{"id":63069,"date":"2020-06-08T00:00:00","date_gmt":"2020-06-08T04:00:00","guid":{"rendered":"https:\/\/dataladder.com\/guia-rapida-de-software-de-preparacion-de-datos-soluciones-y-mejores-practicas\/"},"modified":"2022-03-11T13:18:51","modified_gmt":"2022-03-11T13:18:51","slug":"guia-rapida-de-software-de-preparacion-de-datos-soluciones-y-mejores-practicas","status":"publish","type":"post","link":"https:\/\/dataladder.com\/es\/guia-rapida-de-software-de-preparacion-de-datos-soluciones-y-mejores-practicas\/","title":{"rendered":"Gu\u00eda r\u00e1pida de software de preparaci\u00f3n de datos, soluciones y mejores pr\u00e1cticas"},"content":{"rendered":"<p>A medida que las empresas invierten miles de millones de d\u00f3lares en big data con la esperanza de convertir los datos en dinero, la necesidad de un software, una soluci\u00f3n y unas herramientas de <a href=\"https:\/\/dataladder.com\/es\/guia-rapida-de-software-de-preparacion-de-datos-soluciones-y-mejores-practicas\/\" target=\"{wpml_trans_unit_1_0_1_-1_1}\" rel=\"{wpml_trans_unit_1_0_1_-1_2} noopener\">preparaci\u00f3n de datos<\/a> eficientes y f\u00e1ciles de usar tambi\u00e9n aumenta. Cada vez es m\u00e1s dif\u00edcil para las empresas preparar los datos con m\u00e9todos tradicionales, especialmente ahora que los big data son de naturaleza muy compleja. Los procedimientos b\u00e1sicos de ETL ya no hacen el trabajo. De ah\u00ed la necesidad de una herramienta de preparaci\u00f3n de datos potente y de primera clase.<\/p>\n<p>Esta gu\u00eda r\u00e1pida sobre la preparaci\u00f3n de datos ayudar\u00e1 a los novatos en la ciencia de datos, a los expertos, a los usuarios empresariales y a los responsables de la toma de decisiones a comprender mejor el proceso de preparaci\u00f3n de datos, su importancia en nuestro entorno empresarial y c\u00f3mo una soluci\u00f3n de primera clase puede ayudarle a alcanzar sus objetivos de preparaci\u00f3n de datos. Vamos a cubrir en profundidad las respuestas a las preguntas como:<\/p>\n<ul>\n<li>\u00bfQu\u00e9 es la preparaci\u00f3n de datos?<\/li>\n<li>\u00bfPor qu\u00e9 es importante la preparaci\u00f3n de los datos?<\/li>\n<li>\u00bfC\u00f3mo se preparan los datos?<\/li>\n<li>Desaf\u00edos en el proceso de preparaci\u00f3n de datos<\/li>\n<li>Principales ventajas de la preparaci\u00f3n de datos<\/li>\n<li>Mejores pr\u00e1cticas<\/li>\n<\/ul>\n<p>Vamos a sumergirnos.<\/p>\n<h3>\u00bfQu\u00e9 es la preparaci\u00f3n de datos?<\/h3>\n<p>La definici\u00f3n est\u00e1ndar de preparaci\u00f3n de datos es:<\/p>\n<p><em>\u00abEl proceso de recopilaci\u00f3n, combinaci\u00f3n, estructuraci\u00f3n y organizaci\u00f3n de datos\u00bb.<\/em><\/p>\n<p>Pero la preparaci\u00f3n de los datos en la era del big data es algo m\u00e1s que organizarlos.<\/p>\n<p>Es una necesidad que alimenta la toma de decisiones.<\/p>\n<p>Es un requisito para dar sentido a la <a href=\"https:\/\/www.globenewswire.com\/news-release\/2018\/07\/02\/1532157\/0\/en\/Big-Data-investments-will-account-for-over-65-Billion-in-2018-further-expected-to-grow-at-a-CAGR-of-14-over-the-next-three-years.html\" target=\"_blank\" rel=\"noopener\"> inversi\u00f3n de 65.000 millones de d\u00f3lares<\/a> en an\u00e1lisis de grandes datos.<\/p>\n<p>Tambi\u00e9n es un nuevo enfoque muy necesario para la <a href=\"https:\/\/dataladder.com\/es\/herramientas-de-preparacion-de-datos-de-autoservicio-reduzca-su-dependencia-de-ti-y-de-los-complejos-procesos-etl\/\" target=\"_blank\" rel=\"noopener\">preparaci\u00f3n de datos en r\u00e9gimen de autoservicio<\/a>, que permite a los usuarios de la empresa ser capaces de optimizar sus datos para el uso previsto.<\/p>\n<p>En la pr\u00e1ctica, la preparaci\u00f3n de datos es un flujo de trabajo compuesto por:<\/p>\n<ul>\n<li><a href=\"https:\/\/dataladder.com\/es\/software-y-herramientas-de-creacion-de-perfiles-de-datos-obtenga-resultados-instantaneos-de-la-evaluacion-de-la-calidad-de-los-datos\/\" target=\"_blank\" rel=\"noopener\">Perfilado de datos<\/a>: Evaluaci\u00f3n de los datos para ver la naturaleza y el alcance de los problemas, como los campos no estructurados, los valores que faltan, los nombres mal escritos, el exceso de errores tipogr\u00e1ficos, el uso de caracteres no imprimibles, etc.<\/li>\n<li><a href=\"https:\/\/dataladder.com\/es\/software-de-limpieza-de-datos-herramienta-de-limpieza-de-datos-crm-rapida-y-rentable\/\" target=\"_blank\" rel=\"noopener\">Limpieza de datos<\/a>: Uso de reglas de negocio predefinidas para limpiar los datos desordenados.<\/li>\n<li><a href=\"https:\/\/dataladder.com\/es\/software-de-deduplicacion-de-datos-utilice-reglas-integradas-y-personalizadas-para-la-deduplicacion-de-crm\/\" target=\"_blank\" rel=\"noopener\">Desduplicaci\u00f3n de datos<\/a>: Los duplicados son un grave problema que hay que atajar. Aunque se pueden gestionar los datos desordenados, son los datos duplicados los que pueden causar estragos imprevistos.<\/li>\n<li><a href=\"https:\/\/dataladder.com\/es\/software-de-validacion-de-datos-como-asegurarse-de-que-los-datos-introducidos-son-validos-y-no-presentan-errores\/\">Validaci\u00f3n de datos<\/a>: El proceso de verificaci\u00f3n o validaci\u00f3n de sus datos con las normas de la autoridad. Por ejemplo, <a href=\"https:\/\/dataladder.com\/es\/software-de-verificacion-de-direcciones-coincidencia-limpieza-y-codificacion-geografica-integradas-de-direcciones\/\">validando los datos de las direcciones<\/a> con los de USPS.<\/li>\n<li>Transformaci\u00f3n de datos: Convertir los datos desordenados y sin procesar en datos \u00fatiles y limpios.<\/li>\n<li><a href=\"https:\/\/dataladder.com\/es\/software-de-purga-de-fusiones-utilizar-reglas-de-supervivencia-incorporadas-y-personalizadas\/\">Fusi\u00f3n de datos y supervivencia<\/a>: Fusi\u00f3n de m\u00faltiples fuentes de datos para crear registros maestros finales.<\/li>\n<\/ul>\n<p>La imagen siguiente es un ejemplo del tipo de datos err\u00f3neos para los que necesitar\u00e1 una soluci\u00f3n de preparaci\u00f3n de datos para resolverlos.<\/p>\n<p><img src=\"https:\/\/dataladder.com\/wp-content\/uploads\/2020\/08\/poor-customer-data-1024x481.png\" sizes=\"(max-width: 1024px) 100vw, 1024px\" srcset=\"https:\/\/dataladder.com\/wp-content\/uploads\/2020\/08\/poor-customer-data-1024x481.png 1024w, https:\/\/dataladder.com\/wp-content\/uploads\/2020\/08\/poor-customer-data-300x141.png 300w, https:\/\/dataladder.com\/wp-content\/uploads\/2020\/08\/poor-customer-data-768x361.png 768w, https:\/\/dataladder.com\/wp-content\/uploads\/2020\/08\/poor-customer-data.png 1094w\" alt=\"\" width=\"1024\" height=\"481\" \/><\/p>\n<p>Cada una de estas subactividades es un proceso complejo que lleva d\u00edas y meses. Esta es una de las razones por las que los cient\u00edficos de datos acaban dedicando el 80% de su tiempo a arreglar los datos. A pesar de la enorme inversi\u00f3n en an\u00e1lisis de big data, las empresas siguen teniendo problemas para preparar sus datos.<\/p>\n<p>Hay que tener en cuenta que la preparaci\u00f3n de los datos no es una simple cuesti\u00f3n de ejecutar sus conjuntos de datos con una herramienta o un software.<\/p>\n<p>En teor\u00eda, la preparaci\u00f3n de los datos implica:<\/p>\n<ul>\n<li>Identificar un problema<\/li>\n<li>Reconocer el problema<\/li>\n<li>Comprender c\u00f3mo afecta el problema a la empresa<\/li>\n<li>Evaluaci\u00f3n de un enfoque organizativo de la calidad de los datos<\/li>\n<li>Analizar la estrategia de datos actual<\/li>\n<li>Aplicaci\u00f3n de un plan de calidad de datos<\/li>\n<li>Desplazar las dependencias del equipo de TI y permitir a los usuarios de la empresa<\/li>\n<\/ul>\n<p>En nuestra experiencia trabajando con empresas de la lista Fortune 500, hemos visto que las empresas que son conscientes de los problemas empresariales subyacentes con los datos tienen m\u00e1s probabilidades de tener \u00e9xito con la preparaci\u00f3n de datos. Estas organizaciones conocen el problema y su impacto en la empresa. Por otro lado, las organizaciones que no evaluaron, comprendieron y reconocieron los problemas de sus datos tuvieron dificultades para que la preparaci\u00f3n de los mismos tuviera \u00e9xito.<\/p>\n<p><img src=\"https:\/\/dataladder.com\/wp-content\/uploads\/2020\/05\/merge-purge-software-1024x452.png\" sizes=\"(max-width: 1024px) 100vw, 1024px\" srcset=\"https:\/\/dataladder.com\/wp-content\/uploads\/2020\/05\/merge-purge-software-1024x452.png 1024w, https:\/\/dataladder.com\/wp-content\/uploads\/2020\/05\/merge-purge-software-300x132.png 300w, https:\/\/dataladder.com\/wp-content\/uploads\/2020\/05\/merge-purge-software-768x339.png 768w, https:\/\/dataladder.com\/wp-content\/uploads\/2020\/05\/merge-purge-software-1536x678.png 1536w, https:\/\/dataladder.com\/wp-content\/uploads\/2020\/05\/merge-purge-software.png 1905w\" alt=\"merge purge software\" width=\"1024\" height=\"452\" \/><\/p>\n<p style=\"text-align: center;\"><em style=\"text-align: center;\">A continuaci\u00f3n se presenta un resumen del proceso de preparaci\u00f3n de datos utilizado en DataMatch Enterprise, la herramienta de preparaci\u00f3n de datos insignia de Data Ladder.<\/em><\/p>\n<h3>Identificar la necesidad y hacer las preguntas correctas sobre el negocio<\/h3>\n<p>Aunque suene extra\u00f1o, la preparaci\u00f3n de los datos no empieza exactamente con los datos, sino con la identificaci\u00f3n de una necesidad en la toma de decisiones de la empresa. Comienza con la comprensi\u00f3n de c\u00f3mo un determinado conjunto de datos influye en las estrategias de marketing, el despliegue de recursos, la distribuci\u00f3n de productos y cualquier otra \u00e1rea de las operaciones corporativas. La toma de decisiones empresariales correctas y con conocimiento de causa es la principal necesidad de las empresas que operan con informaci\u00f3n: si la empresa no tiene acceso a esta informaci\u00f3n, est\u00e1 condenada.<\/p>\n<p>Sin embargo, a la hora de formular las preguntas, es necesario ser preciso. No se puede tener un enfoque general para la preparaci\u00f3n de datos o la calidad de los mismos.<\/p>\n<p>No se puede arreglar un mill\u00f3n de registros de clientes s\u00f3lo porque se quieran limpiar los datos. El coste del descubrimiento y la preparaci\u00f3n de los datos no debe ser mayor que el valor obtenido o el esfuerzo no ser\u00e1 rentable.<\/p>\n<p>Tiene que haber un objetivo.<\/p>\n<p>El objetivo debe estar vinculado a la rentabilidad y la eficiencia.<\/p>\n<p>Es necesario evaluar los datos y su capacidad para apoyar ese objetivo.<\/p>\n<p>El objetivo debe ayudar a responder a preguntas de negocio como:<\/p>\n<ul>\n<li>\u00bfEstamos ganando dinero con este objetivo? (Un nuevo producto, una nueva actividad promocional, un nuevo objetivo de marketing, etc.)<\/li>\n<li>\u00bfEste objetivo nos ayuda a tener \u00e9xito con la satisfacci\u00f3n del cliente o incluso con la adquisici\u00f3n y retenci\u00f3n?<\/li>\n<li>\u00bfPor qu\u00e9 intentamos conseguirlo?<\/li>\n<li>\u00bfC\u00f3mo vamos a medir el \u00e9xito o el fracaso de un proyecto?<\/li>\n<li>\u00bfDe qu\u00e9 herramientas o recursos disponemos para llevar a cabo este objetivo?<\/li>\n<li>\u00bfQu\u00e9 herramientas o recursos adicionales necesitaremos y por qu\u00e9?<\/li>\n<li>\u00bfCu\u00e1l ser\u00e1 el coste de esas herramientas y cu\u00e1l es el retorno de la inversi\u00f3n que esperamos obtener?<\/li>\n<\/ul>\n<p>Como regla general, comience con una pregunta de negocio, plantee una hip\u00f3tesis, realice un an\u00e1lisis exhaustivo del impacto de sus decisiones y, finalmente, trace las conclusiones para su ecuaci\u00f3n de negocio.<\/p>\n<p>Entender sus datos<\/p>\n<p>Antes de empezar a ejecutar una estrategia empresarial, es necesario entender los datos.<\/p>\n<ul>\n<li>\u00bfTiene datos brutos, sin tratar?<\/li>\n<li>\u00bfTiene datos t\u00e9cnicamente correctos pero duplicados?<\/li>\n<li>\u00bfTienes datos limpios y utilizables para trabajar?<\/li>\n<li>\u00bfTiene datos aislados procedentes de distintas fuentes?<\/li>\n<li>\u00bfTiene una selecci\u00f3n del tipo de datos que necesitar\u00e1 para este objetivo?<\/li>\n<li>\u00bfNecesita integrar grandes fuentes de datos, como las redes sociales o los datos transaccionales o de comportamiento, para obtener una visi\u00f3n unificada de sus clientes?<\/li>\n<li>\u00bfDispone de un s\u00f3lido software de preparaci\u00f3n de datos que le permita trabajar con sus datos en su dominio de nube o servidor?<\/li>\n<\/ul>\n<p>Es importante mencionar tres retos comunes a los que las empresas suelen enfrentarse a la hora de preparar sus datos para su uso previsto. Estos problemas pueden resolverse con una soluci\u00f3n de preparaci\u00f3n de datos, pero habr\u00e1 que medir la magnitud de la actividad y el tipo de formaci\u00f3n o curva de aprendizaje que se necesitar\u00e1 para utilizar el software. Muchas empresas gastan millones s\u00f3lo para que especialistas capacitados trabajen en un software de preparaci\u00f3n de datos, por lo tanto, aseg\u00farese de lo que necesita hacer antes de invertir una cantidad considerable en una soluci\u00f3n popular de calidad de datos.<\/p>\n<p>\u00bfPor qu\u00e9 es importante la preparaci\u00f3n de los datos?<\/p>\n<p>Aunque todo el mundo habla de la preparaci\u00f3n de datos, nadie hace nada al respecto. Una vez identificados los objetivos o los problemas que hay que resolver, la preparaci\u00f3n de los datos es la clave para resolver el problema. Es f\u00e1cilmente la diferencia entre el \u00e9xito y el fracaso, entre las ideas \u00fatiles y el texto ininteligible, entre lo que es una decisi\u00f3n informada y las suposiciones o teor\u00edas in\u00fatiles.<\/p>\n<p>Por ejemplo, un cliente tuvo que utilizar sus datos para lanzar una estrategia de personalizaci\u00f3n de clientes. La organizaci\u00f3n se consideraba a s\u00ed misma como impulsada por los datos porque hab\u00eda hecho lagos de datos para almacenar los datos de los hogares de sus clientes y ahora quer\u00eda utilizar esos datos para ofrecer servicios de personalizaci\u00f3n. Aunque eran conscientes de los problemas de los datos brutos, no estaban preparados para lidiar con el excesivo n\u00famero de duplicados y la basura que hac\u00eda in\u00fatil casi el 40% de sus datos. Antes de iniciar sus objetivos de personalizaci\u00f3n, tuvieron que preparar y limpiar sus datos.<\/p>\n<p>As\u00ed, aunque las empresas tienen enormes lagos de datos, al final se convierten en vertederos de datos porque el pensamiento inicial era que \u00abm\u00e1s datos es mejor\u00bb. Este enfoque ya no funciona. Es necesario preparar los datos y sus subactividades para garantizar que se dispone de datos utilizables para trabajar.<\/p>\n<p>Si no es as\u00ed, la falta de datos limpios podr\u00eda dar lugar a:<\/p>\n<ul>\n<li>Ineficacia operativa: Los equipos y los procesos se ver\u00e1n afectados al no disponer del conjunto de datos adecuado para trabajar y contribuir al objetivo.<\/li>\n<li>Poca satisfacci\u00f3n del cliente: Una empresa que gestiona mal los datos puede cometer errores embarazosos y perder oportunidades que se traducir\u00e1n en una escasa satisfacci\u00f3n del cliente.<\/li>\n<li>Costes innecesarios: Las consecuencias de una mala gesti\u00f3n de los datos se traducir\u00e1n en todo tipo de costes que podr\u00edan ser perjudiciales para su negocio: multas legales, problemas de seguridad de los datos, sanciones por el cumplimiento de los datos, devoluciones de correos, p\u00e9rdida de clientes, etc.<\/li>\n<li>El crecimiento se ha detenido: El mercado es muy din\u00e1mico. Si no apuestas por los datos, no podr\u00e1s crecer. Las empresas futuristas se centran en la optimizaci\u00f3n de sus datos.<\/li>\n<li>Perspectivas defectuosas: Casi todas las empresas realizan alg\u00fan tipo de modelado de datos para obtener informaci\u00f3n y an\u00e1lisis. Los datos imprecisos que no han sido sometidos a un proceso de preparaci\u00f3n de datos ser\u00e1n la causa de una visi\u00f3n err\u00f3nea, cuyas consecuencias conocemos demasiado bien.<\/li>\n<\/ul>\n<p>En su forma m\u00e1s sencilla, la preparaci\u00f3n de los datos nos ayuda a comprender la informaci\u00f3n de los datos que no podemos entender con s\u00f3lo mirarlos. Eso es todo. Y ese es el prop\u00f3sito m\u00e1s importante de esta actividad.<\/p>\n<p>\u00bfC\u00f3mo se preparan los datos?<\/p>\n<p><img src=\"https:\/\/dataladder.com\/wp-content\/uploads\/2020\/06\/data-preparation.png\" sizes=\"(max-width: 494px) 100vw, 494px\" srcset=\"https:\/\/dataladder.com\/wp-content\/uploads\/2020\/06\/data-preparation.png 494w, https:\/\/dataladder.com\/wp-content\/uploads\/2020\/06\/data-preparation-300x300.png 300w, https:\/\/dataladder.com\/wp-content\/uploads\/2020\/06\/data-preparation-150x150.png 150w, https:\/\/dataladder.com\/wp-content\/uploads\/2020\/06\/data-preparation-75x75.png 75w, https:\/\/dataladder.com\/wp-content\/uploads\/2020\/06\/data-preparation-60x60.png 60w\" alt=\"\" width=\"494\" height=\"494\" \/><\/p>\n<p>La preparaci\u00f3n de los datos ha sido en gran medida un esfuerzo manual. Una vez seleccionado un conjunto de datos para su uso, se pasa por un software de preparaci\u00f3n de datos en el que se aplican operaciones espec\u00edficas a los archivos. Por ejemplo, una de estas operaciones puede consistir en eliminar manualmente datos de texto en un campo num\u00e9rico para el que se utilizar\u00e1n f\u00f3rmulas o una combinaci\u00f3n de funciones. Mientras que esto funcionaba para conjuntos de datos peque\u00f1os y no tan complejos, hoy en d\u00eda, a medida que el volumen y la complejidad de los datos aumentan, los cient\u00edficos de datos encuentran excesivamente frustrante pasar la mayor parte de su tiempo s\u00f3lo preparando estos datos.<\/p>\n<p>Lo m\u00e1s probable es que su organizaci\u00f3n ya est\u00e9 utilizando un proceso ETL para dar sentido a los datos, sin embargo, el ETL est\u00e1 muy restringido y no permite a los usuarios de la empresa hacer un uso eficiente de sus datos. Lea el siguiente post para conocer la <a href=\"https:\/\/dataladder.com\/es\/etl-frente-a-la-preparacion-de-datos-que-es-lo-mejor-para-su-empresa\/\" target=\"_blank\" rel=\"noopener\">diferencia entre ETL y preparaci\u00f3n de datos<\/a>.<\/p>\n<p>Por este motivo, a lo largo de los a\u00f1os ha aumentado el n\u00famero de proveedores de software. La mayor\u00eda de estas herramientas ofrecen ahora una funci\u00f3n de autoservicio en la que los usuarios empresariales tambi\u00e9n pueden participar en el proceso de preparaci\u00f3n de datos.<\/p>\n<p>Una herramienta como DataMatch Enterprise, por ejemplo, simplifica el proceso de preparaci\u00f3n de los datos llevando al usuario a trav\u00e9s de un flujo de trabajo que le permite limpiar, desduplicar y fusionar los datos de forma sencilla: un proceso que normalmente lleva d\u00edas y meses, pasar\u00eda a durar s\u00f3lo unos minutos.<\/p>\n<p>Las herramientas de preparaci\u00f3n de datos tambi\u00e9n facilitan la gesti\u00f3n de datos incoherentes almacenados en silos. Hace unas d\u00e9cadas, hab\u00eda que fijar los datos en su sistema individual e intentar fusionar partes de estos datos manualmente y, aun as\u00ed, no se consegu\u00eda el an\u00e1lisis que se necesitaba.<\/p>\n<p>Ahora puede integrar f\u00e1cilmente un n\u00famero ilimitado de conjuntos de datos, fusionarlos, depurarlos y prepararlos como considere oportuno. Es como una actividad de arrastrar y soltar, que requiere una experiencia t\u00e9cnica muy limitada.<\/p>\n<p>Desaf\u00edos en el proceso de preparaci\u00f3n de datos:<\/p>\n<p>Aunque la preparaci\u00f3n de datos se ha facilitado, los retos de la preparaci\u00f3n de datos siguen siendo los mismos, si no m\u00e1s complejos y problem\u00e1ticos. Algunos de los principales retos a los que deben enfrentarse las empresas son:<\/p>\n<p>Datos en silos y fuentes dispares: Las empresas ahora quieren crear vistas unificadas de los clientes para crear experiencias de personalizaci\u00f3n o para obtener una visi\u00f3n general de las oportunidades ocultas. Por ejemplo, un minorista quer\u00eda consolidar los datos de m\u00faltiples fuentes de datos para ofrecer una experiencia digital fluida a sus compradores procedentes de diferentes regiones europeas.<\/p>\n<p>Pero la consolidaci\u00f3n de datos procedentes de m\u00faltiples fuentes no es un asunto f\u00e1cil. Los datos almacenados en fuentes dispares var\u00edan en estructura, forma y prop\u00f3sito. Y lo que es m\u00e1s importante, los errores en los datos variaban culturalmente. Los nombres italianos, por ejemplo, se escriben con m\u00e1s frecuencia que los americanos. Preparar estos datos y hacerlos \u00fatiles para el minorista lleva mucho tiempo. Incluso si se utiliza una herramienta de preparaci\u00f3n de datos, todav\u00eda habr\u00e1 que hacer un esfuerzo manual para revisar los nombres de las diferentes culturas y garantizar que no se cometan errores.<\/p>\n<p>Datos duplicados: Casi todas las empresas con las que hemos trabajado se\u00f1alan que la duplicaci\u00f3n de datos es uno de los principales obst\u00e1culos para el \u00e9xito de la preparaci\u00f3n de datos. Aunque existen docenas de herramientas de preparaci\u00f3n de datos que permiten corregir las anomal\u00edas de los datos, muy pocas tienen la capacidad de corregir los datos duplicados con una tasa de coincidencia del 100%. De hecho, la concordancia de datos es una soluci\u00f3n muy demandada, ya que muy pocos proveedores consiguen alcanzar el 95% de precisi\u00f3n en la concordancia.<\/p>\n<p>Un instituto gubernamental con el que trabajamos descubri\u00f3 que su soluci\u00f3n interna de deduplicaci\u00f3n de datos s\u00f3lo pod\u00eda hacer la mitad del trabajo de eliminaci\u00f3n de duplicados. Cuando utilizaron DataMatch, pudieron eliminar un 40% adicional de datos duplicados.<\/p>\n<p>Datos inconsistentes: Tambi\u00e9n conocidos como datos sucios. La calidad de los datos es siempre dudosa mientras se trate de seres humanos que teclean nombres y direcciones de clientes, c\u00f3digos de productos y precios. Inevitablemente, los m\u00e9todos manuales dan lugar a errores cuya resoluci\u00f3n requiere un esfuerzo manual considerable. Es a\u00fan m\u00e1s complicado y desordenado cuando hay que combinar los datos corporativos con los datos externos de terceras fuentes. Por ejemplo, los datos de las redes sociales de un cliente son todo menos consistentes. Algunos pueden utilizar abreviaturas en sus nombres, otros pueden utilizar un nombre alternativo&#8230; la lista contin\u00faa.<\/p>\n<p>Estos problemas han impulsado el auge del software de autoservicio y de preparaci\u00f3n de datos basado en la nube, que permite a los usuarios integrar datos de m\u00faltiples fuentes, crear reglas empresariales de acuerdo con sus requisitos de datos y reunir a los usuarios de TI y de la empresa para resolver problemas de calidad de datos.<\/p>\n<p>Mejores pr\u00e1cticas para la preparaci\u00f3n de datos<\/p>\n<p>Ahora que el mundo avanza hacia los objetivos de la IA, el aprendizaje autom\u00e1tico y la inteligencia empresarial, debe centrarse en la preparaci\u00f3n de los datos para alcanzar estos objetivos. Sin embargo, el uso de un software o herramienta de preparaci\u00f3n de datos es s\u00f3lo una parte de la soluci\u00f3n. Tendr\u00e1 que incorporar pr\u00e1cticas adicionales para la preparaci\u00f3n de datos que deben incluir:<\/p>\n<ol>\n<li>Hacer de la calidad de los datos una prioridad: Los problemas y desaf\u00edos en la preparaci\u00f3n de los datos se deben a la falta de atenci\u00f3n a la calidad de los mismos. Las empresas pueden hablar de la calidad de los datos, pero no la convierten en un objetivo organizativo. Seguir\u00e1s arreglando los mismos errores repetidamente a menos que rectifiques el origen del problema. Por ejemplo, su equipo de ventas est\u00e1 arruinando la calidad de los datos al introducir informaci\u00f3n inexacta, omitir informaci\u00f3n importante o cometer errores humanos al introducir los datos. Para frenar esto, su equipo tendr\u00e1 que recibir formaci\u00f3n sobre la calidad de los datos, ayud\u00e1ndoles a entender el impacto de un error tipogr\u00e1fico o de la falta de informaci\u00f3n en los procesos posteriores.<\/li>\n<li>Los inform\u00e1ticos pueden facilitar a los usuarios empresariales las sesiones de formaci\u00f3n y aprendizaje: Esta es una buena manera de salvar la brecha entre el departamento de TI y los usuarios de la empresa. El departamento de TI puede planificar sesiones de formaci\u00f3n y aprendizaje sobre la calidad de los datos para ayudar a los usuarios de la empresa a comprender la importancia de la calidad y la preparaci\u00f3n de los datos. A medida que los usuarios de la empresa se familiarizan con el problema, los usuarios autorizados pueden equiparse con las herramientas de preparaci\u00f3n de datos adecuadas para empezar a preparar sus datos para el uso de la empresa sin depender de TI.<\/li>\n<li>Siga el proceso de preparaci\u00f3n de datos: Si utiliza un software de preparaci\u00f3n de datos como DataMatch Enterprise, seguir\u00e1 un proceso paso a paso que llevar\u00e1 sus datos desde su estado bruto hasta su etapa final en 8 m\u00f3dulos. Si no utiliza una herramienta y la aplica por su cuenta, aseg\u00farese de seguir el flujo de trabajo que se indica a continuaci\u00f3n<\/li>\n<\/ol>\n<p><img src=\"https:\/\/dataladder.com\/wp-content\/uploads\/2020\/06\/data-preparation-process.png\" sizes=\"(max-width: 976px) 100vw, 976px\" srcset=\"https:\/\/dataladder.com\/wp-content\/uploads\/2020\/06\/data-preparation-process.png 976w, https:\/\/dataladder.com\/wp-content\/uploads\/2020\/06\/data-preparation-process-300x219.png 300w, https:\/\/dataladder.com\/wp-content\/uploads\/2020\/06\/data-preparation-process-768x560.png 768w\" alt=\"\" width=\"976\" height=\"712\" \/><\/p>\n<p>La tarea es enorme. Pero cualquier organizaci\u00f3n inteligente sabr\u00e1 que el objetivo no es la perfecci\u00f3n al 100% ni un enfoque global. El objetivo es garantizar una cultura y un enfoque de la calidad de los datos en el que se prevengan los problemas antes de que se conviertan en molestias dif\u00edciles.<\/p>\n<p>Conclusi\u00f3n:<\/p>\n<p>La preparaci\u00f3n de los datos es s\u00f3lo una parte del primer paso de la gesti\u00f3n de datos, y aunque existen potentes herramientas de preparaci\u00f3n de datos que hacen la mayor parte del trabajo duro, las empresas seguir\u00e1n necesitando a personas que verifiquen, validen y se aseguren de que el resultado es el deseado. Es importante reconocer que las herramientas son tan inteligentes como los seres humanos que las utilizan. Dado que el futuro es la IA y el ML, es imperativo que las empresas comiencen un enfoque centrado en la preparaci\u00f3n de datos, convirtiendo sus datos en combustible que impulsa a la organizaci\u00f3n hacia adelante.<\/p>\n<p><img src=\"https:\/\/dataladder.com\/wp-content\/uploads\/2019\/05\/fuzzy-whitepaper2.png\" sizes=\"(max-width: 887px) 100vw, 887px\" srcset=\"https:\/\/dataladder.com\/wp-content\/uploads\/2019\/05\/fuzzy-whitepaper2.png 887w, https:\/\/dataladder.com\/wp-content\/uploads\/2019\/05\/fuzzy-whitepaper2-300x183.png 300w, https:\/\/dataladder.com\/wp-content\/uploads\/2019\/05\/fuzzy-whitepaper2-768x468.png 768w\" alt=\"\" width=\"887\" height=\"541\" \/><\/p>\n<p><b>C\u00f3mo funcionan las mejores soluciones de concordancia difusa de su clase: Combinando algoritmos establecidos y propios<\/b><\/p>\n<p><a role=\"button\" href=\"https:\/\/content.dataladder.com\/How-Best-In-Class-Fuzzy-Matching-Solutions-Work-Combining-Established-and-Proprietary-Algorithms-WP.pdf\"><br \/>\nDescargar<br \/>\n<\/a><\/p>\n<p>Inicie su prueba gratuita hoy mismo<\/p>\n<p class=\"gform_not_found\">\u00a1Vaya! No hemos podido localizar tu formulario.<\/p>\n","protected":false},"excerpt":{"rendered":"<p>A medida que las empresas invierten miles de millones de d\u00f3lares en big data con la esperanza de convertir los datos en dinero, la necesidad de un software, una soluci\u00f3n y unas herramientas de preparaci\u00f3n de datos eficientes y f\u00e1ciles de usar tambi\u00e9n aumenta. Cada vez es m\u00e1s dif\u00edcil para las empresas preparar los datos [&hellip;]<\/p>\n","protected":false},"author":9,"featured_media":58278,"comment_status":"closed","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"_lmt_disableupdate":"","_lmt_disable":"","_links_to":"","_links_to_target":""},"categories":[1271],"tags":[543,782,783,774,670,708],"acf":[],"yoast_head":"<!-- This site is optimized with the Yoast SEO plugin v19.9 - https:\/\/yoast.com\/wordpress\/plugins\/seo\/ -->\n<title>Gu\u00eda r\u00e1pida de software de preparaci\u00f3n de datos, soluciones y mejores pr\u00e1cticas - 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\/guia-rapida-de-software-de-preparacion-de-datos-soluciones-y-mejores-practicas\/\" \/>\n<meta property=\"og:locale\" content=\"es_ES\" \/>\n<meta property=\"og:type\" content=\"article\" \/>\n<meta property=\"og:title\" content=\"Gu\u00eda r\u00e1pida de software de preparaci\u00f3n de datos, soluciones y mejores pr\u00e1cticas - Data Ladder\" \/>\n<meta property=\"og:description\" content=\"A medida que las empresas invierten miles de millones de d\u00f3lares en big data con la esperanza de convertir los datos en dinero, la necesidad de un software, una soluci\u00f3n y unas herramientas de preparaci\u00f3n de datos eficientes y f\u00e1ciles de usar tambi\u00e9n aumenta. Cada vez es m\u00e1s dif\u00edcil para las empresas preparar los datos [&hellip;]\" \/>\n<meta property=\"og:url\" content=\"https:\/\/dataladder.com\/es\/guia-rapida-de-software-de-preparacion-de-datos-soluciones-y-mejores-practicas\/\" \/>\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=\"2020-06-08T04:00:00+00:00\" \/>\n<meta property=\"article:modified_time\" content=\"2022-03-11T13:18:51+00:00\" \/>\n<meta property=\"og:image\" content=\"https:\/\/dataladder.com\/wp-content\/uploads\/2021\/09\/data-cleaning-tool-scaled-1.jpg\" \/>\n\t<meta property=\"og:image:width\" content=\"2560\" \/>\n\t<meta property=\"og:image:height\" content=\"1544\" \/>\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=\"15 minutos\" \/>\n<script type=\"application\/ld+json\" class=\"yoast-schema-graph\">{\"@context\":\"https:\/\/schema.org\",\"@graph\":[{\"@type\":\"Article\",\"@id\":\"https:\/\/dataladder.com\/es\/guia-rapida-de-software-de-preparacion-de-datos-soluciones-y-mejores-practicas\/#article\",\"isPartOf\":{\"@id\":\"https:\/\/dataladder.com\/es\/guia-rapida-de-software-de-preparacion-de-datos-soluciones-y-mejores-practicas\/\"},\"author\":{\"name\":\"lbarrera\",\"@id\":\"https:\/\/dataladder.com\/es\/#\/schema\/person\/6cc3d6b3c83c611546541b5eb2d1e21b\"},\"headline\":\"Gu\u00eda r\u00e1pida de software de preparaci\u00f3n de datos, soluciones y mejores pr\u00e1cticas\",\"datePublished\":\"2020-06-08T04:00:00+00:00\",\"dateModified\":\"2022-03-11T13:18:51+00:00\",\"mainEntityOfPage\":{\"@id\":\"https:\/\/dataladder.com\/es\/guia-rapida-de-software-de-preparacion-de-datos-soluciones-y-mejores-practicas\/\"},\"wordCount\":3418,\"publisher\":{\"@id\":\"https:\/\/dataladder.com\/es\/#organization\"},\"keywords\":[\"calidad de los datos\",\"deduplicaci\u00f3n de datos\",\"herramienta de preparaci\u00f3n de datos\",\"limpieza de datos\",\"Preparaci\u00f3n de datos\",\"software de preparaci\u00f3n de datos\"],\"articleSection\":[\"Gesti\u00f3n de la calidad de los datos\"],\"inLanguage\":\"es\"},{\"@type\":\"WebPage\",\"@id\":\"https:\/\/dataladder.com\/es\/guia-rapida-de-software-de-preparacion-de-datos-soluciones-y-mejores-practicas\/\",\"url\":\"https:\/\/dataladder.com\/es\/guia-rapida-de-software-de-preparacion-de-datos-soluciones-y-mejores-practicas\/\",\"name\":\"Gu\u00eda r\u00e1pida de software de preparaci\u00f3n de datos, soluciones y mejores pr\u00e1cticas - Data Ladder\",\"isPartOf\":{\"@id\":\"https:\/\/dataladder.com\/es\/#website\"},\"datePublished\":\"2020-06-08T04:00:00+00:00\",\"dateModified\":\"2022-03-11T13:18:51+00:00\",\"breadcrumb\":{\"@id\":\"https:\/\/dataladder.com\/es\/guia-rapida-de-software-de-preparacion-de-datos-soluciones-y-mejores-practicas\/#breadcrumb\"},\"inLanguage\":\"es\",\"potentialAction\":[{\"@type\":\"ReadAction\",\"target\":[\"https:\/\/dataladder.com\/es\/guia-rapida-de-software-de-preparacion-de-datos-soluciones-y-mejores-practicas\/\"]}]},{\"@type\":\"BreadcrumbList\",\"@id\":\"https:\/\/dataladder.com\/es\/guia-rapida-de-software-de-preparacion-de-datos-soluciones-y-mejores-practicas\/#breadcrumb\",\"itemListElement\":[{\"@type\":\"ListItem\",\"position\":1,\"name\":\"Home\",\"item\":\"https:\/\/dataladder.com\/es\/\"},{\"@type\":\"ListItem\",\"position\":2,\"name\":\"Gu\u00eda r\u00e1pida de software de preparaci\u00f3n de datos, soluciones y mejores pr\u00e1cticas\"}]},{\"@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":"Gu\u00eda r\u00e1pida de software de preparaci\u00f3n de datos, soluciones y mejores pr\u00e1cticas - 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\/guia-rapida-de-software-de-preparacion-de-datos-soluciones-y-mejores-practicas\/","og_locale":"es_ES","og_type":"article","og_title":"Gu\u00eda r\u00e1pida de software de preparaci\u00f3n de datos, soluciones y mejores pr\u00e1cticas - Data Ladder","og_description":"A medida que las empresas invierten miles de millones de d\u00f3lares en big data con la esperanza de convertir los datos en dinero, la necesidad de un software, una soluci\u00f3n y unas herramientas de preparaci\u00f3n de datos eficientes y f\u00e1ciles de usar tambi\u00e9n aumenta. Cada vez es m\u00e1s dif\u00edcil para las empresas preparar los datos [&hellip;]","og_url":"https:\/\/dataladder.com\/es\/guia-rapida-de-software-de-preparacion-de-datos-soluciones-y-mejores-practicas\/","og_site_name":"Data Ladder","article_publisher":"https:\/\/web.facebook.com\/DataLadderSoftware","article_published_time":"2020-06-08T04:00:00+00:00","article_modified_time":"2022-03-11T13:18:51+00:00","og_image":[{"width":2560,"height":1544,"url":"https:\/\/dataladder.com\/wp-content\/uploads\/2021\/09\/data-cleaning-tool-scaled-1.jpg","type":"image\/jpeg"}],"author":"lbarrera","twitter_card":"summary_large_image","twitter_misc":{"Escrito por":"lbarrera","Tiempo de lectura":"15 minutos"},"schema":{"@context":"https:\/\/schema.org","@graph":[{"@type":"Article","@id":"https:\/\/dataladder.com\/es\/guia-rapida-de-software-de-preparacion-de-datos-soluciones-y-mejores-practicas\/#article","isPartOf":{"@id":"https:\/\/dataladder.com\/es\/guia-rapida-de-software-de-preparacion-de-datos-soluciones-y-mejores-practicas\/"},"author":{"name":"lbarrera","@id":"https:\/\/dataladder.com\/es\/#\/schema\/person\/6cc3d6b3c83c611546541b5eb2d1e21b"},"headline":"Gu\u00eda r\u00e1pida de software de preparaci\u00f3n de datos, soluciones y mejores pr\u00e1cticas","datePublished":"2020-06-08T04:00:00+00:00","dateModified":"2022-03-11T13:18:51+00:00","mainEntityOfPage":{"@id":"https:\/\/dataladder.com\/es\/guia-rapida-de-software-de-preparacion-de-datos-soluciones-y-mejores-practicas\/"},"wordCount":3418,"publisher":{"@id":"https:\/\/dataladder.com\/es\/#organization"},"keywords":["calidad de los datos","deduplicaci\u00f3n de datos","herramienta de preparaci\u00f3n de datos","limpieza de datos","Preparaci\u00f3n de datos","software de preparaci\u00f3n de datos"],"articleSection":["Gesti\u00f3n de la calidad de los datos"],"inLanguage":"es"},{"@type":"WebPage","@id":"https:\/\/dataladder.com\/es\/guia-rapida-de-software-de-preparacion-de-datos-soluciones-y-mejores-practicas\/","url":"https:\/\/dataladder.com\/es\/guia-rapida-de-software-de-preparacion-de-datos-soluciones-y-mejores-practicas\/","name":"Gu\u00eda r\u00e1pida de software de preparaci\u00f3n de datos, soluciones y mejores pr\u00e1cticas - Data Ladder","isPartOf":{"@id":"https:\/\/dataladder.com\/es\/#website"},"datePublished":"2020-06-08T04:00:00+00:00","dateModified":"2022-03-11T13:18:51+00:00","breadcrumb":{"@id":"https:\/\/dataladder.com\/es\/guia-rapida-de-software-de-preparacion-de-datos-soluciones-y-mejores-practicas\/#breadcrumb"},"inLanguage":"es","potentialAction":[{"@type":"ReadAction","target":["https:\/\/dataladder.com\/es\/guia-rapida-de-software-de-preparacion-de-datos-soluciones-y-mejores-practicas\/"]}]},{"@type":"BreadcrumbList","@id":"https:\/\/dataladder.com\/es\/guia-rapida-de-software-de-preparacion-de-datos-soluciones-y-mejores-practicas\/#breadcrumb","itemListElement":[{"@type":"ListItem","position":1,"name":"Home","item":"https:\/\/dataladder.com\/es\/"},{"@type":"ListItem","position":2,"name":"Gu\u00eda r\u00e1pida de software de preparaci\u00f3n de datos, soluciones y mejores pr\u00e1cticas"}]},{"@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\/63069"}],"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=63069"}],"version-history":[{"count":2,"href":"https:\/\/dataladder.com\/es\/wp-json\/wp\/v2\/posts\/63069\/revisions"}],"predecessor-version":[{"id":66399,"href":"https:\/\/dataladder.com\/es\/wp-json\/wp\/v2\/posts\/63069\/revisions\/66399"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/dataladder.com\/es\/wp-json\/wp\/v2\/media\/58278"}],"wp:attachment":[{"href":"https:\/\/dataladder.com\/es\/wp-json\/wp\/v2\/media?parent=63069"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/dataladder.com\/es\/wp-json\/wp\/v2\/categories?post=63069"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/dataladder.com\/es\/wp-json\/wp\/v2\/tags?post=63069"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}