{"id":63220,"date":"2020-08-21T00:00:00","date_gmt":"2020-08-21T04:00:00","guid":{"rendered":"https:\/\/dataladder.com\/perfiles-de-datos-y-limpieza-de-datos-diferencias-clave-casos-de-uso-e-importancia-en-los-entornos-empresariales-actuales\/"},"modified":"2022-03-09T18:30:50","modified_gmt":"2022-03-09T18:30:50","slug":"perfiles-de-datos-y-limpieza-de-datos-diferencias-clave-casos-de-uso-e-importancia-en-los-entornos-empresariales-actuales","status":"publish","type":"post","link":"https:\/\/dataladder.com\/es\/perfiles-de-datos-y-limpieza-de-datos-diferencias-clave-casos-de-uso-e-importancia-en-los-entornos-empresariales-actuales\/","title":{"rendered":"Perfiles de datos y limpieza de datos: diferencias clave, casos de uso e importancia en los entornos empresariales actuales"},"content":{"rendered":"

A medida que avanzamos en la revoluci\u00f3n industrial de los datos, las empresas empiezan a darse cuenta de la inadecuaci\u00f3n de las herramientas tradicionales de gesti\u00f3n de datos para manejar las complejidades de los datos modernos. Muchos han tenido que experimentar duras llamadas de atenci\u00f3n con iniciativas de migraci\u00f3n o transformaci\u00f3n fallidas causadas por datos deficientes, ausencia de sistemas de gesti\u00f3n de la calidad de los datos y dependencia de m\u00e9todos anticuados que ya no son eficaces. <\/span><\/p>\n

En Data Ladder, vemos la calidad de los datos como un proceso necesario y continuo que debe integrarse dentro y entre los sistemas y departamentos. Adem\u00e1s, el control de los datos debe equilibrarse entre los inform\u00e1ticos y los usuarios de la empresa, ya que estos \u00faltimos son los verdaderos propietarios de los datos de los clientes y, por tanto, deben contar con sistemas que les permitan perfilar y limpiar los datos sin depender de los inform\u00e1ticos para su preparaci\u00f3n<\/a>. <\/span><\/p>\n

Laelaboraci\u00f3n de perfiles de datos<\/a> y la limpieza de datos<\/a> son las dos funciones o componentes fundamentales de la soluci\u00f3n de gesti\u00f3n de calidad de datos de Data Ladder y el punto de partida de cualquier iniciativa de gesti\u00f3n de datos. En pocas palabras, para arreglar los datos, hay que saber qu\u00e9 es lo que falla. <\/span><\/p>\n

Este post cubre todo lo que necesita saber sobre la diferencia entre el perfilado de datos y la limpieza de datos. <\/span><\/p>\n

Vamos a profundizar. <\/span><\/p>\n

Perfiles de datos y limpieza de datos: \u00bfcu\u00e1l es la diferencia clave? <\/span><\/h2>\n

En un sistema de calidad de datos, la elaboraci\u00f3n de perfiles de datos es una forma poderosa de analizar millones de filas de datos para identificar errores, informaci\u00f3n faltante y cualquier anomal\u00eda que pueda afectar a la calidad de la informaci\u00f3n. Al perfilar los datos, se pueden ver todos los problemas subyacentes de los datos que, de otro modo, no se podr\u00edan ver. <\/span><\/p>\n

La limpieza de datos es el segundo paso despu\u00e9s de la elaboraci\u00f3n de perfiles. Una vez que identifique los defectos en sus datos, podr\u00e1 tomar las medidas necesarias para limpiarlos. Por ejemplo, en la fase de elaboraci\u00f3n de perfiles, usted descubre que m\u00e1s de 100 de sus registros tienen n\u00fameros de tel\u00e9fono a los que les faltan los c\u00f3digos de pa\u00eds. A continuaci\u00f3n, puede escribir una regla dentro de su plataforma DQM para insertar los c\u00f3digos de pa\u00eds en todos los n\u00fameros de tel\u00e9fono que carezcan de ellos. <\/span><\/p>\n

La diferencia clave entre los dos procesos es sencilla: uno comprueba si hay errores y el otro permite limpiarlos. <\/span><\/b><\/p>\n

La elaboraci\u00f3n de perfiles de datos y la limpieza de datos no son conceptos nuevos. Sin embargo, se han limitado en gran medida a procesos manuales dentro de los sistemas de gesti\u00f3n de datos. Por ejemplo, la elaboraci\u00f3n de perfiles de datos siempre ha sido realizada por expertos en inform\u00e1tica y datos que utilizan una combinaci\u00f3n de f\u00f3rmulas y c\u00f3digos para identificar errores de nivel b\u00e1sico. El mero proceso de elaboraci\u00f3n de perfiles llevar\u00eda semanas y, aun as\u00ed, se pasar\u00edan por alto errores cr\u00edticos. La limpieza de datos fue otra pesadilla. Puede llevar meses limpiar una base de datos, incluida la eliminaci\u00f3n de duplicados (con un \u00edndice de precisi\u00f3n muy bajo). Mientras que estos m\u00e9todos pueden haber funcionado para estructuras de datos simples, es casi imposible aplicar los mismos m\u00e9todos en formatos de datos modernos. <\/span><\/p>\n

Este es un ejemplo de perfilado de datos con Microsoft Visual Studio. Los responsables de TI tendr\u00edan que configurar manualmente este flujo de trabajo<\/span>ow s\u00f3lo para identificar errores en una fuente de datos. <\/span><\/p>\n

\"Data
Flujo de trabajo de perfilado de datos a trav\u00e9s de Microsoft Visual Studio<\/figcaption><\/figure>\n

Imag\u00ednese utilizar este flujo de trabajo para datos complejos e incoherentes de terceros, como los de las redes sociales. Imag\u00ednese que tiene m\u00faltiples fuentes de datos procedentes de varias aplicaciones, plataformas (en l\u00ednea y fuera de l\u00ednea), vendedores, proveedores, etc. Imagine recrear este flujo de trabajo para cada tipo diferente de fuente de datos. Esto no s\u00f3lo lleva mucho tiempo, sino que es ineficaz para manejar grandes cantidades de datos. <\/span><\/span><\/p>\n

Utilizando el mismo ejemplo, supongamos que el nombre se introdujo incorrectamente en la fase de entrada de datos y se escribe como Johnnathan Smith en el CRM. Si el equipo que maneja estos datos no realiza una comprobaci\u00f3n del perfil, no sabr\u00eda que se trata de un error y proceder\u00eda a enviar un correo electr\u00f3nico al cliente con la ortograf\u00eda incorrecta. Les dejo que imaginen las consecuencias de ello. <\/span><\/p>\n

Por lo tanto, la elaboraci\u00f3n de perfiles de datos ayuda a la empresa a identificar este error ortogr\u00e1fico desde el principio del proceso. La limpieza de datos permite entonces al usuario corregir este error sustituy\u00e9ndolo por el nombre correcto. <\/span><\/b><\/p>\n

C\u00f3mo se hac\u00eda tradicionalmente la elaboraci\u00f3n de perfiles de datos y por qu\u00e9 es importante recurrir a la automatizaci\u00f3n <\/span><\/span><\/h2>\n

La elaboraci\u00f3n de perfiles de datos es una parte crucial de los proyectos de almac\u00e9n de datos y de inteligencia empresarial, donde se identifican los problemas de calidad de los datos en las fuentes de datos. Adem\u00e1s, la elaboraci\u00f3n de perfiles de datos permite a los usuarios descubrir nuevos requisitos para un sistema objetivo. Pero hasta hace poco, la elaboraci\u00f3n de perfiles de datos ha sido un proceso agotador que implica tareas manuales como: <\/span><\/span><\/p>\n