errores de entrada de datos que son el resultado de normas de datos deficientes (formularios web que no tienen campos obligatorios)<\/li>\n
- Campos que no son relevantes para el p\u00fablico objetivo (por ejemplo, una columna que requiera el nombre de la empresa se dejar\u00e1 vac\u00eda si la mayor\u00eda de los encuestados son jubilados)<\/li>\n
- Para los investigadores que realizan estudios longitudinales, las tasas de deserci\u00f3n (los participantes que abandonan el estudio) son tambi\u00e9n una de las principales causas de la falta de datos.<\/li>\n<\/ul>\n
En los modelos de investigaci\u00f3n estad\u00edstica, estas causas dan lugar a cuatro tipos de datos que faltan y que los investigadores deben identificar antes de intentar corregirlos. Aunque la estad\u00edstica de los tipos de datos que faltan no entra en el \u00e1mbito de este art\u00edculo, le dar\u00e9 un repaso b\u00e1sico.<\/p>\n
\nNota: <\/em>
\n<\/strong>Para quienes est\u00e9n interesados en conocer m\u00e1s a fondo los tipos de datos que faltan en la investigaci\u00f3n sanitaria y en los estudios longitudinales, el art\u00edculo \u00abStrategies for handling missing data in longitudinal studies\u00bb (Estrategias para tratar los datos que faltan en los estudios longitudinales <\/a>), del Journal of Statistical Computation and Simulation, es un gran recurso para profundizar. <\/em><\/p>\nTipos de datos perdidos:<\/h2>\n
En la investigaci\u00f3n estad\u00edstica, los datos que faltan se clasifican en cuatro tipos:<\/p>\n
Estructural: <\/strong>Datos que faltan porque l\u00f3gicamente no deber\u00edan existir.<\/p>\n
![\"missing](\"https:\/\/dataladder.com\/wp-content\/uploads\/2020\/10\/datacompletenessexample1-1.png\")
<\/p>\nEjemplo:<\/strong> Las personas que no tienen hijos dejan la columna [No .of Children] vac\u00eda. Estas personas pueden ser excluidas estructuralmente de la conclusi\u00f3n sin que ello repercuta en el resultado de un estudio porque, l\u00f3gicamente, no necesitan rellenar ese campo.<\/p>\n
Falta completamente al azar (MCAR): <\/strong>Las columnas con datos faltantes no tienen una interdependencia.<\/p>\n
![\"Missing](\"https:\/\/dataladder.com\/wp-content\/uploads\/2020\/10\/datacompletenessexample2.png\")
<\/p>\nEjemplo<\/strong>: los valores de edad que faltan no est\u00e1n relacionados con las puntuaciones del GPA de un estudiante en un estudio que mide el rendimiento acad\u00e9mico de los estudiantes de K-12. Los investigadores pueden asumir una edad media (por ejemplo, de 16 a 18 a\u00f1os para el K-12) y seguir adelante con la conclusi\u00f3n de un informe sin que ello afecte a su credibilidad.<\/p>\n
Faltas al azar (MAR): <\/strong>A diferencia del MCAR, en el que no hay conexi\u00f3n entre los valores perdidos y el sujeto de estudio, el MAR nos permite predecir un patr\u00f3n utilizando otra informaci\u00f3n sobre la persona.<\/p>\n
![\"Missing](\"https:\/\/dataladder.com\/wp-content\/uploads\/2020\/10\/datacompletenessexample3.png\")
<\/p>\nEjemplo:<\/strong> Refiri\u00e9ndonos al ejemplo anterior, la edad no est\u00e1 relacionada con las puntuaciones del GPA, pero s\u00ed influye en el empleo. Los investigadores pueden concluir que los estudiantes de m\u00e1s de 14 a\u00f1os pueden tener resultados acad\u00e9micos m\u00e1s bajos debido a un trabajo a tiempo parcial que afecta a sus horas de estudio y a su capacidad mental.<\/p>\n
Falta no aleatoria (MNAR): <\/strong>Un poco confuso, el MNAR se refiere a los datos que faltan a prop\u00f3sito, es decir, las personas que se niegan a responder. Por ejemplo, en el estudio anterior, la mayor\u00eda de los j\u00f3venes de 14 a\u00f1os *puede* negarse a cumplir sus horas de trabajo reales. Los datos MNAR son muy problem\u00e1ticos porque no se puede concluir o asumir una raz\u00f3n espec\u00edfica y tampoco se pueden utilizar los m\u00e9todos est\u00e1ndar de manejo de datos faltantes para extraer una respuesta concluyente.<\/p>\n
En el mundo empresarial, la naturaleza de los datos ausentes o incompletos es diferente. Si bien no tiene que lidiar con problemas de MAR, MNAR, s\u00ed tiene que lidiar con la falta de informaci\u00f3n de contacto<\/strong><\/em> (n\u00fameros de tel\u00e9fono, apellidos, correos electr\u00f3nicos, direcciones, c\u00f3digos postales, etc.).<\/p>\n
\u00bfC\u00f3mo se identifican los datos que faltan?<\/h2>\n
Los investigadores que trabajan con programas estad\u00edsticos como SAS, SPSS o Stata tienen que utilizar procedimientos estad\u00edsticos manuales para identificar, eliminar y sustituir los valores perdidos. Pero hay un problema.<\/p>\n
La mayor\u00eda de estos programas eliminan autom\u00e1ticamente los valores perdidos de cualquier an\u00e1lisis que se realice, por lo que las diferentes variables tienen diferentes cantidades de datos perdidos. Por lo tanto, los investigadores tienen que comprobar si hay datos que faltan en un conjunto de datos antes de<\/strong> decidir qu\u00e9 eliminar. Este proceso es manual y exige un conocimiento espec\u00edfico de la plataforma, adem\u00e1s de dominar Python, el lenguaje utilizado para codificar los algoritmos de detecci\u00f3n de datos perdidos.<\/p>\n
La determinaci\u00f3n de los datos que faltan es s\u00f3lo el primer paso del problema. Tendr\u00e1 que realizar una codificaci\u00f3n adicional para reemplazar los valores perdidos con imputaciones (es decir, utilizar la media, la mediana para reemplazar los valores perdidos). Tendr\u00e1 que emparejar manualmente las columnas, escribir los c\u00f3digos y seguir reiterando el proceso hasta alcanzar el resultado deseado. En una \u00e9poca en la que la rapidez es la norma, no puede permitirse pasar meses identificando los valores que faltan y resolvi\u00e9ndolos.<\/p>\n
El mismo problema es aplicable tambi\u00e9n a los entornos empresariales. Los CRM deb\u00edan aligerar la carga de la gesti\u00f3n de datos, pero los problemas de falta de datos siguen siendo un reto importante. Los usuarios tienen que identificar manualmente los valores que faltan y limpiarlos exportando los datos a un formato XLS para hacer cambios en bloque. Si s\u00f3lo falta informaci\u00f3n b\u00e1sica de contacto, puede arreglarse con Excel, pero \u00bfqu\u00e9 pasa si la naturaleza de los datos que faltan va m\u00e1s all\u00e1 de la informaci\u00f3n de contacto? \u00bfY si se trata de datos firmogr\u00e1ficos o psicogr\u00e1ficos?<\/p>\n
C\u00f3mo se descubren nombres de empresas incompletos (como BOSE [a brand] vs BOSE Corporation [a company]). No es tan f\u00e1cil hacerlo manualmente.<\/p>\n
La pregunta m\u00e1s importante que hay que responder es c\u00f3mo limitar los problemas de falta de datos y garantizar la integridad de los mismos.<\/p>\n
\u00bfQu\u00e9 es la integridad de los datos y c\u00f3mo se mide?<\/h2>\n
En el marco de la calidad de los datos, la integridad de los datos se refiere al grado de disponibilidad de todos los datos de un conjunto de datos. Una medida de la integridad de los datos es el porcentaje de entradas de datos que faltan. <\/strong><\/em><\/p>\n
Por ejemplo, una columna de 500 con 100 campos perdidos tiene un grado de integridad del 80%. Dependiendo de su negocio, un 20% de entradas perdidas puede traducirse en la p\u00e9rdida de cientos de miles de d\u00f3lares en clientes potenciales y clientes potenciales. <\/strong><\/p>\n
Dicho esto, la exhaustividad de los datos no consiste en garantizar que el 100% de los campos est\u00e9n completos. Se trata de determinar qu\u00e9 elementos de informaci\u00f3n son cr\u00edticos y cu\u00e1les son opcionales. Por ejemplo, seguro que necesita n\u00fameros de tel\u00e9fono, pero puede que no necesite n\u00fameros de fax.<\/p>\n
La exhaustividad indica el nivel de informaci\u00f3n y conocimiento que tiene sobre su cliente y la precisi\u00f3n de esta informaci\u00f3n. Por ejemplo, en los datos de contacto, los ni\u00f1os y los ancianos pueden no tener direcciones de correo electr\u00f3nico o algunos contactos pueden no tener n\u00fameros de tel\u00e9fono fijo o de trabajo.<\/p>\n
La exhaustividad de los datos, por tanto, no implica que todos los atributos de los datos deban estar presentes o rellenados, sino que habr\u00e1 que clasificar y elegir qu\u00e9 conjuntos de datos son importantes de conservar y cu\u00e1les pueden ser ignorados. <\/strong><\/p>\n
\u00bfC\u00f3mo se eval\u00faa la integridad de los datos?<\/h2>\n
Tradicionalmente, en el almac\u00e9n de datos, la integridad de los datos se eval\u00faa mediante pruebas ETL que utilizan funciones agregadas como (suma, m\u00e1ximo, m\u00ednimo, recuento)<\/strong> para evaluar la integridad media de una columna o registro. Adem\u00e1s, la validaci\u00f3n del perfil de datos tambi\u00e9n se realiza mediante instrucciones manuales utilizando comandos como:<\/p>\n
![\"\"](\"https:\/\/dataladder.com\/wp-content\/uploads\/2020\/10\/functionsformissingdata.png\")
<\/p>\npara comparar valores distintos y el recuento de filas para cada valor distinto. Sin embargo, antes de ejecutar los comandos, el usuario deber\u00e1 determinar el tipo de incompletud con el que se enfrenta y establecer el tipo de problema de calidad de los datos que los afecta. Por ejemplo, si a todos los n\u00fameros de tel\u00e9fono les faltan los c\u00f3digos de las ciudades, podr\u00eda tratarse de un problema de calidad de datos en el nivel de entrada. Si m\u00e1s del 50% de la audiencia no da respuesta a un problema concreto, puede tratarse de un problema MNAR (missing not at random).<\/p>\n
Todo esto es genial. Pero hay un paso importante que todos los usuarios pasan por alto:<\/p>\n
No se puede limpiar, eliminar o sustituir los valores que faltan si no se sabe qu\u00e9 falta y qu\u00e9 porcentaje de estos datos faltantes es tolerable.<\/p>\n
Y esto se hace mediante la elaboraci\u00f3n de perfiles de datos.<\/p>\n
Perfiles de datos – El primer paso para comprobar la integridad de los datos e identificar los valores perdidos a nivel de atributos<\/h2>\n
La elaboraci\u00f3n de perfiles de datos es el proceso de evaluaci\u00f3n de su conjunto de datos para identificar una serie de problemas, entre ellos:<\/p>\n
- \n
- Valores y registros perdidos<\/li>\n
- Errores en los datos, como las erratas<\/li>\n
- Anomal\u00edas a nivel de atributos (uso de signos de puntuaci\u00f3n o espacios negativos en los campos)<\/li>\n
- Problemas de estandarizaci\u00f3n (incoherencia en los formatos NYC vs Nueva York)<\/li>\n<\/ul>\n
y m\u00e1s.<\/p>\n
La elaboraci\u00f3n de perfiles de datos es una tarea exhaustiva.<\/p>\n
Lo ideal es poder echar un vistazo a los datos del cliente e identificar f\u00e1cil o r\u00e1pidamente los valores nulos en los datos. Ahora podr\u00eda hacerlo manualmente revisando cada columna de forma independiente o ejecutando algoritmos.<\/p>\n
Python permite al usuario ordenar sus datos en funci\u00f3n de su percepci\u00f3n y comprensi\u00f3n. Aunque esto es ideal en t\u00e9rminos de control y personalizaci\u00f3n, no lo es si est\u00e1s presionado por el tiempo y la precisi\u00f3n.<\/p>\n
Tendr\u00e1 que crear y revisar constantemente los c\u00f3digos. Tendr\u00e1 que seguir probando, midiendo y analizando los resultados. Esto no s\u00f3lo es contraproducente, sino que adem\u00e1s es contrario al prop\u00f3sito de utilizar los datos para alcanzar objetivos en tiempo real.<\/p>\n
\u00bfPueden sus equipos de marketing esperar 4 meses para limpiar, desduplicar y consolidar los datos de los clientes de m\u00faltiples fuentes?<\/p>\n
\u00bfPuede su organizaci\u00f3n permitirse el lujo de perder el retorno de la inversi\u00f3n con cada d\u00eda que pasa y que se traduce en una p\u00e9rdida del mismo? La verdad es que no.<\/p>\n
Uso de una soluci\u00f3n basada en ML como DataMatch Enterprise frente a scripts de Python o herramientas ETL<\/h2>\n
Las herramientas de scripting y ETL de Python son ideales porque est\u00e1n bajo su control. Utilizar una herramienta automatizada no significa renunciar al control ni a la utilidad de estas plataformas. Simplemente significa que est\u00e1 acelerando el proceso y automatizando donde sea necesario. <\/strong><\/p>\n
Una soluci\u00f3n habilitada para el aprendizaje autom\u00e1tico, como DataMatch Enterprise<\/a> de Data Ladder, una soluci\u00f3n de gesti\u00f3n de la calidad de los datos que permite identificar los valores que faltan y la informaci\u00f3n incompleta sin necesidad de c\u00f3digos o scripts.<\/p>\n
Con la funci\u00f3n de perfilado de datos<\/a> del ISD, puede comprobar el porcentaje de integridad de los datos a nivel de atributos (algo complejo de hacer mediante ETL o codificaci\u00f3n).<\/p>\n
Por ejemplo, si 30 de 100 registros tienen valores que faltan, se resaltan autom\u00e1ticamente para que los revise. Tambi\u00e9n se le da una puntuaci\u00f3n de salud para cada columna. En este caso, su columna Apellido tiene una puntuaci\u00f3n de salud del 70%. Todo esto se hace en cuesti\u00f3n de 10 minutos. Se ahorrar\u00e1 horas de revisiones manuales, pruebas de algoritmos y redacci\u00f3n\/reescritura de definiciones <\/strong>para simplemente comprobar la exactitud<\/a> o integridad de sus datos<\/a>.<\/p>\n
![\"DataMatch](\"https:\/\/dataladder.com\/wp-content\/uploads\/2020\/09\/Profiling-customer-data-1.png\")
<\/p>\nEso no es todo.<\/p>\n
A veces tambi\u00e9n es necesario consolidar los datos y desduplicar los datos redundantes. <\/strong>Por ejemplo, descubre que la informaci\u00f3n de su cliente est\u00e1 almacenada en dos fuentes de datos distintas. Una sola fuente contiene todo lo que necesitas: n\u00fameros de tel\u00e9fono, direcciones de correo electr\u00f3nico, ubicaci\u00f3n, etc. La otra fuente contiene informaci\u00f3n que no necesariamente necesitas: edad, sexo, n\u00fameros de fax, etc. Es conveniente combinar los dos, y fusionar o depurar<\/a> esta informaci\u00f3n para garantizar la exhaustividad. \u00bfImagina el tiempo y los procesos que tendr\u00e1 que pasar para conseguirlo? El mero hecho de pensarlo es agotador.<\/p>\n
Con una herramienta como el ISD se pueden cotejar<\/a> y desduplicar<\/a> un mill\u00f3n de registros en 20 minutos.<\/p>\n
El verdadero objetivo de la exhaustividad de los datos<\/h2>\n
Es f\u00e1cil ignorar los valores que faltan y proceder a la elaboraci\u00f3n de informes o a la realizaci\u00f3n de actividades sabiendo que faltan datos. <\/strong>El resultado final son tareas que ofrecen respuestas deficientes (como una campa\u00f1a de marketing por correo electr\u00f3nico que ignor\u00f3 los apellidos que faltaban y tuvo que luchar con los duplicados), informes con conclusiones err\u00f3neas que afectan a las pol\u00edticas y a las reformas cr\u00edticas, planes de negocio que fracasan y errores que tienen implicaciones legales.<\/p>\n
Dicho esto, el verdadero objetivo de la exhaustividad de los datos no es tener datos perfectos al 100%. Se trata de garantizar que los datos esenciales para su prop\u00f3sito sean v\u00e1lidos, completos, precisos y utilizables<\/strong>. Las herramientas que tiene a su disposici\u00f3n, como el DME, es una tecnolog\u00eda que le ayudar\u00e1 a conseguirlo.<\/p>\n\n","protected":false},"excerpt":{"rendered":"
Los datos del mundo real siempre tendr\u00e1n valores incompletos o faltantes, especialmente si se recogen de varias fuentes. Los datos incompletos pueden dar lugar a informes defectuosos y conclusiones sesgadas en el sector de la investigaci\u00f3n. Para las empresas, esto se traduce en un conocimiento deficiente de los clientes, una inteligencia empresarial inexacta y la […]<\/p>\n","protected":false},"author":9,"featured_media":58354,"comment_status":"closed","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"_lmt_disableupdate":"","_lmt_disable":"","_links_to":"","_links_to_target":""},"categories":[1338],"tags":[543,687,686,487],"acf":[],"yoast_head":"\n
C\u00f3mo identificar los datos que faltan, garantizar la integridad de los datos y mantener la exactitud de los mismos - Data Ladder<\/title>\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\/como-identificar-los-datos-que-faltan-garantizar-la-integridad-de-los-datos-y-mantener-la-exactitud-de-los-mismos\/\" \/>\n<meta property=\"og:locale\" content=\"es_ES\" \/>\n<meta property=\"og:type\" content=\"article\" \/>\n<meta property=\"og:title\" content=\"C\u00f3mo identificar los datos que faltan, garantizar la integridad de los datos y mantener la exactitud de los mismos - Data Ladder\" \/>\n<meta property=\"og:description\" content=\"Los datos del mundo real siempre tendr\u00e1n valores incompletos o faltantes, especialmente si se recogen de varias fuentes. Los datos incompletos pueden dar lugar a informes defectuosos y conclusiones sesgadas en el sector de la investigaci\u00f3n. Para las empresas, esto se traduce en un conocimiento deficiente de los clientes, una inteligencia empresarial inexacta y la […]\" \/>\n<meta property=\"og:url\" content=\"https:\/\/dataladder.com\/es\/como-identificar-los-datos-que-faltan-garantizar-la-integridad-de-los-datos-y-mantener-la-exactitud-de-los-mismos\/\" \/>\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=\"2020-10-02T04:00:00+00:00\" \/>\n<meta property=\"article:modified_time\" content=\"2022-03-09T11:28:13+00:00\" \/>\n<meta property=\"og:image\" content=\"https:\/\/dataladder.com\/wp-content\/uploads\/2021\/09\/Easy-Identification-of-Missing-Information-Identify-Gaps-in-Data-Entry-Procedures_Excel-Deduplication-Graphic.png\" \/>\n\t<meta property=\"og:image:width\" content=\"1943\" \/>\n\t<meta property=\"og:image:height\" content=\"1919\" \/>\n\t<meta property=\"og:image:type\" content=\"image\/png\" \/>\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\/como-identificar-los-datos-que-faltan-garantizar-la-integridad-de-los-datos-y-mantener-la-exactitud-de-los-mismos\/#article\",\"isPartOf\":{\"@id\":\"https:\/\/dataladder.com\/es\/como-identificar-los-datos-que-faltan-garantizar-la-integridad-de-los-datos-y-mantener-la-exactitud-de-los-mismos\/\"},\"author\":{\"name\":\"lbarrera\",\"@id\":\"https:\/\/dataladder.com\/es\/#\/schema\/person\/6cc3d6b3c83c611546541b5eb2d1e21b\"},\"headline\":\"C\u00f3mo identificar los datos que faltan, garantizar la integridad de los datos y mantener la exactitud de los mismos\",\"datePublished\":\"2020-10-02T04:00:00+00:00\",\"dateModified\":\"2022-03-09T11:28:13+00:00\",\"mainEntityOfPage\":{\"@id\":\"https:\/\/dataladder.com\/es\/como-identificar-los-datos-que-faltan-garantizar-la-integridad-de-los-datos-y-mantener-la-exactitud-de-los-mismos\/\"},\"wordCount\":2580,\"publisher\":{\"@id\":\"https:\/\/dataladder.com\/es\/#organization\"},\"keywords\":[\"calidad de los datos\",\"datos que faltan\",\"integridad de los datos\",\"Perfilado de datos\"],\"articleSection\":[\"Medici\u00f3n de la calidad de los datos\"],\"inLanguage\":\"es\"},{\"@type\":\"WebPage\",\"@id\":\"https:\/\/dataladder.com\/es\/como-identificar-los-datos-que-faltan-garantizar-la-integridad-de-los-datos-y-mantener-la-exactitud-de-los-mismos\/\",\"url\":\"https:\/\/dataladder.com\/es\/como-identificar-los-datos-que-faltan-garantizar-la-integridad-de-los-datos-y-mantener-la-exactitud-de-los-mismos\/\",\"name\":\"C\u00f3mo identificar los datos que faltan, garantizar la integridad de los datos y mantener la exactitud de los mismos - Data Ladder\",\"isPartOf\":{\"@id\":\"https:\/\/dataladder.com\/es\/#website\"},\"datePublished\":\"2020-10-02T04:00:00+00:00\",\"dateModified\":\"2022-03-09T11:28:13+00:00\",\"breadcrumb\":{\"@id\":\"https:\/\/dataladder.com\/es\/como-identificar-los-datos-que-faltan-garantizar-la-integridad-de-los-datos-y-mantener-la-exactitud-de-los-mismos\/#breadcrumb\"},\"inLanguage\":\"es\",\"potentialAction\":[{\"@type\":\"ReadAction\",\"target\":[\"https:\/\/dataladder.com\/es\/como-identificar-los-datos-que-faltan-garantizar-la-integridad-de-los-datos-y-mantener-la-exactitud-de-los-mismos\/\"]}]},{\"@type\":\"BreadcrumbList\",\"@id\":\"https:\/\/dataladder.com\/es\/como-identificar-los-datos-que-faltan-garantizar-la-integridad-de-los-datos-y-mantener-la-exactitud-de-los-mismos\/#breadcrumb\",\"itemListElement\":[{\"@type\":\"ListItem\",\"position\":1,\"name\":\"Home\",\"item\":\"https:\/\/dataladder.com\/es\/\"},{\"@type\":\"ListItem\",\"position\":2,\"name\":\"C\u00f3mo identificar los datos que faltan, garantizar la integridad de los datos y mantener la exactitud de los mismos\"}]},{\"@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":"C\u00f3mo identificar los datos que faltan, garantizar la integridad de los datos y mantener la exactitud de los mismos - Data Ladder","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\/como-identificar-los-datos-que-faltan-garantizar-la-integridad-de-los-datos-y-mantener-la-exactitud-de-los-mismos\/","og_locale":"es_ES","og_type":"article","og_title":"C\u00f3mo identificar los datos que faltan, garantizar la integridad de los datos y mantener la exactitud de los mismos - Data Ladder","og_description":"Los datos del mundo real siempre tendr\u00e1n valores incompletos o faltantes, especialmente si se recogen de varias fuentes. Los datos incompletos pueden dar lugar a informes defectuosos y conclusiones sesgadas en el sector de la investigaci\u00f3n. Para las empresas, esto se traduce en un conocimiento deficiente de los clientes, una inteligencia empresarial inexacta y la […]","og_url":"https:\/\/dataladder.com\/es\/como-identificar-los-datos-que-faltan-garantizar-la-integridad-de-los-datos-y-mantener-la-exactitud-de-los-mismos\/","og_site_name":"Data Ladder","article_publisher":"https:\/\/web.facebook.com\/DataLadderSoftware","article_published_time":"2020-10-02T04:00:00+00:00","article_modified_time":"2022-03-09T11:28:13+00:00","og_image":[{"width":1943,"height":1919,"url":"https:\/\/dataladder.com\/wp-content\/uploads\/2021\/09\/Easy-Identification-of-Missing-Information-Identify-Gaps-in-Data-Entry-Procedures_Excel-Deduplication-Graphic.png","type":"image\/png"}],"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\/como-identificar-los-datos-que-faltan-garantizar-la-integridad-de-los-datos-y-mantener-la-exactitud-de-los-mismos\/#article","isPartOf":{"@id":"https:\/\/dataladder.com\/es\/como-identificar-los-datos-que-faltan-garantizar-la-integridad-de-los-datos-y-mantener-la-exactitud-de-los-mismos\/"},"author":{"name":"lbarrera","@id":"https:\/\/dataladder.com\/es\/#\/schema\/person\/6cc3d6b3c83c611546541b5eb2d1e21b"},"headline":"C\u00f3mo identificar los datos que faltan, garantizar la integridad de los datos y mantener la exactitud de los mismos","datePublished":"2020-10-02T04:00:00+00:00","dateModified":"2022-03-09T11:28:13+00:00","mainEntityOfPage":{"@id":"https:\/\/dataladder.com\/es\/como-identificar-los-datos-que-faltan-garantizar-la-integridad-de-los-datos-y-mantener-la-exactitud-de-los-mismos\/"},"wordCount":2580,"publisher":{"@id":"https:\/\/dataladder.com\/es\/#organization"},"keywords":["calidad de los datos","datos que faltan","integridad de los datos","Perfilado de datos"],"articleSection":["Medici\u00f3n de la calidad de los datos"],"inLanguage":"es"},{"@type":"WebPage","@id":"https:\/\/dataladder.com\/es\/como-identificar-los-datos-que-faltan-garantizar-la-integridad-de-los-datos-y-mantener-la-exactitud-de-los-mismos\/","url":"https:\/\/dataladder.com\/es\/como-identificar-los-datos-que-faltan-garantizar-la-integridad-de-los-datos-y-mantener-la-exactitud-de-los-mismos\/","name":"C\u00f3mo identificar los datos que faltan, garantizar la integridad de los datos y mantener la exactitud de los mismos - Data Ladder","isPartOf":{"@id":"https:\/\/dataladder.com\/es\/#website"},"datePublished":"2020-10-02T04:00:00+00:00","dateModified":"2022-03-09T11:28:13+00:00","breadcrumb":{"@id":"https:\/\/dataladder.com\/es\/como-identificar-los-datos-que-faltan-garantizar-la-integridad-de-los-datos-y-mantener-la-exactitud-de-los-mismos\/#breadcrumb"},"inLanguage":"es","potentialAction":[{"@type":"ReadAction","target":["https:\/\/dataladder.com\/es\/como-identificar-los-datos-que-faltan-garantizar-la-integridad-de-los-datos-y-mantener-la-exactitud-de-los-mismos\/"]}]},{"@type":"BreadcrumbList","@id":"https:\/\/dataladder.com\/es\/como-identificar-los-datos-que-faltan-garantizar-la-integridad-de-los-datos-y-mantener-la-exactitud-de-los-mismos\/#breadcrumb","itemListElement":[{"@type":"ListItem","position":1,"name":"Home","item":"https:\/\/dataladder.com\/es\/"},{"@type":"ListItem","position":2,"name":"C\u00f3mo identificar los datos que faltan, garantizar la integridad de los datos y mantener la exactitud de los mismos"}]},{"@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\/63014"}],"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=63014"}],"version-history":[{"count":2,"href":"https:\/\/dataladder.com\/es\/wp-json\/wp\/v2\/posts\/63014\/revisions"}],"predecessor-version":[{"id":66365,"href":"https:\/\/dataladder.com\/es\/wp-json\/wp\/v2\/posts\/63014\/revisions\/66365"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/dataladder.com\/es\/wp-json\/wp\/v2\/media\/58354"}],"wp:attachment":[{"href":"https:\/\/dataladder.com\/es\/wp-json\/wp\/v2\/media?parent=63014"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/dataladder.com\/es\/wp-json\/wp\/v2\/categories?post=63014"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/dataladder.com\/es\/wp-json\/wp\/v2\/tags?post=63014"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}