{"id":167321,"date":"2023-05-05T09:21:00","date_gmt":"2023-05-05T08:21:00","guid":{"rendered":"https:\/\/liora.io\/es\/?p=167321"},"modified":"2026-02-09T15:37:29","modified_gmt":"2026-02-09T14:37:29","slug":"data-quality-por-que-es-tan-importante","status":"publish","type":"post","link":"https:\/\/liora.io\/es\/data-quality-por-que-es-tan-importante","title":{"rendered":"Data Quality: \u00bfPor qu\u00e9 es tan importante?"},"content":{"rendered":"<style><br \/>\n.elementor-heading-title{padding:0;margin:0;line-height:1}.elementor-widget-heading .elementor-heading-title[class*=elementor-size-]>a{color:inherit;font-size:inherit;line-height:inherit}.elementor-widget-heading .elementor-heading-title.elementor-size-small{font-size:15px}.elementor-widget-heading .elementor-heading-title.elementor-size-medium{font-size:19px}.elementor-widget-heading .elementor-heading-title.elementor-size-large{font-size:29px}.elementor-widget-heading .elementor-heading-title.elementor-size-xl{font-size:39px}.elementor-widget-heading .elementor-heading-title.elementor-size-xxl{font-size:59px}<\/style>\n<p><strong><b>Desde la explosi\u00f3n del Big Data, las empresas digitales han recopilado grandes cantidades de datos. Sin embargo, como dice la famosa expresi\u00f3n inform\u00e1tica: Garbage In, Garbage Out, la informaci\u00f3n que una empresa puede obtener de los datos depende \u00fanicamente de la calidad de los propios datos. Para poder utilizar los datos correctamente, es muy importante garantizar su calidad y aplicar estrategias de Data Quality dentro de una empresa.<\/b><\/strong><\/p>\nDe hecho, unos datos de mala calidad pueden tener un impacto significativo en la organizaci\u00f3n y conducir a decisiones empresariales err\u00f3neas. Por ejemplo: un alto porcentaje de direcciones de correo electr\u00f3nico incorrectas en una base de datos tendr\u00e1 un fuerte impacto negativo en una campa\u00f1a de marketing.\n\n<iframe title=\"What is Data Quality ? Importance &amp; challenges for business\" width=\"500\" height=\"281\" src=\"https:\/\/www.youtube.com\/embed\/qc4oWfpjnio?feature=oembed\" frameborder=\"0\" allow=\"accelerometer; autoplay; clipboard-write; encrypted-media; gyroscope; picture-in-picture; web-share\" referrerpolicy=\"strict-origin-when-cross-origin\" allowfullscreen><\/iframe>\n<h3>\u00bfCu\u00e1les son los criterios de calidad de los datos?<\/h3>\nExisten <b>muchos criterios<\/b> para evaluar la calidad de los datos, pero deben ser coherentes con la forma en que se utilizan. Por ejemplo, una empresa que quiera <b>hacer ofertas promocionales<\/b> a sus clientes el d\u00eda de su cumplea\u00f1os tendr\u00e1 que registrar su fecha de nacimiento, mientras que la informaci\u00f3n \u00abmayor o menor de 18 a\u00f1os\u00bb bastar\u00e1 para un sitio de apuestas deportivas que proh\u00edba el acceso a menores.\n\nEstos son los seis principios que deben respetarse para considerar que un dato es de buena calidad:\n<ul>\n \t<li><b>Validez<\/b>: los datos deben almacenarse sin errores, erratas o fallos de sintaxis.<\/li>\n \t<li><b>Integridad<\/b>: los datos tienen que estar completos.<\/li>\n \t<li><b>Exactitud<\/b>: aunque este criterio parezca evidente, los datos deben ser correctos. Por ejemplo, debe procurarse mantener una buena precisi\u00f3n de los datos cuando se sustituyan los valores que faltan.<\/li>\n \t<li><b>Disponibilidad<\/b>: los datos deben ser de f\u00e1cil y r\u00e1pido acceso.<\/li>\n \t<li><b>Actualizaci\u00f3n<\/b>: los datos deben actualizarse peri\u00f3dicamente para evitar su obsolescencia.<\/li>\n \t<li><b>Coherencia<\/b>: cada variable debe almacenarse en un formato \u00fanico. Este criterio rara vez se cumple cuando los datos proceden de varias fuentes.<\/li>\n<\/ul>\n<style><br \/>\n.elementor-widget-image{text-align:center}.elementor-widget-image a{display:inline-block}.elementor-widget-image a img[src$=\".svg\"]{width:48px}.elementor-widget-image img{vertical-align:middle;display:inline-block}<\/style>\t\t\t\t\t\t\t\t\t\t\t\t<img decoding=\"async\" width=\"799\" height=\"602\" src=\"https:\/\/liora.io\/app\/uploads\/sites\/7\/2023\/05\/schema-data-quality-1.webp\" alt=\"\" loading=\"lazy\" srcset=\"https:\/\/liora.io\/app\/uploads\/sites\/7\/2023\/05\/schema-data-quality-1.webp 799w, https:\/\/liora.io\/app\/uploads\/sites\/7\/2023\/05\/schema-data-quality-1-300x226.webp 300w, https:\/\/liora.io\/app\/uploads\/sites\/7\/2023\/05\/schema-data-quality-1-768x579.webp 768w\" sizes=\"(max-width: 799px) 100vw, 799px\">\n<h3>Implantaci\u00f3n de una estrategia de Data Quality en una empresa<\/h3>\nLa implantaci\u00f3n de una estrategia de Data Quality se decide en el \u00e1mbito de la empresa. El coste inicial es importante, pero hay que tener en cuenta que los costes que generan los datos defectuosos suelen ser superiores a los costes de implantaci\u00f3n de m\u00e9todos y recursos de Data Quality. <a href=\"http:\/\/www.jiem.org\/index.php\/jiem\/article\/view\/232\/130\"><b>Este estudio<\/b><\/a> de 2011 muestra que los costes asociados a los datos incorrectos son siempre superiores a los costes asociados al mantenimiento de la Data Quality.\n\nEn la gesti\u00f3n de la Data Quality, hay tres pilares principales:\n<ul>\n \t<li><strong>Gobernanza de datos<\/strong>:&nbsp;El equipo de gesti\u00f3n debe <b>supervisar la exactitud de los datos, su actualizaci\u00f3n y los procedimientos establecidos para mantener la calidad<\/b>. Todo ello debe adaptarse teniendo en cuenta los objetivos importantes de la empresa. Hay que sopesar cuidadosamente la compensaci\u00f3n entre el coste de implantar programas de Data Quality y los costes financieros y de reputaci\u00f3n asociados al uso de datos de mala calidad. Adem\u00e1s, es importante asegurarse de que los dem\u00e1s miembros de la empresa son conscientes de la importancia de la calidad de los datos.<\/li>\n \t<li><b>Data Quality Assurance (QA)<\/b>: garantiza que se mantiene la calidad de los datos a lo largo del tiempo mediante el uso de m\u00e9todos y procedimientos para <b>identificar datos incompletos, inexactos o incoherentes<\/b>.<\/li>\n \t<li><b>Control de calidad<\/b>: antes de los procesos de Data Quality Assurance, la aplicaci\u00f3n de protocolos de control de calidad garantiza que los datos sean precisos y que las bases de datos no est\u00e9n saturadas de datos innecesarios. Se trata de <b>decidir si los datos son \u00fatiles, pertinentes, si merece la pena utilizarlos o si deben suprimirse<\/b>. Se trata de controlar tanto la calidad de los datos como el uso que hacen de ellos los empleados de la empresa.<\/li>\n<\/ul>\n<h3>El proceso de Data Cleaning<\/h3>\nEl proceso consta de <b>3 etapas principales<\/b>.\n<ol>\n \t<li>El primer paso consiste en <b>inspeccionar los datos<\/b> y plantearse las siguientes preguntas: \u00ab\u00bfDe d\u00f3nde proceden estos datos? \u00bfC\u00f3mo se han recogido los datos? \u00bfQu\u00e9 tipos de archivos tenemos? \u00bfDe qu\u00e9 tama\u00f1o? \u00bfQu\u00e9 caracter\u00edsticas presentan?<\/li>\n \t<li>En la segunda fase del proceso, los datos se <b>estandarizan<\/b> para garantizar su validez, exactitud y coherencia.<\/li>\n \t<li>Por \u00faltimo, se garantiza la exactitud gestionando los valores que faltan y los datos textuales para que <b>el conjunto de datos sea f\u00e1cilmente accesible<\/b> para estudios posteriores.<\/li>\n<\/ol>\n<h3>\u00bfQu\u00e9 podemos aprender de la Data Quality?<\/h3>\nResumamos lo que hemos visto hasta ahora.\n\nLa puesta en marcha de una <b>estrategia<\/b> de Data Quality es esencial para el buen funcionamiento y la creaci\u00f3n de valor de una empresa.\n\nEsta estrategia se basa en tres pilares fundamentales: la <b>gesti\u00f3n de datos<\/b>, la <b>Data Quality Assurance<\/b> y el <b>control de calidad<\/b>.\n\nEl objetivo de esta estrategia es mejorar las siguientes seis caracter\u00edsticas de los datos: <b>validez<\/b>, <b>integridad<\/b>, <b>exactitud<\/b>, <b>disponibilidad<\/b>, <b>actualizaci\u00f3n<\/b> y <b>coherencia<\/b>.\n\nUna gesti\u00f3n \u00f3ptima de la calidad de los datos permite utilizarlos, manipularlos y analizarlos con total tranquilidad para desarrollar modelos de regresi\u00f3n, clasificaci\u00f3n u otros modelos de <a href=\"https:\/\/liora.io\/es\/machine-learning-definicion-funcionamiento-usos\"><b>Machine Learning<\/b><\/a>.\n\nPor \u00faltimo, si deseas poner en pr\u00e1ctica el m\u00e9todo de Data Quality, no dudes en <b>apuntarte a nuestro curso de Data Manager<\/b>.\n\n\n<div class=\"wp-block-buttons is-layout-flex wp-block-buttons-is-layout-flex is-content-justification-center\"><div class=\"wp-block-button \"><a class=\"wp-block-button__link wp-element-button \" href=\"https:\/\/liora.io\/es\/formacion-data-management\">Descubrir el itinerario Data Management<\/a><\/div><\/div>\n","protected":false},"excerpt":{"rendered":"<p>Desde la explosi\u00f3n del Big Data, las empresas digitales han recopilado grandes cantidades de datos. Sin embargo, como dice la famosa expresi\u00f3n inform\u00e1tica: Garbage In, Garbage Out, la informaci\u00f3n que una empresa puede obtener de los datos depende \u00fanicamente de la calidad de los propios datos. Para poder utilizar los datos correctamente, es muy importante [&hellip;]<\/p>\n","protected":false},"author":74,"featured_media":167322,"comment_status":"open","ping_status":"open","sticky":false,"template":"elementor_theme","format":"standard","meta":{"_acf_changed":false,"editor_notices":[],"footnotes":""},"categories":[2440],"class_list":["post-167321","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-data-ia"],"acf":[],"_links":{"self":[{"href":"https:\/\/liora.io\/es\/wp-json\/wp\/v2\/posts\/167321","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/liora.io\/es\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/liora.io\/es\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/liora.io\/es\/wp-json\/wp\/v2\/users\/74"}],"replies":[{"embeddable":true,"href":"https:\/\/liora.io\/es\/wp-json\/wp\/v2\/comments?post=167321"}],"version-history":[{"count":1,"href":"https:\/\/liora.io\/es\/wp-json\/wp\/v2\/posts\/167321\/revisions"}],"predecessor-version":[{"id":183493,"href":"https:\/\/liora.io\/es\/wp-json\/wp\/v2\/posts\/167321\/revisions\/183493"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/liora.io\/es\/wp-json\/wp\/v2\/media\/167322"}],"wp:attachment":[{"href":"https:\/\/liora.io\/es\/wp-json\/wp\/v2\/media?parent=167321"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/liora.io\/es\/wp-json\/wp\/v2\/categories?post=167321"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}