{"id":63172,"date":"2019-05-03T00:00:00","date_gmt":"2019-05-03T04:00:00","guid":{"rendered":"https:\/\/dataladder.com\/limpieza-de-datos-en-el-almacen-de-datos-el-enfoque-automatizado-y-sin-codigo-para-mantener-su-fuente-unica-de-verdad\/"},"modified":"2022-03-17T11:36:54","modified_gmt":"2022-03-17T11:36:54","slug":"limpieza-de-datos-en-el-almacen-de-datos-el-enfoque-automatizado-y-sin-codigo-para-mantener-su-fuente-unica-de-verdad","status":"publish","type":"post","link":"https:\/\/dataladder.com\/es\/limpieza-de-datos-en-el-almacen-de-datos-el-enfoque-automatizado-y-sin-codigo-para-mantener-su-fuente-unica-de-verdad\/","title":{"rendered":"Limpieza de datos en el almac\u00e9n de datos: El enfoque automatizado y sin c\u00f3digo para mantener su fuente \u00fanica de verdad"},"content":{"rendered":"

Los datos est\u00e1n en todas partes, y se espera que el volumen total <\/span>
\nde datos supera los 44 billones de GB en 2020.<\/span>
\n<\/a>pero rara vez es \u00fatil. S\u00f3lo <\/span>27%<\/span><\/a> de las organizaciones con iniciativas de an\u00e1lisis de datos en marcha informan de alg\u00fan \u00e9xito significativo, mientras que un mero 8% describe sus esfuerzos como \u00abmuy exitosos\u00bb. Estas cifras son bajas no porque las empresas no tengan los datos necesarios, sino porque no tienen datos de calidad con los que trabajar, lo que significa que los datos que tienen son, a todos los efectos, in\u00fatiles.<\/span><\/p>\n

La disponibilidad no es suficiente; hay que hacer que los datos sean \u00fatiles.<\/span><\/p>\n

A la hora de construir su almac\u00e9n de datos, asegurarse de que tiene datos limpios es fundamental, o se arriesga a enfrentarse a la <\/span>\u00ab<\/span>
\nbasura que entra, basura que sale<\/span>
\n<\/a>\u00ab<\/span> fen\u00f3meno. Pero, \u00bfqu\u00e9 implica exactamente la limpieza de datos y si realmente la necesita en el dise\u00f1o de su almac\u00e9n de datos espec\u00edfico?<\/span><\/p>\n

Si est\u00e1 integrando datos de una sola fuente, puede encontrar que los registros de origen contienen informaci\u00f3n que falta, errores ortogr\u00e1ficos de cuando se introdujeron los datos originalmente, datos no v\u00e1lidos, etc. Estos problemas son omnipresentes en las bases de datos y a menudo se trasladan a los informes anal\u00edticos, a menos que se apliquen t\u00e9cnicas de limpieza y depuraci\u00f3n de datos<\/a> de antemano. El problema se agrava cuando se trata de fuentes de datos dispares para construir repositorios de datos centralizados como un almac\u00e9n de datos, un sistema de informaci\u00f3n global o un sistema federado de bases de datos operativas. <\/span><\/p>\n

Cuando se trata de una sola fuente, hay que lidiar con las inexactitudes de los datos. Con fuentes dispares, tambi\u00e9n tendr\u00e1 que lidiar con las diferencias en la forma en que se almacenan y estructuran los datos, as\u00ed como con los problemas de redundancia de datos entre las m\u00faltiples representaciones de datos en cada fuente.<\/span><\/p>\n

Veamos un ejemplo. Digamos que tiene una entidad llamada \u00abJohn Smith\u00bb con el campo Ciudad rellenado como \u00abLondres\u00bb en una base de datos. Otra base de datos podr\u00eda tener una columna adicional para \u00abPa\u00eds\u00bb, y cuando las dos bases de datos se fusionen, no tendr\u00e1 ninguna forma f\u00e1cil de rellenar el campo Ciudad para el antiguo registro \u00abJuan P\u00e9rez\u00bb. Despu\u00e9s de todo, hay cerca de <\/span>
\n12 Londres diferentes en el mundo<\/span>. <\/span><\/p>\n

Este es un ejemplo; podr\u00eda haber infinidad de problemas, como nombres concatenados en una base de datos y columnas separadas para FirstName y LastName en otra, o columnas separadas para HouseNumber y StreetName, mientras que otra base de datos tiene una \u00fanica columna Address. <\/span><\/p>\n

Una forma de corregir la calidad de los datos es escudri\u00f1ar y corregir manualmente los errores, pero eso se vuelve r\u00e1pidamente inviable cuando se trata de grandes datos. La otra v\u00eda es utilizar un software de calidad de datos construido espec\u00edficamente para permitir la <\/span>limpieza de datos m\u00e1s r\u00e1pida y precisa<\/span> para su almac\u00e9n de datos.<\/span><\/p>\n

Limpieza de datos en el almac\u00e9n de datos<\/span><\/h2>\n

Su almac\u00e9n de datos debe disponer de datos coherentes, precisos y deduplicados para alimentar las aplicaciones de an\u00e1lisis posteriores y otros sistemas de la empresa. En un escenario t\u00edpico, necesitar\u00e1 un \u00e1rea de preparaci\u00f3n separada en la que importar\u00e1 los datos desde la fuente y luego los transformar\u00e1 y los manipular\u00e1 para estandarizarlos<\/a> y limpiarlos. Los programas<\/a> modernos de limpieza de datos<\/a> admiten el procesamiento en memoria, en el que los datos de origen se importan a la memoria temporal en lugar de a una base de datos f\u00edsica. Puedes probar tus configuraciones de limpieza y deduplicaci\u00f3n en la memoria temporal y luego exportarlas una vez que est\u00e9s satisfecho con los resultados.<\/span><\/p>\n

Cuando decida un enfoque de limpieza de datos para su almac\u00e9n de datos, aseg\u00farese de que el m\u00e9todo elegido pueda:<\/span><\/p>\n