Mtodo de madurez para

la calidad de los datos

Data quality maturity method

Fecha de recepcin: 9 de febrero de 2012

Fecha de evaluacin: 12 de abril de 2012
Fecha de aprobacin: 4 de septiembre de 2012

Carlos Orlando Hernndez Gama (Colombia)

chernandez@sinertic.com.co
ESI Center SinerTIC Andino

Ingeniero de Sistemas de la Universidad Politcnico Grancolombiano, Especialis-

ta en Gerencia de la Universidad Pontificia Bolivariana de Medelln; Investigador de
la Universidad Externado de Colombia, Consultor especializado para la creacin de
tcnicas y metodologas de gestin empresarial ESI Center SinerTIC Andino. Con-
sultor y director de proyectos de tecnologa en empresas del estado y privadas.

Brigitte Mayorga Jaimes (Colombia)

ESI Center SinerTIC Andino

Ingeniera de Sistemas y Computacin de la Universidad de los Andes, con amplia

experiencia en servicios informticos. Gestora en el ao 2003 del Clster de Tecno-
logas de Informacin y Servicios Asociados SinerTIC, labor que la ha hecho mere-
cedora de mltiples reconocimientos internacionales. Actualmente se desempea
como consultora nacional e internacional en modelos asociativos, consorcios de
exportacin de software y en la Presidencia del Centro de Desarrollo Tecnolgico
de Tecnologas de la Informacin ESI Center SinerTIC Andino

Lyda Pea Paz (Colombia)

lpena@uao.edu.co
Universidad Autnoma de Occidente

BSc., Ingeniera de Sistemas de la Universidad de San Buenaventura Cali, Colombia,

Magster en Ciencias Computacionales del Instituto Tecnolgico y de Estudios Su-
periores de Monterrey - ITESM, Mxico. Estudiante del Doctorado en Ingeniera In-
formtica - Bioinformtica e Informtica Biomdica, Universidad Pontificia de Sala-
manca, Espaa. Docente de Planta, Universidad Autnoma de Occidente, Cali.

Punto de vista | v. III. | no. 5 | julio - diciembre 2012 | pp. 77 - 94 | | 79

 Resumen
En este artculo se presenta la propuesta de un
mtodo para la valoracin del nivel de madurez en
la calidad de los datos (IQM-QDMM) que permite a
las organizaciones identificar y fortalecer sus prc-
ticas empresariales y la tecnologa utilizada para el
tratamiento de los datos, a fin de asegurar la calidad
en los sistemas de informacin como un factor para
la competitividad.
Este mtodo se basa en el modelo de madurez
IQM (por sus siglas en ingls Information Quality
Metrics) propuesto por ESI Center SinerTIC Andino.
IQM define las perspectivas organizacionales y los
niveles de madurez para la valoracin y tratamiento
de los datos en la organizacin, a partir de lo cual,
se determina un sistema de mtricas, las condicio-
nes de las reas de valor del modelo de madurez
y los instrumentos para llevar a cabo dicha valora-
cin.
Palabras clave
Calidad de datos, modelo de madurez, gestin
empresarial.
80 | Punto de vista | v. III. | no. 5 | julio - diciembre 2012 | pp. 77 - 94 |
Abstract
In this article a proposal of a valuing method on
maturity level in data quality (IQM-QDMM) is pre-
sented. This method allows organizations to identi-
fy and strengthen their corporate practices and the
technology used for data processing to ensure the
quality in the information systems understood as a
key factor for competitivity.
This method is based on the maturity model IQM
(Information Quality Metrics) proposed by the ESI
Center SinerTIC Andino, IQM defines the organiza-
tional perspectives and the maturity levels for valu-
ing and data processing within the organization.
Based on this, a metrics system, the value area con-
ditions of the maturity model and the instruments
to perform such valoration are determined.
Keywords
data quality, maturity model, corporate manage-
ment.

Introduccin
En las ltimas dcadas, las organizacio-
nes se han visto enfrentadas a un merca-
do globalizado que las obliga a mejorar
su competitividad y productividad, me-
jorando la calidad de sus productos y ser-
vicios basados en la optimizacin de los
recursos, la eficiencia de sus operaciones
y la calidad de su informacin. En este
contexto, cobra an mayor importancia
el manejo que se haga de la informacin
al interior de la organizacin.
Si bien, las organizaciones entienden
la importancia de la calidad de la infor-
macin y han realizado inversiones im-
portantes en procesos de automatizacin,
siguen encontrndose inconvenientes al
momento de requerir datos precisos que
apoyen la implementacin de estrategias
de negocio o la toma de decisiones.
Atendiendo la necesidad de valorar el
nivel de calidad de los datos que se ma-
nejan en una organizacin, ESI Center
SinerTIC Andino propuso la metodolo-
ga IQM como un servicio integrado que
provee soluciones para el mejoramiento
de la calidad de los datos que soportan
los procesos estratgicos del negocio (ESI
Center, 2009).
Sustentado en la definicin del servi-
cio IQM, el presente documento plantea
la propuesta de un modelo para medir el
nivel de Madurez de las organizaciones
en cuanto a la Calidad de los Datos (M-
dulo de mtricas IQM-QDMM) que
permita identificar y fortalecer sus prcti-
cas empresariales y la tecnologa utilizada
para el tratamiento de los datos, a fin de
asegurar la calidad en los sistemas de in-
formacin (ESI Center Sinertic, 2011).
A continuacin se hace una descrip-
cin de la metodologa IQM y se plantean
Punto de vista | v. III. | no. 5 | julio - diciembre 2012 | pp. 77 - 94 |
Mtodo de madurez para la calidad de los datos
los factores, elementos y niveles que con-
sidera el Modelo de Madurez para la Ca-
lidad de los Datos, posteriormente se pre-
senta un caso de aplicacin del mtodo y
sus resultados.
Calidad de los datos en el
contexto organizacional
En las organizaciones, los datos se reco-
nocen como activos valiosos y como un
componente esencial para el xito de las
estrategias, no obstante, muchos sistemas
arrojan pobres resultados que alejan a los
clientes, porque producen altos costos de
mantenimiento y reduccin de la eficien-
cia, efectividad y rentabilidad de las em-
presas (ESI Center SinerTIC, 2011).
A continuacin se mencionan algunos
de los inconvenientes que se presentan al
interior de las organizaciones en cuanto
al manejo de los datos, los cuales se refle-
jan en la baja calidad de los mismos.
~~ No se poseen mecanismos para esta-
blecer las prdidas financieras causa-
das por la deficiente calidad de los da-
tos.
~~ No se han definido polticas que esta-
blezcan responsabilidades y acciones
enfocadas a garantizar la calidad en el
manejo de los datos y la informacin.
~~ No hay cultura organizacional en lo
correspondiente a la apropiacin de la
calidad de los datos y de la informa-
cin.
~~ Se observa el manejo descentralizado
de los datos, lo cual no garantiza con-
sistencia e integridad, redundando en
bajos resultados y sobrecostos de pro-
cesamiento.
| 81
 ~~ Carencia de procedimientos de con-
trol y seguimiento a la calidad de los
datos, por la debilidad o ausencia de
indicadores de satisfaccin o mtricas
de calidad.
~~ Se asocia la calidad de los datos espe-
cficamente con la gestin tecnolgi-
ca y no se consideran otras perspec-
tivas organizacionales que igualmente
la afectan.
~~ No se aplican las mejores prcticas de
ingeniera para el desarrollo y mante-
nimiento del software que administra
los datos en su ciclo de vida.
En un estudio realizado a 2600 em-
presas espaolas de todos los sectores
(ESIC y Schober, 2006), se muestra que
aun cuando el 74% de ellas reconoce te-
ner problemas con la calidad de los datos
y manifiesta la necesidad de disponer de
informacin ms confiable para la toma
de decisiones, solamente el 8,7% han im-
plementado un plan de mejora para la ca-
lidad de sus datos, y el 25,4% estn im-
plementando un plan, el 23,2% estn
desarrollando un plan y el 42,7% no tie-
nen ningn plan de mejora.
82 | Punto de vista | v. III. | no. 5 | julio - diciembre 2012 | pp. 77 - 94 |
Figura 1. Proporcin de empresas
que cuentan con una estrategia
formal de calidad de datos
Fuente: ESIC-SCHOBER, 2006.
Considerando la importancia que tie-
nen los datos para el xito de las organi-
zaciones en su entorno competitivo, una
pobre calidad de datos puede tener un
fuerte impacto en la salud de una compa-
a. Si los datos defectuosos no se iden-
tifican y corrigen a tiempo, pueden con-
taminar la informacin precisa, elevar
los costos, arriesgar las relaciones con los
clientes, generar pronsticos imprecisos y
decisiones incorrectas (Eckerson, 2002).
El mismo estudio mencionado ante-
riormente (ESIC y Schober, 2006), deter-
mina las principales reas de las empre-
sas espaolas que resultan afectadas por
la calidad de datos, las cuales se presen-
tan en la figura 2.

Figura 2. Principales reas de las empresas espaolas que
resultan afectadas por una pobre calidad de datos
Fuente: ESIC-SCHOBER, 2006.
Antecedentes
En la revisin de literatura, se encuen-
tran mltiples estudios y propuestas al-
rededor del tema de Calidad de datos, la
mayor parte de los cuales se concentra en
la caracterizacin de factores y el diseo
de herramientas para asegurar un nivel
aceptable de la calidad de los datos.
Algunos documentos proponen mo-
delos para la medicin de calidad de los
datos; 1. (Shankar y Watts, 2003) plan-
tean un modelo de valoracin de calidad
de los datos, considerando una evalua-
cin objetivo y una evaluacin contex-
tual; 2. (Allen, Carter et al., 2003) pro-
ponen un modelo repetible para abordar
la calidad de los datos cuando se desea
transformar datos existentes en forma de
texto a un sistema ERP (Enterprise Re-
source Planning); 3. (Wang y Wang,
2007) proponen un modelo de minera
de datos basado en mapas auto-organi-
zables (SOM) para visualizar los patro-
nes de valores perdidos en una coleccin
de datos y para valorar la calidad de los
Punto de vista | v. III. | no. 5 | julio - diciembre 2012 | pp. 77 - 94 |
Mtodo de madurez para la calidad de los datos
datos en trminos de su completitud; 4.
(Leonowich-Graham y Willshire, 2003),
5. plantean un marco de trabajo denomi-
nado SBQF (Small Business Quality Fra-
mework), basado en el modelo TDQM
(Total Data Quality Mangement) para
lograr que las pequeas empresas al-
cancen un nivel aceptable de calidad de
datos.
Entre los trabajos que se han centrado
en el desarrollo de herramientas de apo-
yo a los procesos de calidad de datos se
encuentran la propuesta de 1. (Svchenko,
2003) cuyo estudio presenta experiencias
del proceso de construccin de una he-
rramienta de software para apoyar a los
analistas en la estimacin objetiva de la
calidad de informacin de una fuente de
datos relacionales desconocida; 2. (Long,
Seko et al., 2004) presentan una lista de
chequeo preliminar de calidad de datos,
basado en la teora y prcticas del CIHI
(Canadian Institute for Health Informa-
tion), el cual se encuentra personalizado
para facilitar las actividades de calidad de
datos para recolectores de informacin
| 83
 primaria del servicio administrativo de
salud; 3. (Kerr & Norris, 2004) plan-
tean una investigacin que busca con-
tribuir con el desarrollo de una estrate-
gia de calidad de datos para el ministerio
de salud de Nueva Zelanda; 4. (Oliveira,
Rodrigues y Henriques, 2006) presen-
tan una nueva alternativa para operacio-
nes de mantenimiento de datos existentes
en bases de datos, con el objetivo de auto-
matizar dicho proceso mediante la reuti-
lizacin de procesos de limpieza de datos.
En cuanto a metodologas de medi-
cin, se destacan los trabajos de 1. (Even
y Shankaranarayana, 2005), quienes pro-
ponen mtodos de medida para caracte-
rsticas de calidad comnmente usadas
(completitud, validez, exactitud y ac-
tualidad) basadas en el concepto de va-
lor intrnseco; 2. (Fhring y Naumann,
2007), presentan una solucin para la
representacin grfica de los datos con
puntajes de calidad para permitir su efi-
ciente almacenamiento y recuperacin;
3. (Hipp,Mler et al., 2007) amplan y
evalan un enfoque para medicin de la
dimensin de exactitud de la calidad de
datos basado en reglas de asociacin, el
modelo propuesto es empleado para divi-
dir los registros de una base de datos en
tres subconjuntos: potencialmente inco-
rrectos, calidad no definida y probable-
mente correctos; 4. (Batini, Barone et al.,
2007) proponen ORME-DQ que es una
metodologa y un marco de trabajo aso-
ciado para la valoracin de la calidad de
datos en las organizaciones, igualmen-
te hacen un anlisis comparativo de di-
ferentes metodologas disponibles para
valoracin de calidad de datos; 5. (Hein-
rich, Kaiser y Klier, 2007) plantean una
metodologa para la cuantificacin de la
dimensin de disponibilidad de los datos;
84 | Punto de vista | v. III. | no. 5 | julio - diciembre 2012 | pp. 77 - 94 |
6. (Amicis, Barone y Batini, 2006) pre-
sentan un marco de trabajo analtico que
incluye los mtodos principales de depen-
dencia y formulacin analtica, basados
en la entropa de Shannon, cada mode-
lo es caracterizado y se proponen medi-
das de correlacin entre las dimensiones.
Modelo de Madurez IQM
Los modelos de madurez estn siendo
aplicados en las organizaciones como un
mecanismo que busca garantizar la co-
rrecta incorporacin de prcticas de ges-
tin, para llegar a un estado ideal que les
permita obtener mayor competitividad.
El modelo de madurez IQM es un
modelo adoptado de las mejores prcti-
cas de medicin de las capacidades em-
presariales, enfocado al anlisis y valora-
cin del tratamiento y administracin de
los datos; examina un conjunto de prc-
ticas y procesos que se han agrupado en
cuatro dimensiones o perspectivas de la
organizacin y sobre las cuales, se consi-
dera que deben ser incorporadas tcnicas,
herramientas y mecanismos para que la
estructura de datos que se maneja al inte-
rior de la organizacin cuente con los ele-
mentos de calidad requeridos.
El modelo de Madurez IQM, se dife-
rencia de otros modelos debido a que 1)
emplea un enfoque sistmico; 2) emplea
un progreso escalado en la calidad de da-
tos; 3) formula recomendaciones para su
aplicacin prctica y efectiva; 4) Emplea
un enfoque estratgico del modelo y lo
vincula con la gestin del conocimiento
y 5) se vinculan diferentes dimensiones
o perspectivas de la organizacin; 6) pro-
pone mejoras de procesos en operacin y
alternativas de implementacin de pro-
ductos y/o metodologas que logran altos

impactos en la efectividad operativa, tc-
nica y financiera.
Elementos que conforman
el modelo de madurez
El modelo de madurez de calidad de da-
tos se fundamenta sobre cuatro com-
ponentes: los referentes de calidad del
dato, el ciclo de vida del dato, las pers-
pectivas organizacionales y los niveles de
madurez.
1. Referentes de Calidad del Dato
Los referentes de calidad del dato se esta-
blecen para determinar el tipo de incon-
sistencia que pueden presentar los datos
a partir de los factores de vulnerabilidad
identificados y los procesos de levanta-
miento y anlisis de condiciones del ci-
clo de vida de los datos en los procesos or-
ganizacionales; estos referentes son: dato
exacto, dato integral, dato consistente y
dato completo.
1. El ciclo de vida del dato
Por otro lado, al contemplar la infor-
macin como un producto de procesa-
miento de los datos se determinan cua-
tro estados que componen el ciclo de vida
del dato: origen, administracin, trans-
formacin y uso. Uno de los aspectos que
valora la lnea base es el nivel de identifi-
cacin y estructuracin que tiene la orga-
nizacin en la trazabilidad de los datos,
la cual est determinada por la identifi-
cacin del dato en la cadena de valor de
la informacin estratgica que integra las
Punto de vista | v. III. | no. 5 | julio - diciembre 2012 | pp. 77 - 94 |
Mtodo de madurez para la calidad de los datos
cuatro fases del ciclo de vida del dato;
desde esta premisa se puede evaluar la in-
cidencia que tiene el ciclo de vida del dato
sobre el cumplimiento de metas y compe-
titividad de la organizacin.
2. Perspectivas organizacionales
para la calidad de datos
Para esta propuesta se ha cambiado
el enfoque de lo que se reconoca como
reas de conocimiento hacia una identi-
ficacin de perspectivas organizacionales
para la valoracin de la calidad de datos.
En la metodologa se afirma que la ca-
lidad de los datos se alcanza a travs de
la ejecucin de buenas prcticas en todo
el ciclo de vida del dato y para mantener
este supuesto, los niveles de madurez de-
ben definirse en trminos del alcance del
ciclo de vida de los datos orientados hacia
su aporte a la calidad.
IQM se enfoca en los sistemas de la
informacin estratgica, entendida como
el grupo de componentes que tiene ma-
yor impacto en la calidad de la informa-
cin. Se ha contemplado que est forma-
do por dos enfoques: los datos evaluados
con los referentes de calidad definidos y
las perspectivas organizacionales, que son
la direccin de los procesos de su ciclo de
vida, la definicin y ejecucin de estos, la
cultura organizacional orientada a la ca-
lidad, la arquitectura y la seguridad pre-
sente. La tabla 1 describe cada una de las
perspectivas en trminos de la forma en
la que evalan dentro del modelo.
| 85
 Tabla 1. Perspectivas organizacionales del modelo IQM
PERSPECTIVAS

Prcticas que determinan el nivel de preparacin sostenible de una organizacin

DIRECCIN para generar informacin de calidad para la toma de decisiones eficientes, evi-
denciado a travs de directrices enunciadas, oficiales, implementadas y auditadas.

Es el grado de apropiacin e incorporacin de la calidad de los datos en la organi-

zacin, vista a travs de la difusin de las polticas asociadas y su aplicacin. En el
CULTURA ORGANIZACIONAL
proceso IQM esta perspectiva est estrechamente ligada a los factores de la pers-
pectiva de Direccin.
Factores empresariales que permiten determinar el nivel de la presencia de bue-
nas prcticas en los procedimientos de validacin, medicin, seguridad y mejora-
TRAZABILIDAD
miento continuo tal que se garanticen la calidad de los datos durante todo el ci-
clo de vida.
Es el conjunto de caractersticas de los insumos de tecnologa utilizados para ge-
nerar la informacin estratgica de la organizacin, compuesto por la arquitectu-
ARQUITECTURA
ra de datos, de sistemas de informacin y la ingeniera aplicada, cuyo nivel de cali-
dad influye en la capacidad para asegurar la calidad del dato.

2. Niveles de Madurez del Modelo IQM La figura 3 representa la estructu-

Para el modelo se establecieron tres nive-
les de madurez que le permite a las orga-
nizaciones trazar metas especficas para
alcanzar altos estndares y buenas prc-
ticas. Estos niveles son:
ra del modelo integrado con los elemen-
tos ajustados y los niveles de madurez
especificado:
Figura 3. Estructura del modelo IQM

~~ Bsico: Los sistemas de informacin

estn identificados, implementados y
verificados.
~~ Medio: Los elementos que afectan
la calidad de los datos se encuentran
controlados y gestionados.
~~ Alto: Las actividades estn estables y
se aplica mejoramiento continuo.

Cada nivel tiene una serie de requeri-

mientos para los elementos ms influyen-
tes sobre la calidad de los datos los cuales
son: la informacin estratgica y operati-
va, los datos trazados, verificables y segu-
Fuente: Elaboracin propia de los autores
ros, medicin de la calidad de los datos,
los procesos de soporte tecnolgico, datos
con tratamiento tcnico y la calidad co-
nocida y apropiada.

86 | Punto de vista | v. III. | no. 5 | julio - diciembre 2012 | pp. 77 - 94 |

 Mtodo de madurez para la calidad de los datos

Mtodo para la revisiones correspondientes: Trazabi-

lidad del dato y Arquitectura e Inge-
Valoracin del Nivel de niera del Dato.
Madurez IQM QDMM
Perspectivas de Direccionamiento
El sistema de mtricas establecido para del rea Gerencial
el modelo, valora las prcticas, las com-
petencias y las capacidades de la empre- 1. Direccionamiento: a partir del anli-
sa en las cuatro perspectivas organizacio- sis y valoracin de las prcticas im-
nales que son consideradas crticas en las plementadas en la organizacin, se
organizaciones para la determinacin de determina el nivel de preparacin sos-
la calidad de datos. tenible para generar informacin de
calidad para la toma de decisiones efi-
cientes, evidenciado a travs de direc-
reas de Valoracin trices o polticas enunciadas, oficia-
les, implementadas y auditadas. En
Se establecen dos reas en las cuales se esta perspectiva los factores de valora-
examinan las prcticas trazadas para la or- cin son: 1) Informacin estratgica,
ganizacin con respecto a sus funciones: 2) Planeacin estratgica, 3) Polticas
de tecnologa, 4) Gestin de procesos
~~ rea Gerencial: esta valoracin identi- y 5) Gestin del talento humano.
fica aspectos de tipo estratgico y de 2. Cultura Organizacional: mide el nivel
direccionamiento que tienen las em- de incorporacin e identidad de las di-
presas hacia la aplicacin de prcticas rectrices y polticas, en el quehacer del
que vayan en beneficio y mejores nive- recurso humano que son reconocidas
les de garanta de la calidad de los da- e identificadas como parte de la cul-
tos en las organizaciones. En esta rea tura de una organizacin en el mar-
se han definido dos perspectivas desde co del tratamiento de la informacin
las cuales se realizarn las revisiones y la calidad de los datos. En esta pers-
correspondientes: Direccionamiento y pectiva los factores de valoracin son:
Cultura Organizacional. 1) Informacin estratgica, 2) Planea-
cin estratgica, 3) Polticas tecnolo-
~~ rea Tcnica / Operativa: esta valora- ga, 4) Gestin de procesos y 5) Ges-
cin identifica aspectos de tipo tc- tin del talento humano.
nico y mide la efectividad de las di-
rectrices que rigen en la organizacin
los procesos directamente relaciona- Perspectivas de Direccionamiento
dos con la garanta de la calidad de del rea Tcnica / Operativa
los datos, esencialmente por la inte-
raccin de las personas con los siste- 1. Trazabilidad del Dato: a partir del
mas de informacin que contienen anlisis y valoracin de las prcticas
dichos datos. En esta rea se han defi- implementadas en la organizacin, se
nido dos perspectivas para realizar las determina el nivel de la presencia de

Punto de vista | v. III. | no. 5 | julio - diciembre 2012 | pp. 77 - 94 | | 87

 buenas prcticas en los procedimien-
tos de validacin, medicin seguridad
y mejoramiento continuo tal que se
garanticen la calidad de los datos. En
esta perspectiva los factores de valo-
racin son: 1) Origen, 2) Procesos de
Administracin, 3) Transformacin y
4) Uso.
2. Ingeniera del Dato: es el conjunto de
caractersticas de los insumos utiliza-
dos para generar la informacin estra-
tgica de la organizacin, compuesta
por los datos y los elementos tecnol-
gicos, cuyo nivel de calidad influyen
en la capacidad para asegurar la cali-
dad del dato. En esta perspectiva los
factores de valoracin son: 1) Funcio-
nalidad y 2) Mantenibilidad.
La figura 4 presenta la composicin
del sistema de mtricas a partir de cada
uno de sus elementos constitutivos prin-
cipales (reas y perspectivas).

Figura 4. Composicin del Sistema de Mtricas

Fuente: Elaboracin propia de los autores

88 | Punto de vista | v. III. | no. 5 | julio - diciembre 2012 | pp. 77 - 94 |

 Mtodo de madurez para la calidad de los datos

Valoracin encargado de la asesora y capacitacin

La valoracin del nivel de madurez en la en prevencin de riesgos laborales, que
calidad de los datos, se determina a partir cuenta en la actualidad con altos vol-
de la evaluacin de cada uno de los fac- menes de informacin y documentos y
tores establecidos, para lo cual se han di- est en una etapa de crecimiento con al-
seado diversos instrumentos que depen- gunos procesos de negocio y de apoyo
den del tipo de informacin que se quiere automatizados.
verificar.
Para los factores asociados a las pers- Datos bsicos de la empresa:
pectivas de Direccionamiento y Cultura Nombre: Riesgos y Soluciones Ltda.
Organizacional, se han definido una serie Sede Principal: Bogot
de encuestas que incluyen entre 3 y 5 pre-
guntas para valorar cada factor, cada una Otras Sedes: Oficina en Ccuta
de las cuales se califica en trminos del Representante
Manuel Antonio Hernndez
nivel alcanzado identificado y documen- Legal:
tado (Bsico), gestionado y controlado Servicios de Asesora y
(Medio) o Mejorado (Alto); igualmente Objeto Social : Capacitacin en Prevencin
se han definido aspectos que deben con- de Riesgos Laborales.
siderarse al momento de realizar el levan- Ao de
1997
tamiento de informacin de dicho factor, constitucin:
as como el anlisis de riesgos e impacto Pgina Web: www.ryshernandez.com
en costos para la organizacin.
Para los factores asociados a las pers- Clientes
Alfa ARP, Colmena ARP
principales:
pectivas de Trazabilidad e Ingeniera del
Dato, se han definido los referentes e in- Otros clientes de
Ms de 300 empresas
privadas: pequeas, medianas
dicadores que deben examinarse para es- servicio:
y grandes.
tablecer el nivel en el que se encuentra
cada factor. Nmero de
43
empleados:
Finalmente, una vez realizada la valo-
racin se identifica el nivel de madurez en
el que se encuentran los datos en los siste-
mas de informacin estudiados, se iden- La misin de la empresa es:
tifican los riesgos presentes y se estiman
las prdidas econmicas potenciales por Contribuir en la prevencin, pro-
mala calidad en los datos. teccin y atencin a los trabajadores,
con un cambio de actitud hacia la pre-
vencin, mediante el liderazgo en la
atencin integral de Salud Ocupacio-
Caso de Estudio nal, con un equipo humano altamente
Descripcin calificado y comprometido, basado en
de la Organizacin los principios de tica, eficiencia y par-
El modelo madurez para la calidad de ticipacin que conduzcan a la organiza-
los datos organizacionales, fue aplica- cin a su crecimiento y sostenibilidad en
do en una empresa del sector de servicios el tiempo

Punto de vista | v. III. | no. 5 | julio - diciembre 2012 | pp. 77 - 94 | | 89

 Proceso seleccionados
Los procesos seleccionados sobre los cua-
les se realiz el piloto de prueba del m-
todo y la herramienta de software asocia-
da, fueron los siguientes:
~~ Proceso de Recepcin de solicitudes
de trabajo: proceso a travs del cual
ingresa una solicitud de servicio a la
organizacin y termina con la crea-
cin de una orden de trabajo interna.
~~ Proceso de Ordenes de Servicio: es
el proceso que parte de las rdenes
de servicio aprobadas, en el mismo
se asignan los profesionales que rea-
lizarn las actividades respectivas y
se organiza el cronograma, una vez
realizada la actividad se verifica la do-
cumentacin y se confirma la conta-
bilidad para que proceda a la factura-
cin.
~~ Proceso de Facturacin: es el proceso
a travs del cual se registra la infor-
macin en el software contable, don-
de se generan las facturas y el proceso
de cobro de la empresa.
Actividades ejecutadas
Se valoraron las perspectivas de Direc-
cionamiento y Cultura Organizacional
(nivel de negocios de acuerdo con la me-
todologa) para el Modelo de Madurez,
aplicando sus conceptos y evidenciando
su efectividad en los resultados.
Se realiz el levantamiento de la tra-
zabilidad de datos para los procesos de-
finidos, generando un resultado de mu-
cha utilidad para la empresa por la visin
macro y mapeo que se elabora sobre el
90 | Punto de vista | v. III. | no. 5 | julio - diciembre 2012 | pp. 77 - 94 |
comportamiento de los datos en la orga-
nizacin, calificado como innovador.
Se valor el Ciclo de Vida del Dato
(CVD) conforme lo establece el Mtodo,
elaborando la mtrica o estado actual de
la organizacin en cada uno de los fac-
tores que componen el ciclo: origen, ad-
ministracin, transformacin y uso de los
datos.
Se realiz la valoracin de aspectos de
ingeniera del dato, en los cuales se aplic
una herramienta de software la cual ge-
nera a travs de sus resultados las eviden-
cias y confirmacin de riesgos que resul-
tan del levantamiento de las perspectivas
del negocio evaluadas.
Se establecieron evidencias a travs
de la aplicacin de anlisis de calidad de
dato con dos bases de datos y tres tablas
de misin crtica, que orientan a la em-
presa en las principales acciones correcti-
vas o de mejora a implementar.
Herramientas de software
aplicado al piloto
Como herramienta de software, se em-
ple la desarrollada para la metodologa,
la cual ayuda a identificar el nivel en el
que se encuentra la empresa respecto a la
calidad de los datos (bsico, medio o alto)
y consta de cuatro mdulos:
1. Administrador: mdulo en el cual se
parametrizan las tablas del sistema,
los usuarios, las empresas y se definen
las estructuras de los archivos planos
que se requieren procesar.
2. Lnea base: mdulo en el cual se in-
gresan todos los datos relacionados
con encuestas que se aplican a nivel de
Direccin y Cultura Organizacional,
y a nivel de Procesos y Arquitectura de

Datos. Igualmente se incluyen los ar-
chivos planos sobre los cuales se quie-
ren generar indicadores y diagnstico
de reparacin de datos bsicos.
3. Anlisis: en este mdulo se realizan
los procesos de anlisis y se generan
las mtricas para los archivos que se
requieran.
4. Informes: mdulo en el cual se presen-
tan los resultados a nivel de encuestas,
diagnstico y recomendaciones.
Resultados
Los principales resultados obtenidos con
la aplicacin del modelo son los siguientes:
1. Valiosa visin global de la calidad de los
datos. Se evidenci la ventaja de ha-
cer una observacin general y no sola-
mente tcnica del proceso piloto.
2. Evidencia de prcticas erradas de la em-
presa. En la medida que se avanza en
el proceso, se logra evidenciar puntos
que la organizacin por s sola no evi-
denciaba y que se identifican como
escenarios relevantes para el tema
de la calidad de los sistema de infor-
macin.
3. Evidencia fallas en seguridad de los da-
tos. A partir de algunas evaluaciones,
se identifican las vulnerabilidades que
se tienen en la empresa y que produ-
cen riesgos de prdida de informa-
cin, y se establecen nuevos niveles de
valoracin de algunos datos realmente
crticos para el negocio.
4. Integracin de procesos estratgicos
con procesos operativos y tcnicos en
la valoracin de la empresa, bajo el
lente de la calidad de los datos.
Punto de vista | v. III. | no. 5 | julio - diciembre 2012 | pp. 77 - 94 |
Mtodo de madurez para la calidad de los datos
Conclusiones
Es relevante tener un modelo aplicado a
los datos (que son de base tecnolgica)
que contenga un lenguaje de negocios, te-
niendo en cuenta tcnicas y prcticas que
domina la empresa e incluya a las perso-
nas de la organizacin que estn vincu-
ladas con la Trazabilidad de los datos, es
decir, con todo el sistema de informacin
de la empresa.
Es crtico adelantar un anlisis del
sector y el entorno de la empresa para te-
ner claridad sobre la importancia estrat-
gica de los datos, con respecto a su mode-
lo de negocio.
Las perspectivas de Cultura Organi-
zacional y Trazabilidad del dato, esta-
blecen un diferenciador con otras tcni-
cas o mtodos de valoracin de calidad
del dato, haciendo ms efectiva la visua-
lizacin de vulnerabilidades y proponien-
do soluciones de espectro ms amplio al
cumplimiento de las metas.
El tipo de anlisis y de documenta-
cin producida, tiene un enfoque para
diferentes escenarios y actores de la orga-
nizacin, permitiendo visualizar aspectos
de orden estratgico y de orden tctico.
Para las organizaciones, tener un plan
de mejoras simple pero efectivo, dar po-
sibilidades de hacer realidad en cortos
plazos, eficiencias que desde los datos y
la informacin, redunden en beneficios
tangibles. Este aspecto se consolida muy
bien con la aplicacin de mtricas bajo
un modelo de madurez y con un enfoque
sistemtico que ofrece IQM.
| 91
 Referencias International Conference on Information
Quality (ICIQ 07), pp.431-445.
13. Hipp, J., Mller, M., Hohendorff, J.,
5. Allen, M.D., Carter, S., Aiken, P.,
Naumann, F. (2007). Rule-Based Mea-
Cyrus, M.K., Wade, K., McCormac,
surement of Data Quality In Nominal
S. (2003). Extracting Data from Free
Data. Proceedings of the 12th Internatio-
Text Fields: Assuring Data Quality for
nal Conference on Information Quality
ERP Implementation. Proceedings of
(ICIQ 07), pp.364-378.
the Eighth International Conference on
14. Kerr, K., Norris, T. (2004). The develo-
Information Quality, pp.319-330.
pment of a healthcare data quality fra-
6. Amicis, F. D., Barone, D., Batini, C.
mework and strategy. Ninth Internatio-
(2006). An Analytical Framework to
nal Conference on Information Quality
Analyze Dependencies among Data
(IQ 2004), pp.218-233.
Quality Dimensions. En: Talburt, J.,
15. Leonowich-Graham, P., Willshire,
Pierce, E., Wu, N. and Campbell, T.
M.J. (2003). A Data Quality Fra-
(Eds), Proceedings of the 11th Internatio-
mework for Small Businesses. Procee-
nal Conference on Information Quality,
dings of the 8th International Conferen-
pp.369-383.
ce on Information Quality, pp. 239-244.
7. Batini, C., Barone, D., Mastrella, M.,
16. Long, J. A., Seko, C. E. (2002). A New
Maurino, A., Ruffini, C. (2007). A Fra-
Method for Database Data Quality
mework and a Methodology for Data
Evaluation at the Canadian Institute
Quality Assessment and Monitoring.
for Health Information (CIHI). Procee-
Proceedings of 12th International Con-
dings of the International Conference on
ference on Information Quality. Ciudad.
Information Quality (IQ ), pp. 238-250.
8. Eckerson, W. (2002). Data Warehou-
17. Nyaboga, A. B., Nwuara, M. F.
sing Special Report: Data quality and
(2009). Strategies for Gaining Compe-
the bottom line. Ciudad: editorial.
titive Advantage in A Dynamic Envi-
9. ESI Center SINERTIC. (2011). Me-
ronment Thru Data Quality. Interna-
todologa del Servicio IQM.
tional of Management & Information
10. Even. A, Shankaranarayanan, G., Ber-
System. 13(1): 13-22.
ger, P. D. (2005). Profit Maximization
18. Oliveira, P., Rodrigues, M.F., Henri-
with Data Management Systems. Pro-
ques, P.R. (2006). An Ontology-Based
ceedings of the International Conference
Approach for Data Cleaning. Procee-
on Information Systems. Las Vegas.
dings of the 11th International Conferen-
11. Fhring, P., Naumann, F. (2007).
ce of Information Quality (ICIQ 2006),
Emergent Data Quality Annotation
pp.307-320.
and Visualization. Proceedings of the
19. Savchenko, S. (2003). Automating Ob-
Twelth International Conference on In-
jective Data Quality Assessment. Pro-
formation Quality (ICIQ ), pp.424-430.
ceedings of the 8th International Con-
12. Heinrich, B., Kaiser, M., Klier, M.
ference on Information Quality, pp.
(2007). DQ metrics: a novel approach
353-364.
to quantify currency and its applica-
20. Shankar, G., Watts, S. (2003). A Re-
tion in CRM. Proceedings of the 12th
levant, Believable Approach for Data
Quality Assessment. Proceedings of the

92 | Punto de vista | v. III. | no. 5 | julio - diciembre 2012 | pp. 77 - 94 |

 Mtodo de madurez para la calidad de los datos

8th International Conference on Infor- customer segmentation. International

mation Quality, pp.178-189. Journal of services operations and infor-
21. SINERTIC. (2009). Metodologa de la matics, 2(4),382 - 390.
Lnea de Base del Servicio QINFO. 23.
22. Wang, H., Wang, S. (2007). Mining
purchasing sequence data for online

Punto de vista | v. III. | no. 5 | julio - diciembre 2012 | pp. 77 - 94 | | 93