{"id":68418,"date":"2022-08-15T08:45:44","date_gmt":"2022-08-15T12:45:44","guid":{"rendered":"https:\/\/dataladder.com\/como-afecta-la-mala-calidad-de-los-datos-a-un-plan-de-supervivencia-ante-la-recesion\/"},"modified":"2022-09-13T09:01:07","modified_gmt":"2022-09-13T09:01:07","slug":"como-afecta-la-mala-calidad-de-los-datos-a-un-plan-de-supervivencia-ante-la-recesion","status":"publish","type":"post","link":"https:\/\/dataladder.com\/es\/como-afecta-la-mala-calidad-de-los-datos-a-un-plan-de-supervivencia-ante-la-recesion\/","title":{"rendered":"C\u00f3mo afecta la mala calidad de los datos a un plan de supervivencia ante la recesi\u00f3n"},"content":{"rendered":"\n

\u00abHay recesiones, hay ca\u00eddas de la bolsa. Si no entiendes que eso va a ocurrir, entonces no est\u00e1s preparado. No te ir\u00e1 bien en los mercados. Si vas a Minnesota en enero, debes saber que va a hacer fr\u00edo. No te asustas cuando el term\u00f3metro baja de cero\u00bb.<\/p>Peter Lynch<\/cite><\/blockquote><\/figure>\n\n

Predicci\u00f3n sobre la recesi\u00f3n mundial<\/h2>\n\n

Los economistas advierten de ambas cosas: una recesi\u00f3n en Estados Unidos y otra a nivel mundial. El descenso de las cotizaciones burs\u00e1tiles -especialmente en la tecnolog\u00eda y el comercio minorista-, el aumento de los tipos de inter\u00e9s y los crecientes problemas con la cadena de suministro son los principales indicadores que influyen en esta predicci\u00f3n.<\/p>\n\n

Ante la inminente sensaci\u00f3n de fatalidad en el mercado, las empresas est\u00e1n tomando decisiones precipitadas e impulsivas. Los nuevos proyectos se detienen, los gastos se reducen demasiado y los empleados son despedidos brutalmente. La imprevisibilidad de los acontecimientos futuros se suma a la preocupaci\u00f3n de los dirigentes empresariales que intentan sortear una posible recesi\u00f3n.<\/p>\n\n

En medio de todo esto, los datos demuestran ser el activo m\u00e1s valioso de una organizaci\u00f3n que ofrece un valor real en una recesi\u00f3n econ\u00f3mica.<\/p>\n\n

Datos: La verdad est\u00e1 ah\u00ed fuera<\/h2>\n\n

Los datos se convierten en un salvador en los momentos en que todo lo dem\u00e1s falla. Un r\u00e1pido vistazo a lo que ocurri\u00f3 durante las anteriores recesiones econ\u00f3micas puede ayudarle a navegar por el presente con confianza. Los datos ofrecen un colch\u00f3n a las empresas y les permiten tomar decisiones con una sensaci\u00f3n de familiaridad y comodidad que es necesaria en tiempos sin precedentes. Pero es obvio que los datos en bruto no ofrecen la informaci\u00f3n necesaria, y deben transformarse en inteligencia empresarial y elementos procesables.<\/p>\n\n

Ciclo de inteligencia empresarial<\/h3>\n\n

Investigaci\u00f3n sobre \n Datos y cat\u00e1strofes<\/em>\n<\/a> describe un ciclo de inteligencia empresarial sencillo pero potente:<\/p>\n\n

\"\"<\/figure>\n\n

El ciclo muestra c\u00f3mo los datos sin procesar se convierten en informaci\u00f3n pr\u00e1ctica:<\/p>\n\n

  1. Una vez recogidos los datos brutos <\/strong>, se convierten en informaci\u00f3n <\/strong>verificando sus metadatos y comprobando su calidad para descartar imprecisiones e incoherencias.<\/li>
  2. La informaci\u00f3n <\/strong>se convierte en conocimiento <\/strong>alimentando las herramientas de inteligencia empresarial.<\/li>
  3. El conocimiento <\/strong>se gestiona entonces para formar planes<\/strong> y objetivos empresariales<\/strong>.<\/li>
  4. Los l\u00edderes se re\u00fanen para convertir esos planes <\/strong>y objetivos en elementos pr\u00e1cticos<\/strong>.<\/li>
  5. Los nuevos datos brutos<\/strong> se recogen de nuevo tras la adopci\u00f3n de medidas y se convierten en informaci\u00f3n<\/strong>.<\/li><\/ol>\n\n

    6 formas en que los datos ayudan en la recesi\u00f3n<\/h3>\n\n

    Una inteligencia empresarial precisa y fiable ayuda a las empresas a tomar decisiones basadas en datos reales, en lugar de en conjeturas y suposiciones. He aqu\u00ed 6 formas en que los datos ayudan a las empresas a mantenerse a flote durante una recesi\u00f3n.<\/p>\n\n

    1. Minimizar el riesgo<\/h4>\n\n

    Dos decisiones pueden llevarle por caminos distintos, pero \u00bfc\u00f3mo saber cu\u00e1l de ellas tendr\u00e1 un impacto mejor y m\u00e1s positivo para su negocio? La respuesta est\u00e1 en los datos del pasado. El an\u00e1lisis de la informaci\u00f3n del pasado puede ayudarle a evitar decisiones costosas y a medir los costes de oportunidad de las distintas v\u00edas, lo que le permitir\u00e1 elegir las alternativas que ofrecen m\u00e1s valor a corto plazo.<\/p>\n\n

    2. Planificar los recursos<\/h4>\n\n

    Una de las primeras decisiones que toman los empresarios en una crisis econ\u00f3mica es despedir a un gran n\u00famero de empleados. Pero los datos hist\u00f3ricos han demostrado que esas decisiones se toman siempre demasiado pronto. Por ejemplo, con el inicio de la pandemia de COVID-19, el mundo experiment\u00f3 la recesi\u00f3n m\u00e1s corta de la historia, que s\u00f3lo dur\u00f3 3 meses. Y los l\u00edderes empresariales pronto se dieron cuenta de que los recortes de personal se hicieron demasiado pronto, ya que descubrieron que la recontrataci\u00f3n, la incorporaci\u00f3n y la formaci\u00f3n de los empleados era un reto mucho mayor que el de retenerlos.<\/p>\n\n

    3. Predecir la gravedad de la recesi\u00f3n<\/h4>\n\n

    Las recesiones siempre resultan sombr\u00edas, largas y severas. Pero los datos del pasado demuestran que no es tan malo como se puede sentir al pasar por uno. Porque los plazos de cu\u00e1ndo llegar\u00e1 la recesi\u00f3n, cu\u00e1nto tiempo se mantendr\u00e1 y con qu\u00e9 severidad afectar\u00e1 a las peque\u00f1as y grandes empresas no se ajustaban a lo que los gur\u00fas de la econom\u00eda predec\u00edan. El uso de datos para comprender realmente estos aspectos de la recesi\u00f3n puede ayudar a basar las decisiones en informaci\u00f3n m\u00e1s precisa.<\/p>\n\n

    4. Lea las historias de \u00e9xito anteriores<\/h4>\n\n

    Por muy mal que suenen las recesiones, ha habido historias de \u00e9xito de empresas que no s\u00f3lo han sobrevivido a una, sino que han prosperado durante y despu\u00e9s de ella. El secreto est\u00e1 en las decisiones que tomaron antes de la recesi\u00f3n. Puedes empezar por hacerte con esos casos de \u00e9xito del pasado o incluso conectar con l\u00edderes que hayan superado crisis econ\u00f3micas anteriores y aprender c\u00f3mo lo hicieron.<\/p>\n\n

    5. Observar el comportamiento del consumidor<\/h4>\n\n

    Las empresas de la cadena de suministro o del sector minorista son las que m\u00e1s se quejan de la recesi\u00f3n. Pero la verdad es que ha habido historias de \u00e9xito de c\u00f3mo los peque\u00f1os minoristas crecieron en tiempos dif\u00edciles. El principal secreto aqu\u00ed es entender el comportamiento del consumidor. No es que los consumidores no compren durante una crisis econ\u00f3mica, es que pueden comprar algo diferente y en cantidades variables seg\u00fan la situaci\u00f3n econ\u00f3mica de su pa\u00eds.<\/p>\n\n

    Este es el mejor momento para invertir en plataformas de inteligencia de mercado que le proporcionen los \u00faltimos datos del mercado. Lea m\u00e1s sobre c\u00f3mo los minoristas pueden seguir aprovechando la ola del comercio electr\u00f3nico<\/a> durante las recesiones econ\u00f3micas.<\/p>\n\r\n

    \r\n
    \r\n
    \r\n
    \r\n
    \r\n

    The role of data quality in the world of retail<\/h1>\r\n

    Download this whitepaper to find out how retailers can identify if they have poor retail data quality and the most common issues associated with retail data and how to fix them.<\/p>\r\n Download<\/a>\r\n <\/div>\r\n <\/div>\r\n <\/div>\r\n\r\n <\/div>\r\n <\/div>\n\n

    6. Invertir en la mejora del funcionamiento<\/h4>\n\n

    Los datos pueden ayudarle a comprender qu\u00e9 \u00e1reas de negocio requieren mejoras operativas. Dado que el negocio es lento, es un buen momento para analizar las transacciones operativas pasadas y dise\u00f1ar nuevos procesos empresariales mejorados para diferentes \u00e1reas, como la experiencia y el compromiso del cliente, el ciclo de ventas, la gesti\u00f3n de la cadena de suministro, etc.<\/p>\n\n

    Mala calidad de los datos: La verdad no est\u00e1 ah\u00ed fuera<\/h2>\n\n

    Es imprescindible que los datos utilizados para elaborar un plan de supervivencia a la recesi\u00f3n sean precisos, v\u00e1lidos y coherentes. Pero, en realidad, los datos est\u00e1n llenos de errores y defectos intolerables que hacen que la inteligencia empresarial sea bastante dif\u00edcil, si no imposible. La mala calidad de los<\/a> datos -si no se gestiona a tiempo- ha demostrado producir resultados poco fiables y tener un impacto devastador en una empresa.<\/p>\n\n

    Ciclo de inteligencia empresarial sin calidad de datos<\/h3>\n\n

    Veamos c\u00f3mo se comporta un ciclo de inteligencia empresarial cuando se le suministran datos err\u00f3neos:<\/p>\n\n

    \"\"<\/figure>\n\n
    1. Se salta el paso m\u00e1s importante de convertir los datos en informaci\u00f3n.<\/li>
    2. Los analistas y las herramientas de BI tratan de extraer directamente el conocimiento de los datos sucios.<\/li>
    3. El \u00abconocimiento\u00bb se convierte entonces en objetivos y planes empresariales.<\/li>
    4. Los l\u00edderes dise\u00f1an elementos de acci\u00f3n a partir del plan de negocios contaminado.<\/li><\/ol>\n\n

      As\u00ed, los l\u00edderes ordenan a sus equipos que act\u00faen bas\u00e1ndose en un plan que no tiene nada que ver con la realidad. Y no s\u00f3lo eso, todo el tiempo y los recursos invertidos en este ciclo de BI se desperdiciaron, ya que la entrada estaba corrupta para empezar.<\/p>\n\n

      4 formas en que la mala calidad de los datos arruina un plan de supervivencia ante la recesi\u00f3n<\/h3>\n\n

      Veamos c\u00f3mo la mala calidad de los datos puede arruinar el plan de supervivencia de una empresa ante la recesi\u00f3n.<\/p>\n\n

      1. Informaci\u00f3n poco fiable de las herramientas de BI<\/h4>\n\n

      Acabamos de ver c\u00f3mo los datos sucios pueden destruir sus conocimientos de inteligencia empresarial. Si sus herramientas de BI reciben datos err\u00f3neos, los l\u00edderes pueden experimentar sugerencias inconsistentes y confusas de sus herramientas de BI o de su equipo de analistas. Basar las decisiones en este tipo de informaci\u00f3n puede llevar a su organizaci\u00f3n a perder oportunidades cr\u00edticas de mercado y a perder ingresos en tiempos dif\u00edciles. Esto puede ser devastador para su negocio, ya que puede no estar preparado para soportar tales p\u00e9rdidas.<\/p>\n\n

      2. Descompromiso con los clientes<\/h4>\n\n

      Las empresas que compiten en un mercado desde hace d\u00e9cadas conocen bien a sus consumidores, en t\u00e9rminos de demograf\u00eda, sus preferencias y elecciones. Pero una inminente recesi\u00f3n puede cambiar eso. Observar el comportamiento de los consumidores a partir de datos obsoletos o malinterpretados puede ser perjudicial para su reputaci\u00f3n en el mercado. Sus clientes pueden tener la sensaci\u00f3n de que est\u00e1 perdiendo el contacto con ellos y de que no cumple sus expectativas. Esto puede hacer que sus competidores le roben clientes al tratar de reducir los servicios y la asistencia al cliente.<\/p>\n\r\n

      \r\n
      \r\n
      \r\n
      \r\n
      \r\n

      How to build a unified, 360 customer view<\/h1>\r\n

      Download this whitepaper to learn why it\u2019s important to consolidate your customer data and how you can get a 360 view of your customers.<\/p>\r\n Download<\/a>\r\n <\/div>\r\n <\/div>\r\n <\/div>\r\n\r\n <\/div>\r\n <\/div>\n\n

      3. Obst\u00e1culos en el cambio a la tecnolog\u00eda digital<\/h4>\n\n

      Las empresas suelen detener sus iniciativas de transformaci\u00f3n digital por miedo a una posible recesi\u00f3n. Pero los economistas han predicho que las recesiones son un buen momento para acelerar los proyectos de transformaci\u00f3n digital, ya que sus costes de oportunidad son bajos. Esto sucede porque el negocio ya es lento y la contrataci\u00f3n de profesionales t\u00e9cnicos es m\u00e1s f\u00e1cil y menos costosa, ya que est\u00e1n siendo despedidos en toda la industria tecnol\u00f3gica.<\/p>\n\n

      A pesar de sus ventajas, las empresas se encuentran atascadas en su cambio a lo digital debido a las monta\u00f1as de informaci\u00f3n que faltan, est\u00e1n incompletas, son incoherentes y no est\u00e1n estandarizadas. Cuando la calidad de los datos no alcanza el nivel requerido, se producen grandes retrasos cuando las empresas intentan digitalizar los procesos o introducir nuevas tecnolog\u00edas.<\/p>\n\n

      4. Reducci\u00f3n de la eficiencia operativa y la productividad<\/h4>\n\n

      Dado que el negocio es lento durante estos tiempos, las empresas tienden a centrarse en la mejora de la eficiencia operativa en toda la organizaci\u00f3n para centrarse en nuevas oportunidades de expansi\u00f3n en el mercado. Pero la mala calidad de los datos provoca serios cuellos de botella en el trabajo de todos, ya que tienen que volver a comprobar las fuentes y el contenido de los datos antes de utilizarlos en las operaciones rutinarias. La baja eficiencia operativa y los niveles de productividad son el resultado de estos problemas en el momento en que su empresa menos puede tolerarlos.<\/p>\n\n

      Un plan de calidad de datos antes de que llegue la recesi\u00f3n<\/h2>\n\n

      No hay duda de que sus an\u00e1lisis deben ser oportunos y precisos para sobrevivir a una recesi\u00f3n. Pero la mala calidad de los datos puede destruir tanto la puntualidad como la exactitud de sus conocimientos. Por esta raz\u00f3n, es imperativo invertir en la gesti\u00f3n de la calidad de los datos ahora mismo para poder esquivar las posibles ca\u00eddas de los datos defectuosos cuando llegue la recesi\u00f3n. Veamos los 3 pasos m\u00e1s importantes para hacer frente a la mala calidad de los datos cuando nos acercamos a una recesi\u00f3n.<\/p>\n\n

      1. Identificar los problemas de calidad de los datos<\/h3>\n\n

      El primer paso es obvio: averiguar a qu\u00e9 se enfrenta. No todas las empresas tienen el mismo conjunto de problemas de calidad de datos. La calidad de los datos se define como la aptitud de los datos para cualquier fin previsto. Dependiendo de c\u00f3mo se utilicen los datos en su empresa, puede encontrar muchas discrepancias en la gesti\u00f3n de la calidad de los datos. A continuaci\u00f3n se ofrece una lista de los problemas de calidad de datos m\u00e1s comunes. Para saber m\u00e1s, consulte los 12 problemas de calidad de datos m\u00e1s comunes y su<\/a> origen.<\/p>\n\n\n\n\n\t\n\n\t\n\t\n\t\n\t\n\t\n\t\n\t\n\t\n\t
      No.<\/th>Data quality issue <\/th>Explanation <\/th>Example of data quality issue <\/th>\n<\/tr>\n<\/thead>\n
      1<\/td>Column duplication <\/td>Multiple columns are present that have the same logical meaning. <\/td>Product category is stored in two columns that logically mean the same: Category and Classification. <\/td>\n<\/tr>\n
      2<\/td>Record duplication <\/td>Multiple records are present for the same individual or entity. <\/td>Every time a customer interacts with your brand, a new row is created in the database rather than updating the existing one. <\/td>\n<\/tr>\n
      3<\/td>Invalid data <\/td>Data values are present in an incorrect format, pattern, data type or size. <\/td>Customer Phone Numbers are present in varying formats \u2013 some are stored as flat 10 digits, while others have hyphens, some are saved as a string, while others as numbers, and so on. <\/td>\n<\/tr>\n
      4<\/td>Inaccurate data <\/td>Data values do not conform to reality. <\/td>Customer Name is incorrectly stored: Elizabeth is stored as Aliza, or Matt is stored as Mathew. <\/td>\n<\/tr>\n
      5<\/td>Incorrect formulae <\/td>Data values are calculated using incorrect formulae. <\/td>Customer Age is calculated from their Date of Birth but the formula used is incorrect. <\/td>\n<\/tr>\n
      6<\/td>Inconsistency <\/td>Data values that represent the same information vary across different datasets and sources. <\/td>Customer record stored in the CRM represents a different Email Address than the one present in accounts application. <\/td>\n<\/tr>\n
      7<\/td>Missing data <\/td>Data is missing or is filled with blank values. <\/td>The Job Title of most customers is missing from the dataset. <\/td>\n<\/tr>\n
      8<\/td>Outdated data <\/td>Data is not current and represents outdated information. <\/td>Customer Mailing Addresses are years old leading to returned packages. <\/td>\n<\/tr>\n
      9<\/td>Unverified domain data <\/td>Data does not belong to a range of acceptable values. <\/td>Customer Mailing Addresses are years old leading to returned packages. <\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n\n\n

      2. Aplicar un plan de calidad de datos en semanas<\/h3>\n\n

      Si sus conjuntos de datos est\u00e1n contaminados con errores, necesita utilizar una plataforma de calidad de datos<\/a>, pero nada demasiado grande, algo que pueda estar en funcionamiento en cuesti\u00f3n de semanas y no de meses. Hay m\u00faltiples formas en que los proveedores empaquetan varios procesos de gesti\u00f3n de la calidad de los datos<\/a> en sus herramientas, como por ejemplo<\/p>\n\n