Vamos a profundizar.<\/p>\n
\u00bfQu\u00e9 es la precisi\u00f3n de los datos?<\/b><\/h3>\n
La exactitud de los datos se refiere a los registros sin errores que pueden utilizarse como fuente de informaci\u00f3n fiable<\/strong>.<\/p>\n En la gesti\u00f3n de datos, la precisi\u00f3n de los mismos es el primer y m\u00e1s importante componente\/est\u00e1ndar del marco de calidad de los datos. Una obra muy citada, Data Quality: The Accuracy Dimension <\/em>, de Jack Olson, explica que la forma y el contenido son dos de las caracter\u00edsticas m\u00e1s importantes de la precisi\u00f3n de los datos.<\/p>\n He aqu\u00ed un ejemplo:<\/strong><\/p>\n En la base de datos de EE.UU., las fechas siguen el formato MM\/DD\/AAAA, mientras que en la base de datos de la UE y otros pa\u00edses del mundo, es DD\/MM\/AAAA. Si el 09\/10\/2020 se convirtiera en contenido, \u00bfcu\u00e1l de los dos crees que ser\u00eda el correcto?<\/p>\n \u00bfEs el10 de<\/sup> septiembre oel 9 de<\/sup> octubre? Este es el cl\u00e1sico problema del significado frente a la forma que amenaza la precisi\u00f3n de los datos. Y esto ocurre generalmente debido a la falta de normalizaci\u00f3n de los datos<\/a> y de las normas.<\/p>\n Es imprescindible que los datos almacenados en un almac\u00e9n de datos sean precisos y adecuados para su uso. Afecta a la inteligencia empresarial, la previsi\u00f3n, el presupuesto y otras actividades cr\u00edticas de una organizaci\u00f3n. Si los datos son irrelevantes, incorrectos, incompletos e inexactos, pueden perturbar los procesos y obstaculizar la eficiencia operativa.<\/p>\n Las causas de la inexactitud de los datos son muchas. Algunas de las causas m\u00e1s comunes son:<\/p>\n Malas pr\u00e1cticas de introducci\u00f3n de datos: <\/strong>La inexactitud de los datos es el resultado de las malas pr\u00e1cticas de introducci\u00f3n de datos. Una organizaci\u00f3n que no cuenta con una gobernanza de datos ver\u00e1 c\u00f3mo los datos se introducen en m\u00faltiples formatos, estilos y variedades. Por ejemplo, el nombre de un cliente puede ser escrito de tres maneras diferentes por tres representantes distintos. Y lo que es peor, los datos adquiridos a trav\u00e9s de las redes sociales son muy propensos a cometer errores, erratas y errores de copia\/pega.<\/p>\n No regular la accesibilidad de los datos: <\/strong>El CRM es un buen ejemplo de este punto. Los CRM, a los que acceden simult\u00e1neamente los responsables de ventas, marketing, atenci\u00f3n al cliente y cuentas, pueden convertirse en un hervidero de datos duplicados, incoherentes e inexactos. Por ejemplo, un representante de marketing puede querer verificar el nombre de la empresa del cliente antes de publicar un estudio de caso, s\u00f3lo para ver una ortograf\u00eda incorrecta o una forma corta del nombre en el campo Nombre de la empresa, que tal vez fue escrito o modificado por un representante de ventas. El representante de marketing tendr\u00e1 que pasar por varias rondas de verificaci\u00f3n para corregir este error. Y lo que es peor, el cliente puede acabar se\u00f1alando el error si el estudio de caso se public\u00f3 sin verificaci\u00f3n.<\/p>\n La calidad de los datos no suele abordarse: <\/strong>Los equipos est\u00e1n demasiado ocupados con la venta, el marketing y la promoci\u00f3n como para pensar en la informaci\u00f3n incorrecta del conjunto de datos. La direcci\u00f3n est\u00e1 demasiado ocupada pensando en las inversiones en la nube, los sistemas de big data, el software de lujo y las tecnolog\u00edas para preocuparse por los datos. Los equipos de TI est\u00e1n demasiado ocupados ayudando al liderazgo en la \u00abtransformaci\u00f3n\u00bb como para preocuparse por datos dispares, duplicados e inexactos. La calidad o exactitud de los datos no es un asunto de discusi\u00f3n en la sala de juntas. S\u00f3lo sale a la luz cuando algo va dr\u00e1sticamente mal, como un informe defectuoso o una campa\u00f1a de marketing ineficaz.<\/p>\n Todas estas causas provocan p\u00e9rdidas millonarias.<\/p>\n Algunos datos estad\u00edsticos para comprender la cuesti\u00f3n.<\/p>\n Estas estad\u00edsticas demuestran que los datos inexactos y deficientes son un problema persistente en la mayor\u00eda de las organizaciones y que tienen un enorme impacto en el retorno de la inversi\u00f3n, la reputaci\u00f3n de la empresa y la confianza de los clientes.<\/p>\n Ideas. Anal\u00edtica. Inteligencia.<\/b><\/p>\n Los tres objetivos principales que las empresas quieren alcanzar con los datos. Esto no se consigue con m\u00e1s datos. Se consigue con datos precisos, completos, oportunos y fiables.<\/p>\n Es a trav\u00e9s de estos objetivos que una empresa toma decisiones clave como:<\/p>\n … y mucho m\u00e1s. Dependiendo del sector, la precisi\u00f3n de los datos puede ser decisiva para las empresas. No se pueden ignorar las implicaciones en el mundo real de los datos inexactos.<\/p>\n Se est\u00e1n invirtiendo millones en soluciones de gesti\u00f3n de datos. Sin embargo, un estudio de HBR<\/a> en el que participaron 75 ejecutivos revela que solo el 3% consider\u00f3 que ten\u00eda datos precisos dentro del rango aceptable de 97 o m\u00e1s registros correctos de cada 100.<\/p>\n Las empresas tienen problemas para mantener la precisi\u00f3n de los datos porque se centran \u00fanicamente en recopilar m\u00e1s datos, en lugar de hacer que los datos actuales sean utilizables.<\/p>\n Seg\u00fan nuestra experiencia con m\u00e1s de 4.500 clientes, hay tres obst\u00e1culos esenciales que impiden a las empresas mantener registros precisos.<\/p>\n Mala cultura de los datos: <\/strong>Las empresas a\u00fan no han adoptado realmente una cultura basada en los datos. Se invierte mucho en tecnolog\u00edas, pero se invierte poco o nada en formaci\u00f3n para la concienciaci\u00f3n sobre los datos. Los empleados son en su mayor\u00eda ajenos a conceptos como la calidad o la exactitud de los datos. Durante mucho tiempo, estas pr\u00e1cticas se han limitado al departamento de TI. Cuando se trata de los datos de los clientes, los empleados de la empresa realizan cambios a su antojo sin respetar ninguna norma definida o protocolo de calidad de datos. Estas lagunas hacen que las empresas no puedan lograr la exactitud de los datos, lo que compromete la integridad de los mismos.<\/p>\n Acumulaci\u00f3n de datos en lugar de ser impulsado por los datos: <\/strong>El acaparamiento de datos no tiene fin. Las empresas est\u00e1n gastando millones en tecnolog\u00edas de big data que recogen m\u00e1s datos cada d\u00eda que pasa. Pero no existe ning\u00fan sistema para dar sentido a esos datos. No hay recursos disponibles para limpiar, ordenar y gestionar los datos a tiempo. No hay automatizaci\u00f3n y, definitivamente, no hay procesos establecidos para resolver los problemas de calidad de los datos, lo que lleva al tercer obst\u00e1culo.<\/p>\n Una obstinada dependencia de m\u00e9todos y tecnolog\u00edas anticuados: <\/strong>En la mayor\u00eda de las organizaciones actuales, los datos se siguen preparando manualmente mediante Excel, SQL o herramientas ETL. Todos ellos son incapaces de manejar las complejidades de los datos modernos, especialmente los datos de los clientes obtenidos a trav\u00e9s de las redes sociales, los proveedores de terceros o los formularios web. Repletos de errores, inexactitudes y rarezas, estos datos no pueden tratarse ni prepararse manualmente, ya que una empresa tardar\u00eda meses en limpiar y cotejar miles de filas de datos.<\/p>\n No reconocer la necesidad urgente de garantizar la calidad de los datos obstaculiza su progreso y afecta a su retorno de la inversi\u00f3n, lo que nos lleva a nuestro siguiente punto importante.<\/p>\n El retorno de la inversi\u00f3n determina todas, si no la mayor\u00eda, de las decisiones empresariales. Al igual que cualquier otro proceso, haremos todo lo posible para justificar el gasto en calidad de datos midiendo su ROI y la mayor\u00eda de los ejecutivos utilizar\u00e1n un enfoque tradicional para ello:<\/p>\n \u00bfCu\u00e1nto ganaremos en d\u00f3lares si gastamos d\u00f3lares en arreglar nuestros datos?<\/p>\n Bueno, aqu\u00ed hay una respuesta no tradicional.<\/p>\n Aumentas tu ROI cuando:<\/p>\n El hecho es que el retorno de la inversi\u00f3n de cualquier iniciativa de calidad de datos es dif\u00edcil de alcanzar. Pero el coste de unos datos deficientes es bastante evidente. Las empresas pierden millones de d\u00f3lares al a\u00f1o por culpa de los duplicados, los datos obsoletos, los datos incompletos, los datos desajustados y los datos inaccesibles y dispares. <\/strong><\/p>\n He aqu\u00ed un ejemplo:<\/u><\/strong><\/p>\n Una empresa de formaci\u00f3n online por suscripci\u00f3n necesita cotejar un mill\u00f3n de registros obtenidos de tres fuentes: formularios de clientes potenciales, CRM y servicio de atenci\u00f3n al cliente.<\/p>\n Utilizando las herramientas tradicionales de ETL, la empresa realiza la coincidencia pero acaba con un 3,5% de falsos negativos y un 6,8% de falsos positivos. S\u00f3lo esta cifra ha costado a la empresa cientos de d\u00f3lares en ventas, horas de trabajo (en la revisi\u00f3n manual de cada falso negativo y positivo). Si la empresa hubiera emprendido en serio una iniciativa de calidad de datos, habr\u00eda evitado que se desperdiciara el 11% del total de sus registros.<\/p>\n 11% de un mill\u00f3n = 11.0000<\/strong><\/p>\n Suponiendo que cada cliente pague 100 d\u00f3lares<\/strong><\/p>\n Son 11.0000 x 100 = 11000000 <\/strong><\/p>\n Once millones de euros en ingresos desperdiciados. Eso es un gran golpe para la rentabilidad de cualquier empresa. <\/strong><\/p>\n \u00bfEst\u00e1 dispuesto a hacer lo necesario para mejorar la precisi\u00f3n de los datos?<\/p>\n Esto es lo que puedes empezar.<\/p>\n Para.<\/p>\n Nada de esto va a funcionar.<\/p>\n Entonces, \u00bfqu\u00e9 ser\u00e1?<\/p>\n Algunas medidas inmediatas que recomiendo ser\u00edan:<\/p>\n Con estos pasos inmediatos, puede preparar a sus equipos para gestionar operaciones empresariales esenciales, como una pr\u00f3xima iniciativa de migraci\u00f3n, una importante campa\u00f1a promocional o un informe de inteligencia empresarial. El objetivo fundamental para disponer de datos precisos es garantizar la integridad de los mismos. Sus datos pueden hacer o deshacer su negocio. \u00bfTe importa lo suficiente como para arreglarlo?<\/p>\n Cleveland Brothers Equipment Company Inc. opera como distribuidor de equipos y apoya a una serie de industrias que incluyen la construcci\u00f3n, la agricultura, la generaci\u00f3n de energ\u00eda, el paisajismo y m\u00e1s. Esto significa que la empresa trata con m\u00faltiples conjuntos de datos de clientes procedentes de m\u00faltiples fuentes, con m\u00faltiples intereses y necesidades.<\/p>\n La empresa necesitaba una soluci\u00f3n de gesti\u00f3n de la calidad de los datos que le permitiera desduplicar los datos<\/a>, cruzar informaci\u00f3n de contacto como nombres, n\u00fameros de tel\u00e9fono, direcciones de facturaci\u00f3n y nombres de empresas. Tambi\u00e9n necesitaban que la soluci\u00f3n les ayudara a limpiar y normalizar los datos.<\/p>\n DataMatch Enterprise<\/a> fue la herramienta elegida por la empresa que les ayud\u00f3 a realizar varias operaciones clave a la vez y, como la herramienta es f\u00e1cil de usar y no requiere conocimientos adicionales de programaci\u00f3n, incluso los recursos empresariales de la empresa pudieron preparar los datos con facilidad.<\/p>\n Estudio de caso de los hermanos Cleveland<\/strong><\/p>\n Descargue el estudio de caso y vea c\u00f3mo el principal distribuidor de equipos ahorra tiempo en la gesti\u00f3n de m\u00faltiples listas de clientes.<\/p>\n La calidad de los datos es el objetivo. La precisi\u00f3n de los datos es el resultado. Con los recursos humanos y tecnol\u00f3gicos adecuados, su empresa estar\u00e1 en mejor posici\u00f3n para entrar en el futuro con confianza.<\/p>\n C\u00f3mo funcionan las mejores soluciones de concordancia difusa de su clase: Combinando algoritmos establecidos y propios<\/b><\/p>\n Inicie su prueba gratuita hoy mismo<\/p>\n![\"\"](\"https:\/\/dataladder.com\/wp-content\/uploads\/2020\/09\/What-is-data-accuracy-1024x576.png\")
<\/p>\n\u00bfCu\u00e1les son las causas de la inexactitud de los datos?<\/b><\/h3>\n
El alto coste de los datos inexactos<\/b><\/h3>\n
![\"High](\"https:\/\/dataladder.com\/wp-content\/uploads\/2020\/09\/high-cost-of-inaccurate-data.png\")
<\/p>\n\n
\n
\n
Por qu\u00e9 es esencial mantener la exactitud de los datos<\/b><\/h3>\n
\n
\u00bfPor qu\u00e9 las empresas tienen problemas con la calidad y la precisi\u00f3n de los datos?<\/b><\/h3>\n
C\u00f3mo calcular el retorno de la inversi\u00f3n en la exactitud de los datos<\/b><\/h3>\n
\n
\u00bfQu\u00e9 medidas inmediatas puede tomar para mejorar la precisi\u00f3n de los datos?<\/b><\/h3>\n
\n<\/strong>Puede estar tentado de contratar a un analista de datos. O quiz\u00e1s cambiar su CRM. O tal vez encargar a sus equipos inform\u00e1ticos (de nuevo) que den con una soluci\u00f3n.<\/p>\n\n
\n
\n
\n
\n
\n
Estudio de caso de los hermanos Cleveland<\/b><\/h3>\n
\nDescargar
\n<\/a><\/p>\nPara concluir: No se comprometa con la exactitud de los datos. Su empresa necesita datos en los que pueda confiar<\/b><\/h3>\n
![\"\"](\"https:\/\/dataladder.com\/wp-content\/uploads\/2019\/05\/fuzzy-whitepaper2.png\")
<\/p>\n
\nDescargar
\n<\/a><\/p>\n