La forma m\u00e1s f\u00e1cil de saber qu\u00e9 es \u00abaceptable\u00bb es entender los requisitos de su empresa. Lo ideal es que las organizaciones se aseguren de que el modelo de datos utilizado por la mayor\u00eda de las aplicaciones -si no todas- se ajuste a sus necesidades empresariales. La mejor manera de lograr la estandarizaci\u00f3n de los datos es alinear su representaci\u00f3n, estructura y definici\u00f3n con los requisitos de la organizaci\u00f3n.<\/p>\n\n
Tipos y ejemplos de errores de normalizaci\u00f3n de datos<\/h2>\n\n
A continuaci\u00f3n se ofrecen algunos ejemplos de c\u00f3mo pueden acabar los datos no normalizados en el sistema:<\/p>\n\n
- El n\u00famero de tel\u00e9fono del cliente <\/em>se guarda como una cadena en un sistema, mientras que en otro s\u00f3lo se permite que sea un n\u00famero que contenga 8 d\u00edgitos, lo que provoca una incoherencia en el tipo de datos<\/strong>.<\/li>
- El nombre del cliente <\/em>se guarda como un solo campo en un sistema, mientras que el mismo se cubre como tres campos separados en otro sistema para el nombre, el segundo nombre y los apellidos, lo que lleva a una incoherencia estructural<\/strong>.<\/li>
- La fecha de nacimiento del cliente<\/em> tiene el formato MM\/DD\/AAAA en un sistema, mientras que la misma tiene el formato Mes D\u00eda, A\u00f1o en otro sistema – lo que lleva a la inconsistencia del formato<\/strong>.<\/li>
- El g\u00e9nero del cliente<\/em> se guarda como Mujer o Hombre en un sistema, mientras que el mismo se guarda como F o M en otro sistema, lo que lleva a la inconsistencia del valor del dominio<\/strong>.<\/li><\/ol>\n\n
Aparte de estas situaciones comunes, las faltas de ortograf\u00eda, los errores de transcripci\u00f3n y la falta de restricciones de validaci\u00f3n pueden aumentar los errores de normalizaci\u00f3n de datos en sus conjuntos de datos.<\/p>\n\n
\u00bfPor qu\u00e9 hay que normalizar los datos?<\/h2>\n\n
Cada sistema tiene su propio conjunto de limitaciones y restricciones, lo que da lugar a modelos de datos \u00fanicos y a sus definiciones. Por esta raz\u00f3n, puede ser necesario transformar los datos antes de que puedan ser consumidos correctamente por cualquier proceso de negocio.<\/p>\n\n
Normalmente, se sabe que ha llegado el momento de normalizar los datos cuando se quiere:<\/p>\n\n
1. Conformar los datos entrantes o salientes<\/h3>\n\n
Una organizaci\u00f3n tiene muchas interfaces que intercambian puntos de datos de partes interesadas externas, como proveedores o socios. Cada vez que los datos entran en una empresa o se exportan, es necesario ajustarlos a la norma requerida, pues de lo contrario el desorden de datos no estandarizados no hace m\u00e1s que crecer.<\/p>\n\n
2. Preparar los datos para el BI o la anal\u00edtica<\/h3>\n\n
Los mismos datos pueden representarse de m\u00faltiples maneras, pero la mayor\u00eda de las herramientas de BI no est\u00e1n especializadas para procesar todas las posibles representaciones de los valores de los datos y pueden acabar tratando los mismos datos con un significado diferente. Esto puede llevar a resultados de BI sesgados o inexactos. Por lo tanto, antes de alimentar los datos en sus sistemas de BI, deben ser limpiados, estandarizados y deduplicados<\/a>, para que pueda obtener informaci\u00f3n correcta y valiosa.<\/p>\n\n
3. Consolidar entidades para eliminar duplicidades<\/h3>\n\n
La duplicaci\u00f3n de datos es uno de los mayores peligros para la calidad de los datos que afrontan las empresas. Para que las operaciones empresariales sean eficientes y sin errores, debe eliminar los registros duplicados<\/a> que pertenezcan a la misma entidad (ya sea para un cliente, un producto, una ubicaci\u00f3n o un empleado), y un proceso de deduplicaci\u00f3n de datos<\/a> eficaz requiere que se cumplan las normas de calidad de los datos.<\/p>\n\n
4. Compartir datos entre departamentos<\/h3>\n\n
Para que los datos sean interoperables entre departamentos, tienen que estar en un formato comprensible para todos. Por lo general, las organizaciones tienen informaci\u00f3n de los clientes en los CRM que es entendida por la gente de ventas y marketing. Esto puede introducir retrasos en la finalizaci\u00f3n de las tareas y bloqueos en la productividad del equipo.<\/p>\n\n
Limpieza de datos frente a estandarizaci\u00f3n de datos<\/h2>\n\n
Los t\u00e9rminos limpieza de datos<\/em> y normalizaci\u00f3n de datos<\/em> suelen utilizarse indistintamente. Pero hay una peque\u00f1a diferencia entre ambos.<\/p>\n\n
La limpieza de datos es el proceso de identificar datos incorrectos o sucios y sustituirlos por valores correctos, mientras que la normalizaci\u00f3n de datos es el proceso de transformar los valores de los datos de un formato inaceptable a un formato aceptable.<\/p>\n\n
El objetivo y el resultado de ambos procesos es similar: se quiere eliminar la inexactitud y la incoherencia de los conjuntos de datos. Ambos procesos son vitales para su iniciativa de gesti\u00f3n de la calidad de los datos y deben ir de la mano.<\/p>\n\n
\u00bfC\u00f3mo normalizar los datos?<\/h2>\n\n
Un proceso de normalizaci\u00f3n de datos consta de cuatro sencillos pasos: definir, probar, transformar y volver a probar. Repasemos cada paso con un poco m\u00e1s de detalle.<\/p>\n\n
1. Definir una norma<\/h3>\n\n
En el primer paso, debe identificar qu\u00e9 norma satisface las necesidades de su organizaci\u00f3n. La mejor manera de definir una norma es dise\u00f1ar un modelo de datos para su empresa. Este modelo de datos representar\u00e1 el estado m\u00e1s ideal al que deben ajustarse los valores de los datos de una determinada entidad. Un modelo de datos puede ser dise\u00f1ado como:<\/p>\n\n
- Identifique los activos de datos <\/strong>cruciales para el funcionamiento de su empresa. Por ejemplo, la mayor\u00eda de las empresas capturan y gestionan datos de clientes, productos, empleados, ubicaciones, etc.<\/li>
- Defina los campos de datos <\/strong>de cada activo identificado y decida tambi\u00e9n los detalles estructurales. Por ejemplo, puede querer almacenar el nombre, la direcci\u00f3n, el correo electr\u00f3nico y el n\u00famero de tel\u00e9fono de un cliente, donde el campo nombre abarca tres campos y el campo direcci\u00f3n abarca dos.<\/li>
- Asigne un tipo de datos<\/strong> a cada campo identificado en el activo. Por ejemplo, el campo Nombre es un valor de cadena, N\u00famero de tel\u00e9fono es un valor entero, etc.<\/li>
- Defina los l\u00edmites de caracteres<\/strong> (m\u00ednimo y m\u00e1ximo) para cada campo. Por ejemplo, un nombre no puede tener m\u00e1s de 15 caracteres y el n\u00famero de tel\u00e9fono no puede tener m\u00e1s de 8 d\u00edgitos, etc.<\/li>
- Defina el patr\u00f3n<\/strong> al que deben atenerse los campos – puede que no sea aplicable a todos los campos. Por ejemplo, la direcci\u00f3n de correo electr\u00f3nico de cada cliente debe ajustarse a la regex [chars]@[chars].[chars].<\/li>
- Definir el formato<\/strong> en el que deben colocarse determinados elementos de datos dentro de un campo. Por ejemplo, la fecha de nacimiento de un cliente debe especificarse como MM\/DD\/AAAA.<\/li>
- Defina la unidad de medida <\/strong>para los valores num\u00e9ricos (si procede). Por ejemplo, la edad del cliente se mide por a\u00f1os.<\/li>
- Definir el dominio de valores<\/strong> para los campos que deben derivarse de un determinado conjunto de valores. Por ejemplo, la edad del cliente debe ser un d\u00edgito entre 18 y 50, el sexo debe ser masculino o femenino, etc.<\/li><\/ol>\n\n
Un modelo de datos dise\u00f1ado puede colocarse en un diagrama de clases ERD para ayudar a visualizar el est\u00e1ndar definido para cada activo de datos y c\u00f3mo se relacionan entre s\u00ed. A continuaci\u00f3n se muestra un ejemplo de modelo de datos para una empresa minorista:<\/p>\n
\n![\"\"](\"https:\/\/dataladder.com\/wp-content\/uploads\/2022\/02\/Data-models.png\")
<\/figure><\/div>\n2. Prueba de la norma<\/h3>\n\n
Las t\u00e9cnicas de estandarizaci\u00f3n de datos comienzan en el segundo paso, ya que el primero se centra en la definici\u00f3n de lo que debe ser, algo que se hace una vez o se revisa y actualiza de vez en cuando.<\/p>\n\n
Ha definido la norma y ahora es el momento de ver si los datos actuales se ajustan a ella. A continuaci\u00f3n, repasamos una serie de t\u00e9cnicas que comprueban los valores de los datos en busca de errores de estandarizaci\u00f3n y construyen un informe de estandarizaci\u00f3n que puede utilizarse para solucionar los problemas.<\/p>\n\n
a. An\u00e1lisis de registros y atributos<\/h4>\n\n
El dise\u00f1o de un modelo de datos es la parte m\u00e1s crucial de la gesti\u00f3n de datos. Pero, por desgracia, muchas organizaciones no dise\u00f1an modelos de datos ni establecen est\u00e1ndares de datos comunes a tiempo, o las aplicaciones que utilizan no tienen modelos de datos personalizables, lo que les lleva a capturar datos con nombres de campos y estructuras diferentes.<\/p>\n\n
Al consultar la informaci\u00f3n de diferentes sistemas, puede observar que algunos registros devuelven el nombre de un cliente como un solo campo, mientras que otros devuelven tres o incluso cuatro campos que cubren el nombre de un cliente. Por esta raz\u00f3n, antes de que cualquier conjunto de datos pueda ser examinado en busca de errores, hay que empezar por analizar los registros y los campos para obtener los componentes que deben ser probados para la normalizaci\u00f3n.<\/p>\n\n
b. Informe sobre el perfil de los datos del edificio<\/h4>\n\n
El siguiente paso es pasar los componentes analizados por un sistema de perfiles. Una herramienta de perfilado de datos<\/a> informa de diferentes estad\u00edsticas sobre los atributos de los datos, como<\/p>\n\n
- \u00bfCu\u00e1ntos valores de una columna siguen el tipo de datos, el formato y el patr\u00f3n requeridos?<\/li>
- \u00bfCu\u00e1l es el n\u00famero medio de caracteres presentes en una columna?<\/li>
- \u00bfCu\u00e1les son los valores m\u00e1ximos y m\u00ednimos presentes en una columna num\u00e9rica?<\/li>
- \u00bfCu\u00e1les son los valores m\u00e1s comunes presentes en una columna y cu\u00e1ntas veces aparecen?<\/li><\/ul>\n\n
c. Comparaci\u00f3n y validaci\u00f3n de patrones<\/h4>\n\n
Aunque las herramientas de perfilado de datos informan sobre las coincidencias de patrones, dado que es una parte importante de las pruebas de normalizaci\u00f3n de datos, lo discutiremos con un poco m\u00e1s de profundidad. Para hacer coincidir los patrones, es necesario definir primero una expresi\u00f3n regular est\u00e1ndar para un campo, por ejemplo, una expresi\u00f3n regular para las direcciones de correo electr\u00f3nico puede ser ^[a-zA-Z0-9+_ .-]+@[a-zA-Z0-9 .-]+$. Todas las direcciones de correo electr\u00f3nico que no sigan el patr\u00f3n dado deben ser marcadas durante la prueba.<\/p>\n\n
d. Uso de diccionarios<\/h4>\n\n
Se puede comprobar la normalizaci\u00f3n de determinados campos de datos cotejando los valores con diccionarios o bases de conocimientos. Tambi\u00e9n puede ejecutarlas con diccionarios creados por el usuario. Esto se hace a menudo para coincidir con errores ortogr\u00e1ficos, abreviaturas o nombres acortados. Por ejemplo, los nombres de empresas suelen incluir t\u00e9rminos como LLC, Inc, Ltd. y Corp. Cotejarlos con un diccionario lleno de esos t\u00e9rminos est\u00e1ndar puede ayudar a identificar cu\u00e1les no siguen la norma requerida o est\u00e1n mal escritos.<\/p>\n\n
M\u00e1s informaci\u00f3n sobre el uso de wordsmith para eliminar el ruido y normalizar los datos en masa<\/a>.<\/p>\n\n
e. Direcciones de prueba para la normalizaci\u00f3n<\/h4>\n\n
Mientras se prueban los datos para su estandarizaci\u00f3n, es posible que tenga que probar campos especializados, como ubicaciones o direcciones. La estandarizaci\u00f3n de direcciones es el proceso de cotejar el formato de las direcciones con una base de datos autorizada -como la de USPS en Estados Unidos- y convertir la informaci\u00f3n de las direcciones en un formato aceptable y estandarizado.<\/p>\n\n
Una direcci\u00f3n estandarizada debe estar correctamente escrita, formateada, abreviada, geocodificada, as\u00ed como adjuntada con valores ZIP+4 precisos. Todas las direcciones que no se ajustan a la norma requerida (especialmente las direcciones que se supone que reciben entregas y env\u00edos) deben ser marcadas para que puedan ser transformadas seg\u00fan sea necesario.<\/p>\n\n
M\u00e1s informaci\u00f3n: Gu\u00eda r\u00e1pida para la normalizaci\u00f3n y verificaci\u00f3n de direcciones<\/a>.<\/p>\n\r\n
\r\n\r\n\r\n\r\n\r\nEnterprise Content Solutions uses DataMatch Enterprise<\/h1>\r\n
Enterprise Content Solutions found 24% higher matches than other vendors for inconsistent address records.<\/p>\r\n Read case study<\/a>\r\n <\/div>\r\n <\/div>\r\n <\/div>\r\n\r\n <\/div>\r\n <\/div>\n\n
3. Transformar<\/h3>\n\n
En el tercer paso del proceso de normalizaci\u00f3n de datos, llega finalmente el momento de convertir los valores no conformes en un formato normalizado. Esto puede incluir:<\/p>\n\n
- Transformaci\u00f3n de los tipos de datos de los campos<\/strong>, como la conversi\u00f3n de N\u00famero de tel\u00e9fono de cadena a un tipo de datos entero y la eliminaci\u00f3n de cualquier car\u00e1cter o s\u00edmbolo presente en los n\u00fameros de tel\u00e9fono para obtener el n\u00famero de 8 d\u00edgitos.<\/li>
- Transformar patrones y formatos<\/strong>, como convertir las fechas presentes en el conjunto de datos al formato MM\/DD\/AAAA.<\/li>
- Transformaci\u00f3n de unidades de medida<\/strong>, como la conversi\u00f3n de los precios de los productos a USD.<\/li>
- Ampliar los valores abreviados<\/strong> para completar las formas, como sustituir los estados de EE: NY a Nueva York, NJ a Nueva Jersey, etc.<\/li>
- Eliminar el ruido <\/strong>presente en los valores de los datos para obtener una informaci\u00f3n m\u00e1s significativa, como eliminar LLC, Inc. y Corp. de los nombres de las empresas para obtener los nombres reales sin ning\u00fan ruido.<\/li>
- Reconstruir los valores <\/strong>en un formato estandarizado en caso de que sea necesario asignarlos a una nueva aplicaci\u00f3n o a un centro de datos, como un sistema de gesti\u00f3n de datos<\/a> maestros.<\/li><\/ul>\n\n
Todas estas transformaciones se pueden hacer manualmente -lo que puede llevar mucho tiempo y ser improductivo- o se pueden utilizar herramientas automatizadas que pueden ayudar a limpiar los datos automatizando las fases de prueba y transformaci\u00f3n est\u00e1ndar por usted.<\/p>\n\n
4. Volver a probar la norma<\/h3>\n\n
Una vez finalizado el proceso de transformaci\u00f3n, es una buena pr\u00e1ctica volver a probar el conjunto de datos para detectar errores de estandarizaci\u00f3n. Los informes previos y posteriores a la estandarizaci\u00f3n pueden compararse para comprender en qu\u00e9 medida los errores de datos fueron corregidos por los procesos configurados y c\u00f3mo pueden mejorarse para alcanzar mejores resultados.<\/p>\n\n
Uso de herramientas de estandarizaci\u00f3n de datos de autoservicio<\/h2>\n\n
Hoy en d\u00eda, los datos se introducen manualmente, as\u00ed como se capturan y generan autom\u00e1ticamente. En medio del manejo de grandes vol\u00famenes de datos, las organizaciones se encuentran con millones de registros que contienen patrones, tipos de datos y formatos incoherentes. Y cuando quieren utilizar estos datos, los equipos se ven bombardeados con horas de comprobaci\u00f3n manual del formato y de correcci\u00f3n de cada peque\u00f1o detalle antes de que la informaci\u00f3n pueda considerarse \u00fatil.<\/p>\n\n
Muchas empresas se est\u00e1n dando cuenta de la importancia de proporcionar a sus equipos herramientas de estandarizaci\u00f3n de datos<\/a> de autoservicio que tambi\u00e9n vienen con funciones de limpieza de datos<\/a> incorporadas. La adopci\u00f3n de este tipo de herramientas puede ayudar a su equipo a ejecutar complejas t\u00e9cnicas de limpieza y normalizaci\u00f3n de datos en millones de registros en cuesti\u00f3n de minutos.<\/p>\n\n
DataMatch Enterprise<\/a> es una de esas herramientas que facilita a los equipos de datos la rectificaci\u00f3n de los errores de normalizaci\u00f3n de datos con rapidez y precisi\u00f3n, y les permite centrarse en tareas m\u00e1s importantes. Para saber m\u00e1s sobre c\u00f3mo puede ayudar DataMatch Enterprise, puede descargar una prueba gratuita hoy mismo<\/a> o reservar una demostraci\u00f3n<\/a> con un experto.<\/p>\n","protected":false},"excerpt":{"rendered":"
Cuando se extraen datos de varias aplicaciones instaladas en la empresa, se espera recibir una definici\u00f3n y un formato coherentes de la misma informaci\u00f3n. Pero en la realidad, esto no suele ser as\u00ed. Las variaciones presentes en los conjuntos de datos -entre aplicaciones e incluso dentro de la misma aplicaci\u00f3n- hacen casi imposible utilizar los […]<\/p>\n","protected":false},"author":9,"featured_media":68256,"comment_status":"closed","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"_lmt_disableupdate":"","_lmt_disable":"","_links_to":"","_links_to_target":""},"categories":[1324],"tags":[543,574,647,475,835],"acf":[],"yoast_head":"\n
Gu\u00eda de normalizaci\u00f3n de datos: Tipos, beneficios y proceso - Data Ladder<\/title>\n<meta name=\"description\" content=\"En este blog, aprenderemos todo sobre la normalizaci\u00f3n de datos: qu\u00e9 es, por qu\u00e9 y cu\u00e1ndo se necesita, y c\u00f3mo se puede hacer.\" \/>\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-de-normalizacion-de-datos-tipos-beneficios-y-proceso\/\" \/>\n<meta property=\"og:locale\" content=\"es_ES\" \/>\n<meta property=\"og:type\" content=\"article\" \/>\n<meta property=\"og:title\" content=\"Gu\u00eda de normalizaci\u00f3n de datos: Tipos, beneficios y proceso - Data Ladder\" \/>\n<meta property=\"og:description\" content=\"En este blog, aprenderemos todo sobre la normalizaci\u00f3n de datos: qu\u00e9 es, por qu\u00e9 y cu\u00e1ndo se necesita, y c\u00f3mo se puede hacer.\" \/>\n<meta property=\"og:url\" content=\"https:\/\/dataladder.com\/es\/guia-de-normalizacion-de-datos-tipos-beneficios-y-proceso\/\" \/>\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=\"2022-09-05T15:03:59+00:00\" \/>\n<meta property=\"article:modified_time\" content=\"2022-09-13T09:01:07+00:00\" \/>\n<meta property=\"og:image\" content=\"https:\/\/dataladder.com\/wp-content\/uploads\/2021\/08\/Group-42313.png\" \/>\n\t<meta property=\"og:image:width\" content=\"1440\" \/>\n\t<meta property=\"og:image:height\" content=\"538\" \/>\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=\"14 minutos\" \/>\n<script type=\"application\/ld+json\" class=\"yoast-schema-graph\">{\"@context\":\"https:\/\/schema.org\",\"@graph\":[{\"@type\":\"Article\",\"@id\":\"https:\/\/dataladder.com\/es\/guia-de-normalizacion-de-datos-tipos-beneficios-y-proceso\/#article\",\"isPartOf\":{\"@id\":\"https:\/\/dataladder.com\/es\/guia-de-normalizacion-de-datos-tipos-beneficios-y-proceso\/\"},\"author\":{\"name\":\"lbarrera\",\"@id\":\"https:\/\/dataladder.com\/es\/#\/schema\/person\/6cc3d6b3c83c611546541b5eb2d1e21b\"},\"headline\":\"Gu\u00eda de normalizaci\u00f3n de datos: Tipos, beneficios y proceso\",\"datePublished\":\"2022-09-05T15:03:59+00:00\",\"dateModified\":\"2022-09-13T09:01:07+00:00\",\"mainEntityOfPage\":{\"@id\":\"https:\/\/dataladder.com\/es\/guia-de-normalizacion-de-datos-tipos-beneficios-y-proceso\/\"},\"wordCount\":2774,\"publisher\":{\"@id\":\"https:\/\/dataladder.com\/es\/#organization\"},\"keywords\":[\"calidad de los datos\",\"comparaci\u00f3n de datos\",\"estandarizaci\u00f3n de direcciones\",\"Limpieza de datos\",\"normalizaci\u00f3n de datos\"],\"articleSection\":[\"Limpieza y estandarizaci\u00f3n de datos\"],\"inLanguage\":\"es\"},{\"@type\":\"WebPage\",\"@id\":\"https:\/\/dataladder.com\/es\/guia-de-normalizacion-de-datos-tipos-beneficios-y-proceso\/\",\"url\":\"https:\/\/dataladder.com\/es\/guia-de-normalizacion-de-datos-tipos-beneficios-y-proceso\/\",\"name\":\"Gu\u00eda de normalizaci\u00f3n de datos: Tipos, beneficios y proceso - Data Ladder\",\"isPartOf\":{\"@id\":\"https:\/\/dataladder.com\/es\/#website\"},\"datePublished\":\"2022-09-05T15:03:59+00:00\",\"dateModified\":\"2022-09-13T09:01:07+00:00\",\"description\":\"En este blog, aprenderemos todo sobre la normalizaci\u00f3n de datos: qu\u00e9 es, por qu\u00e9 y cu\u00e1ndo se necesita, y c\u00f3mo se puede hacer.\",\"breadcrumb\":{\"@id\":\"https:\/\/dataladder.com\/es\/guia-de-normalizacion-de-datos-tipos-beneficios-y-proceso\/#breadcrumb\"},\"inLanguage\":\"es\",\"potentialAction\":[{\"@type\":\"ReadAction\",\"target\":[\"https:\/\/dataladder.com\/es\/guia-de-normalizacion-de-datos-tipos-beneficios-y-proceso\/\"]}]},{\"@type\":\"BreadcrumbList\",\"@id\":\"https:\/\/dataladder.com\/es\/guia-de-normalizacion-de-datos-tipos-beneficios-y-proceso\/#breadcrumb\",\"itemListElement\":[{\"@type\":\"ListItem\",\"position\":1,\"name\":\"Home\",\"item\":\"https:\/\/dataladder.com\/es\/\"},{\"@type\":\"ListItem\",\"position\":2,\"name\":\"Gu\u00eda de normalizaci\u00f3n de datos: Tipos, beneficios y proceso\"}]},{\"@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 de normalizaci\u00f3n de datos: Tipos, beneficios y proceso - Data Ladder","description":"En este blog, aprenderemos todo sobre la normalizaci\u00f3n de datos: qu\u00e9 es, por qu\u00e9 y cu\u00e1ndo se necesita, y c\u00f3mo se puede hacer.","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-de-normalizacion-de-datos-tipos-beneficios-y-proceso\/","og_locale":"es_ES","og_type":"article","og_title":"Gu\u00eda de normalizaci\u00f3n de datos: Tipos, beneficios y proceso - Data Ladder","og_description":"En este blog, aprenderemos todo sobre la normalizaci\u00f3n de datos: qu\u00e9 es, por qu\u00e9 y cu\u00e1ndo se necesita, y c\u00f3mo se puede hacer.","og_url":"https:\/\/dataladder.com\/es\/guia-de-normalizacion-de-datos-tipos-beneficios-y-proceso\/","og_site_name":"Data Ladder","article_publisher":"https:\/\/web.facebook.com\/DataLadderSoftware","article_published_time":"2022-09-05T15:03:59+00:00","article_modified_time":"2022-09-13T09:01:07+00:00","og_image":[{"width":1440,"height":538,"url":"https:\/\/dataladder.com\/wp-content\/uploads\/2021\/08\/Group-42313.png","type":"image\/png"}],"author":"lbarrera","twitter_card":"summary_large_image","twitter_misc":{"Escrito por":"lbarrera","Tiempo de lectura":"14 minutos"},"schema":{"@context":"https:\/\/schema.org","@graph":[{"@type":"Article","@id":"https:\/\/dataladder.com\/es\/guia-de-normalizacion-de-datos-tipos-beneficios-y-proceso\/#article","isPartOf":{"@id":"https:\/\/dataladder.com\/es\/guia-de-normalizacion-de-datos-tipos-beneficios-y-proceso\/"},"author":{"name":"lbarrera","@id":"https:\/\/dataladder.com\/es\/#\/schema\/person\/6cc3d6b3c83c611546541b5eb2d1e21b"},"headline":"Gu\u00eda de normalizaci\u00f3n de datos: Tipos, beneficios y proceso","datePublished":"2022-09-05T15:03:59+00:00","dateModified":"2022-09-13T09:01:07+00:00","mainEntityOfPage":{"@id":"https:\/\/dataladder.com\/es\/guia-de-normalizacion-de-datos-tipos-beneficios-y-proceso\/"},"wordCount":2774,"publisher":{"@id":"https:\/\/dataladder.com\/es\/#organization"},"keywords":["calidad de los datos","comparaci\u00f3n de datos","estandarizaci\u00f3n de direcciones","Limpieza de datos","normalizaci\u00f3n de datos"],"articleSection":["Limpieza y estandarizaci\u00f3n de datos"],"inLanguage":"es"},{"@type":"WebPage","@id":"https:\/\/dataladder.com\/es\/guia-de-normalizacion-de-datos-tipos-beneficios-y-proceso\/","url":"https:\/\/dataladder.com\/es\/guia-de-normalizacion-de-datos-tipos-beneficios-y-proceso\/","name":"Gu\u00eda de normalizaci\u00f3n de datos: Tipos, beneficios y proceso - Data Ladder","isPartOf":{"@id":"https:\/\/dataladder.com\/es\/#website"},"datePublished":"2022-09-05T15:03:59+00:00","dateModified":"2022-09-13T09:01:07+00:00","description":"En este blog, aprenderemos todo sobre la normalizaci\u00f3n de datos: qu\u00e9 es, por qu\u00e9 y cu\u00e1ndo se necesita, y c\u00f3mo se puede hacer.","breadcrumb":{"@id":"https:\/\/dataladder.com\/es\/guia-de-normalizacion-de-datos-tipos-beneficios-y-proceso\/#breadcrumb"},"inLanguage":"es","potentialAction":[{"@type":"ReadAction","target":["https:\/\/dataladder.com\/es\/guia-de-normalizacion-de-datos-tipos-beneficios-y-proceso\/"]}]},{"@type":"BreadcrumbList","@id":"https:\/\/dataladder.com\/es\/guia-de-normalizacion-de-datos-tipos-beneficios-y-proceso\/#breadcrumb","itemListElement":[{"@type":"ListItem","position":1,"name":"Home","item":"https:\/\/dataladder.com\/es\/"},{"@type":"ListItem","position":2,"name":"Gu\u00eda de normalizaci\u00f3n de datos: Tipos, beneficios y proceso"}]},{"@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\/68415"}],"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=68415"}],"version-history":[{"count":1,"href":"https:\/\/dataladder.com\/es\/wp-json\/wp\/v2\/posts\/68415\/revisions"}],"predecessor-version":[{"id":68419,"href":"https:\/\/dataladder.com\/es\/wp-json\/wp\/v2\/posts\/68415\/revisions\/68419"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/dataladder.com\/es\/wp-json\/wp\/v2\/media\/68256"}],"wp:attachment":[{"href":"https:\/\/dataladder.com\/es\/wp-json\/wp\/v2\/media?parent=68415"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/dataladder.com\/es\/wp-json\/wp\/v2\/categories?post=68415"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/dataladder.com\/es\/wp-json\/wp\/v2\/tags?post=68415"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}} - Transformar patrones y formatos<\/strong>, como convertir las fechas presentes en el conjunto de datos al formato MM\/DD\/AAAA.<\/li>
- Transformaci\u00f3n de los tipos de datos de los campos<\/strong>, como la conversi\u00f3n de N\u00famero de tel\u00e9fono de cadena a un tipo de datos entero y la eliminaci\u00f3n de cualquier car\u00e1cter o s\u00edmbolo presente en los n\u00fameros de tel\u00e9fono para obtener el n\u00famero de 8 d\u00edgitos.<\/li>
- Defina los campos de datos <\/strong>de cada activo identificado y decida tambi\u00e9n los detalles estructurales. Por ejemplo, puede querer almacenar el nombre, la direcci\u00f3n, el correo electr\u00f3nico y el n\u00famero de tel\u00e9fono de un cliente, donde el campo nombre abarca tres campos y el campo direcci\u00f3n abarca dos.<\/li>
- El nombre del cliente <\/em>se guarda como un solo campo en un sistema, mientras que el mismo se cubre como tres campos separados en otro sistema para el nombre, el segundo nombre y los apellidos, lo que lleva a una incoherencia estructural<\/strong>.<\/li>