Fundamentos de Calidad de Datos

Sesin 3: Gestin de Calidad de Datos

Alejandro Mnguez
1
 Calidad como Way of life

Estamos en la era de la
calidad, y es esta la que
nos dar una ventaja
competitiva, en un mundo
globalizado

2
 Aunque

En cualquier proceso de calidad

Cuanta ms inversin de tiempo, mayor calidad,
pero nunca se llega al 100%
Calidad

Tiempo
3
 Agenda

Evolucin de la calidad de los datos

Calidad de datos en entornos analticos DWH
Cmo aplicar la calidad de datos?
Otras reas de aplicacin
Conclusiones y recomendaciones

4
 1 Evolucin de la calidad de los datos

5
 Historia de la Calidad de Datos

Desde que existen los datos informatizados, siempre ha existido la

preocupacin de que sean correctos. Inicialmente la Calidad de Datos se
realizaba con edicin manual o con programas desarrollados con lenguajes no
adaptados para ese uso, o incluso la edicin manual de los datos.
A principios de los 80 se desarrollaron los primeros sistemas de Calidad de
Datos, por parte del gobierno de Estados Unidos, para regular los cambios de
domicilio, fallecimientos, bodas, divorcios, etc en un sistema denominado
NCOA (National Change of Address Registry)
La primera vez que se implemento un sistema especializado en la calidad de
datos en Espaa fue para corregir y/o informar el cdigo postal, en la direccin
de los clientes, de las principales entidades financieras del pas. Este fue
desarrollado a principios de los 90, basado en un sistema semiautomtico, y
apoyado por un departamento de codificacin manual, en el que se utilizaban
multitud de listados en papel. La tcnica utilizada era muy primitiva (fuerza
bruta), y no implementaba las metodologas, que actualmente poseen los
sistemas modernos de calidad de datos.

6
 Definiciones de Data Quality

Data Quality refers to the quality of data. Data are of high

quality if they are fit for their intended uses in operations,
decision making and planning"
2. The state of completeness, validity, consistency, timeliness
and accuracy that makes data appropriate for a specific use.
Government of British Columbia
3. The totality of features and characteristics of data that bears
on their ability to satisfy a given purpose; the sum of the
degrees of excellence for factors related to data. Glossary of
Quality Assurance Terms

www.wikipedia.org
7
 Qu es la calidad de datos?

La Calidad de Datos no slo se refiere a la

ausencia de defectos:
Los datos deben proporcionar una visin nica
Debe estar correctamente relacionada e
interrelacionada con todas las fuentes
Los datos deben ser consistentes, completos y
adecuados para su funcin
Debemos asegurarnos de cumplir normativas y
leyes

8
 Evolucin de la Calidad de Datos y la Integracin

9
 Impactos de Negocio
Riesgo en el cumplimiento normativas Riesgo competitivo
Sistema de gestin del riesgo Deteccin del fraude
Sistema de integracin del riesgo Riesgos legales (LOPD)
Riesgo en la inversin Otros riesgos

Riesgo
Mayor
Deteccin y correccin
Prevencin
Cobro ineficiente Reingeniera de procesos
Mala relacin con el cliente Penalizaciones
Prdida de oportunidades Incremento Sobrepagos
Prdida ingresos
Aumento de costes de Costes Recursos incrementados
Retrasos

Baja confianza
Cargas de trabajo
Tiempos de proceso

Falta de credibilidad
Forecasting incorrecto
Temor en toma decisiones
Reporting ineficiente
Menor predictabilidad

10
 Quienes son los responsables del DQ las
organizaciones?

11
 Futuro inmediato de la Calidad de Datos

Los problemas de Calidad de Datos son

a menudo ignorados / desconocidos /
minusvalorados por la direccin
Calidad de Datos es una ventaja
competitiva
Falta de una figura responsable
Se requieren cambios organizativos
Una compaa debe contar con
responsables que velen por la calidad de
los datos de todos los sistemas de
informacin.

12
 Otros conceptos: Calidad de la Informacin

El concepto Calidad de la Informacin, o IQ,

est surgiendo con fuerza en los ltimos aos
Se trata del concepto de Calidad de Datos
orientado a los Sistemas de Informacin, es
decir, a la mejora de la informacin
proporcionada a la compaa
Algunos expertos extienden el trmino a lo que
tambin se denomina Calidad de Metadatos

13
 Otros conceptos: Calidad de Metadatos

El concepto Calidad de Metadatos surge en grandes

corporaciones que cuentan con miles de atributos e
indicadores
Se trata de una problemtica de integracin y/o de
herramientas de gestin de metadatos, no de Calidad de
Datos en s
Objetivos: claridad de las definiciones, lenguaje comn,
nica versin de la verdad, accesibilidad, disponibilidad,
seguridad, auditabilidad.

14
 En que momento se producen los errores

En la entrada de datos
(Data Entry)
Incorporacin de datos
externos
Errores de carga de los
sistemas
transaccionales
Migraciones de datos

15
 Causas de la creciente mala Calidad de Datos

Ms datos de ms fuentes en ms sistemas

ERPs, fuentes externas, web, call centres

Datos introducidos para un propsito ahora

est siendo aplicados a otras aplicaciones
La Calidad de Datos puede ser relativamente bueno
para los sistemas transaccionales pero no para
sistemas BI o CRM

Mayores niveles de Calidad de Datos requerido

para procesos automatizados
La mala calidad de datos lleva a problemas de pagos
en sistemas ERP, SCM, etc.

Mayor sensibilidad del pblico

Los clientes esperan un mejor servicio. Los datos
defectuosos llevan a una pobre gestin del cliente.

16
 El impacto de la mala Calidad de Datos
Impide la Business Intelligence
Informes errneos, defectos en el anlisis

Costes de Gestin
Discrepancias entre aplicaciones puede requerir trabajos de reconciliacin
de registros

Daa nuestra relacin con el cliente

Imposibilidad de ofrecer un buen servicio y un trato personalizado

Imposibilidad de detectar fraudes, sobrepagos, etc

No puede identificar duplicados, unidades familiares y corporativas
(households), etc

Incumplimiento de normativas
Regulaciones
Leyes: La calidad de datos es uno de los pilares fundamentales para el
cumplimiento de la LOPD

17
 2 Calidad de datos en entornos analticos DWH

18
 Reflejo de la mala calidad de los datos en el BI

19
 DWH-BI

Through 2007, more than 50 percent of data warehouse projects will have
limited acceptance, or will be outright failures, as a result of a lack of
attention to data quality issues Gartner
La toma de decisiones basada en datos incorrectos puede generar
decisiones incorrectas.
Concepto: Calidad de la Informacin
Beneficios de la Calidad de Datos:
Mejora de la toma de decisiones
Aumento de la confianza de los usuarios

20
 Soluciones de Calidad de Datos - Arquitectura

Cuadros de Mando
Calidad de Datos
Cliente

Aplicaciones
Servidor
Runtime
Runtime Bases de Datos

Repositorio

Realtime /
SOA
Soluciones
integracin

Diccionarios

21
 La (r)evolucin, Calidad de Datos e Integracin

Auditora, control y creacin de informes

Garantizar la coherencia de los datos, realizar anlisis de impacto y supervisar
constantemente la calidad de la informacin

Acceso Perfilado Calidad Integracin Entrega

A cualquier Buscar y perfilar Validar, corregir y Transformar y Entregar los datos
sistema, por cualquier tipo de estandarizar, conciliar datos de adecuados en el
lotes o en datos de relacionar datos de todo tipo momento y forma
tiempo real cualquier fuente todo tipo adecuados

Desarrollo y gestin
Desarrollar y colaborar con un repositorio comn y metadatos compartidos

22
 Calidad de Datos, Donde acta? ETQL

Almacena- Inteligencia

Reporting Front End Y

Visin nica
Calidad Aplicacin Reporting del cliente
Servidor DQ
o producto Aplicacin X
miento

BBDD
Data Data Mart
Warehouse

Calidad de Datos Carga

Integracin

Conciliacin fuentes
de datos

Lgica difusa Operational

Scorecarding Transformacin
Limpieza Data Store
Enriquecimiento Extraccin

Exploracin: Anlisis & Medicin

de datos
Fuentes

Datos no Sistemas
CRM Finanzas
estructurados Etc
externos

23
 3 Cmo aplicar la calidad de datos?

24
 Requerimientos de Calidad de Datos

Localizar relaciones
Limpieza, Perfilado, medicin y
entre registros, como Calidad de Datos para
estandarizacin, cuantificacin del
desduplicacin, cualquier rea
identificacin de datos impacto de la calidad
relacin de dos o ms incluyendo finanzas,
personales, como de datos, adems de
tablas, deteccin de control de gestin y
nombres, direcciones y su seguimiento y
unidades familiares o produccin
telfonos monitorizacin
corporativas,

Eficacia Identificacin Calidad de Anlisis de

del de relaciones Datos Calidad de
Contacto General Datos
(perfilado)

Suite de Calidad de Datos Corporativa

Fuente: Gartner Jun. 2007

25
 Ciclo de vida de un proyecto de Calidad de Datos

Ciclo de vida
Fuentes Acceder Auditar Limpiar Entregar Destinos

Auditar para
3
conocer
6 Data Experts /
Owners definen implementar las
iniciativas de reglas
correccin 2

4 Informes

Definir reglas de
1 negocio para:
5 Data Experts /
Owners Conformidad
validan Consistencia
informes Normalizacin
Desduplicacin

26
 Procesos de Calidad de Datos

Matching Perfilado de
Datos

Datos

Mejora de datos

Limpieza de Datos

27
 Perfilado de datos

El perfilado de datos permite localizar,

medir, monitorizar y reportar problemas de
calidad de datos Matching Perfilado de
Datos

El perfilado no debe ser slo el inicio de un

Dato s
proyecto de Calidad de Datos, es un
proyecto en s Mejora de datos

Existen dos tipos de perfilado: Limpieza de Datos

Perfilado de estructura
Perfilado de contenido

28
 Perfilado de Estructura

El perfilado de estructura consiste en el anlisis de los datos sin

tener en cuenta su significado
El anlisis se realiza de forma semi-automtica y masiva
Tipos de anlisis del Perfilado de Estructura:
Perfilado de Columnas
Perfilado de Dependencias
Perfilado de Redundancias

29
 Perfilado de Contenido

El perfilado de contenido analiza con profundidad el dato y su

significado
Requiere una configuracin para cada campo a analizar
Se combina con el uso de diccionarios, componentes especficos de
tratamiento de datos, separadores, etc

30
 Etapas del Perfilado de Datos
Acceder Descubrir Limpiar Integrar Entregar

Tipo de Proyecto de Limpieza Implantacin

Integracin
proyecto descubrimiento Monitorizacin Validacin

Cuadro de Mandos Calidad de Datos

Nivel
Actividad
Perfilado P. Estructura P. Contenido P.P.Estructura
Estructura

Tipo de
Actividad Descubrimiento Anlisis de Contenido Anlisis de estructura Monitorizacin

Analista Data Steward Desarrollador Operaciones TI

Roles ETL

31
 Perfilado de datos, indicadores de calidad

Existencia Qu dato falta o no es til?

Conformidad Qu dato est almacenado en un formato no estndar?

Consistencia Qu datos aportan informacin conflictiva?

Precisin Qu datos son incorrectos o estn caducados?

Duplicados Qu datos o atributos estn repetidos?

Integridad Qu informacin no est referenciada?

32
 Ejemplo Datos de Cliente
ID_CLI CLIENTE TIPO DIRECCION CIUDAD POST PAIS ESTADO TELEFONO VENTAS ULT_PED
763113 Avalon Asesores S.L. Emp Espa#a Inactivo 713452118 0 12/12/2004
763114 DEUTSCHE BANK GROUP Emp Ronda General Mitre 72-74 Barcelona 08017 Espaa Activo 936531223 45700 01/03/2006
763115 Julin Garca Ruiz Part C/ Fco Surez 21 Valladolid 99999 Espaa Activo 983211245 79200 01/02/2006
763116 BMW Emp Calle Eduardo Dato 8, 1A Madrid 28010 Espaa Activo 914567321 0 18/07/2003
763117 Manuel Fernandez Garca Part Calle Velez Rubio 2, 5izd Madrid 08033 Espaa Activo 914669822 6950 26/02/2006
763118 Ramn Alfonso Gutierrez Part Avda Diagonal 133 Barcelona 08012 Espaa Activo 93566321 32080 08/08/2006
763119 Electrolux Group Emp Castellana 125 Madrid 28017 Espaa Inactivo 916778229 0 05/03/2004
763120 ENDESA Emp Ribera del Loira, 60 Madrid 28027 Espaa Activo 915448488 5000 06/03/2006
763121 FORD MOTOR Emp Bilbao 48002 Espaa Inactivo N/D 0 07/07/2004
763122 Grupo FERROVIAL Emp Lpez de Hoyos, 35 Madrid 28002 Espaa Activo 916513450/51
763123 DEUTSCHE BANK Emp Ronda General Mitre 72 Barcelona 08017 Espaa Activo 936531225 41200 16/02/2006
763124 Euromaster S.A. Emp Bolivia 18 Zaragoza 50010 Espaa Inactivo 973214566 01/08/2005
763125 Arcosa Sociedad Annima Emp JOSE LANDAZURI 15, BJ Vitoria 01008 Espaa
763126 Banco Popular Part SALVADOR ASPIAZU, 12 Vitoria-Gazteiz 01008 Espaa Activo 942113566 500 05/04/2006
763127 VOLVO GROUP Emp CARROTA NAVARRETE, 31 Mlaga 29676 Spain Activo 954345543 54211 31/01/2006
763128 YAMAHA MOTOR IBERICA Part Almagro 37 Madrid 28012 Espaa Activo 913102919 05/12/2005
763129 Jorge Luis VILLAR TAPIAS Iturriaga 69 Bilbao 48004 Espaa Inactivo Ext 331 39020 04/04/2006
763130 BBVA Emp Ciruela 23, 4 Esc 2 Ciudad Real 13001 Espaa Activo 926521134 950 20/04/2006
763131 AXA AURORA Emp Castellana 131 28013 Espaa Inactivo 915411345 0
763132 Grupo Renault (Madrid) Emp Zurbano 3 Madrid 28010 Espaa Activo 913555219 7800 05/10/2005
763133 BANCO BILBAO VIZCAYA Emp Paseo de Recoletos 7 Madrid 28012 Espaa Activo 915442119 6700 02/03/2006
763134 Lunas y Cristales Lagari S.L. Emp DOCTOR NEQUI 10, 1 Andorra la Vella 00000 Andorra Activo 376828733 45000 30/11/2005
763135 El Corte Ingls Emp Calle Goya 4 Madrid 28011 Espaa Activo +34913455119 57890 13/04/2006
763136 ROCA Emp Av Industria 6 Alcobendas Madrid 28108 Espaa Activo 9186631234 4500 19/04/2006
763137 Mario Gomez Rey Emp Carlos III 20 Cordoba Espaa Activo 957525566 0 01/08/2005
763138 Luisa Garca Monteiro Part Arbotante 2, 5 1 Sevilla 28010 Espaa Activo 952114675 2500 21/01/2006
763139 Manuela Martn Lpez Emp Llobatona 6F Viladecans 08840 Espaa Inactivo 934566211 0 13/03/2003

EXISTENCIA CONFORMIDAD CONSISTENCIA DUPLICACION INTEGRIDAD PRECISION

33
 Ejemplo datos de Producto

EXISTENCIA CONFORMIDAD CONSISTENCIA PRECISION DUPLICACION INTEGRIDAD

34
 Ejemplo datos de Riesgo

EXISTENCIA CONFORMIDAD CONSISTENCIA PRECISION DUPLICACION INTEGRIDAD

35
For illustration purposes only.
Actual reports featured later in presentation
 Capacidades de Reporting

Para el perfilado es fundamental una solucin de

reporting

36
 Ejemplo Scorecard Calidad de Datos

37
 Limpieza y Enriquecimiento de datos

La limpieza de datos permite: Matching Perfilado de

Datos
Determinar y separar elementos de un
campo situndolo en su lugar
correspondiente
Estandarizar formatos
Dato s

Corregir errores en los datos Mejora de datos

Enriquecimiento de datos
Limpieza de Datos

38
 Determinacin y separacin de Datos (parsing)

La determinacin y separacin de datos consiste en la

descomposicin de los distintos elementos que componen los datos
Por ejemplo, el nombre siguiente:

Ingeniero JOSE RODRIGUEZ SILVA

Ttulo: Ingeniero Matching Perfilado de

Datos

Nombre: Jos
1 Apellido: Rodrguez Dato s

2 Apellido: Silva Mejora de datos

Limpieza de Datos

39
 Estandarizacin

La estandarizacin es la adecuacin de un dato a un

formato esperado.
Por ejemplo, el NIF siguiente:

5428846 Matching Perfilado de

Datos

Dato s

NIF estandarizado: 05428846H

Mejora de datos

Limpieza de Datos

40
 Correccin

La correccin consiste en el reemplazo de un

elemento errneo por uno correcto
Por ejemplo, la direccin siguiente:
Calle Tumaco 14, 28010 Madrid

Matching Perfilado de
Datos

Dato s

Cdigo postal corregido: 28027

Mejora de datos

Limpieza de Datos

41
 Enriquecimiento

El enriquecimiento consiste en la adicin de datos

que no existan
Por ejemplo, el nombre siguiente:
Jose Mara Gomez Hurtado

Matching Perfilado de
Datos

Sexo: Varn Dato s

Mejora de datos

Limpieza de Datos
42
 Matching

El matching de datos se utiliza para:

Deteccin de duplicados
Relacin entre dos fuentes de datos que Matching Perfilado de
no tienen campos de unin entre s Datos

Deteccin de unidades familiares y

corporativas (Householding)
Dato s

Se pueden aplicar mltiples criterios para

las relaciones, que posteriormente se Mejora de datos

pueden asociar entre s

Previo al matching es conveniente hacer Limpieza de Datos
una pre-agrupacin de la informacin
Existen dos mtodos de matching:
Determinstico
Probabilstico

43
 Pre-Grouping
Cdigo Nombre Group
A Juan Gutierrez
B Juan Manuel Gutierez
C Juana Gutierrez Gomez
D Luis Fernandez
E Luis Alberto Frenandez
F Luis Fernandes
G Luis Fernandez Gomez
44
Comparaciones sin pre-grouping
Sin Agrupacin: A-B, A-C, A-D, A-E, A-F,
A-G, B-C, B-D, B-E, B-F, B-G, C-D, C-E,
C-F, C-G, D-E, D-F, D-G, E-F, E-G, F-
Key G=21 comparaciones
G36
G36
G36
F16
F16
Comparaciones con pre-grouping
F16
Con agrupacin fontica 1 apellido: A-
F16
B, A-C, B-C, D-E, D-F, D-G, E-F, E-G,
FG= 9 comparaciones
 Matching Determinstico
Razn Social CIF CCC Direccin Telfono Poblacin
LABORATORIOS EVA 08070271716 SAN LUIS 90 3116311 Barcelona
ESPAOLA SL

EVA SANT LLUIS 90 933116311

{}
EVA SANT LLUIS 9 933116311

Razn Social CIF CCC Direccin Telfono Poblacin

EVA B08093577 08010271716 SANT LLUIS 9 933116311 Barcelona
ESPAOLA,S.L

SI coincide(Razn) y coindice(calle) y
coincide(telfono) y noesdistinto(CIF)

entonces: Match positivo
45
 Matching Probabilstico
Razn Social CIF CCC Direccin Telfono Poblacin
LABORATORIOS EVA 08070271716 SAN LUIS 90 3116311 Barcelona
ESPAOLA SL

EVA SANT LLUIS 90 933116311

80% {} 92% 100% 50% 100% 100%

EBA SANT LLUIS 9 933116311

Razn Social CIF CCC Direccin Telfono Poblacin

EBA B08093577 08010271716 SANT LLUIS 9 933116311 Barcelona
ESPAOLA,S.L

SI media
ponderada>90%
92% entonces match
46
positivo

 Consolidacin

Cuando se ha usado el matching para la

deteccin de duplicados, con frecuencia se Matching Perfilado de
Datos
desea fusionar estos registros. A esto se le
denomina Consolidacin.
Existen dos mtodos principales de Dato s

consolidacin:
Mejora de datos

Registro Superviviente
Mejor Registro Limpieza de Datos

47
 Mtodos de consolidacin

Registro
Superviviente

7 8

Mejor Registro

48
 Un proceso iterativo

Matching Perfilado de
Datos

Datos

Mejora de datos

Limpieza de Datos

49
 4 Otras reas de aplicacin

50
 Aplicaciones del DQ en las compaas
Las principales tipologas de proyecto de DQ son:
Calidad de Datos asociada a un proyecto de integracin
DWH-BI
CRM
Data Mining
Migracin
Consolidacin
Sincronizacin
Entorno Financiero
Entornos de Marketing
Sistemas de Informacin Geogrfica
Gestin de Datos Maestros
Calidad de Datos Preventiva

51
 Requerimientos por tipo proyecto

Data Governance

Soluciones Verticales. P.ej. SOX, Basilea II, GDS RFID

Madurez Visin Corporativa

MDM Gestin de Datos Maestros

CDI Integracin de Datos de Clientes

SvoC (Visin nica del Cliente)

Proyectos integracin: p.ej: Migraciones, CRM, Datawarehouse

Marketing (mailshots)

High High High High

Eficiencia Identificacin Calidad Datos Anlisis

del contacto de relaciones General Calidad Datos
Low Low Low Low

EDQM
52
 Conclusiones y recomendaciones

53
 Resumen

En resumen:

La Calidad de Datos es fundamental para

cualquier compaa
Ahorro de costes
Eficiencia
Cumplimiento de la Ley

Existe la tecnologa y la metodologa para corregir

la mala Calidad de Datos

Calidad e Integracin: una Solucin Corporativa

54
 Resumen Beneficios de la Calidad de Datos
Corrige errores de manera PROACTIVA e INDUSTRIALIZADA
Reduccin de costes: de gestin, de oportunidad, operacionales, etc
Proporciona una visin nica de los elementos de las bases de datos y da
visibilidad de las posibles agrupaciones que existan
Facilita el cumplimiento de normativas
Mejora el mantenimiento de clientes y del servicio ofrecido, adems da
confianza a los usuarios de la informacin
Reduce las ineficiencias operacionales
Maximiza el xito de las iniciativas y proyectos de Datawarehousing, CRM y BI
y por consiguiente se mejora la toma de decisiones
Aumenta el conocimiento de los datos y permite conocer dnde se estn
produciendo los errores

55
 Gartner : Calidad de Datos

Prediccin: A travs de 2008, las organizaciones incrementarn las iniciativas de

mejora de la calidad de datos, llevados por la presin de las normativas, por el
deseo de la mejora de la eficiencia y agilidad, y una insatisfaccin general del estado
de sus datos corporativos
Claves: Organizaciones donde la gerencia de alto nivel comprende el impacto
de la calidad de datos estn mejor posicionados para completar con xito
programas de mejora de calidad de los datos.
Implicaciones de mercado: los datos de alta calidad (y los conocimientos,
organizacin, procesos y tecnologa para lograrlos) ser un significante diferencial
competitivo entre negocios. Las organizaciones que olviden o ignoren sus
problemas de calidad de datos van a ser superados por la competencia.
Recomendaciones: Las organizaciones deben ver la calidad de datos como un
problema estratgico de su negocio, y alinear sus recursos a travs de la mejora
de calidad de datos. Las actividades clave incluye el desarrollo de programas de
administracin de datos, anlisis y medicin de la calidad de datos, mejora de
procesos de negocio y la implementacin de tecnologa para soportar los
controles de calidad de datos.

56
 Los factores de xito

Tecnologa

Metodologa

Apoyo

57
 Apoyo

Cual es la mejor forma de lograr el apoyo para un proyecto de

Calidad de Datos?

Divulgacin interna, principalmente a las unidades de negocio,

tecnologa y a direccin

Auditora de Calidad de Datos:

Anlisis y medicin de los problemas de Calidad de
Datos de la Compaa
Conclusiones de los problemas de Calidad de Datos
Propuesta de soluciones
Anlisis del ROI

58
 Metodologa

Decidir la metodologa adecuada en funcin del nivel de

apoyo logrado.
Proyectos estratgicos con apoyo de la direccin:
metodologas de Data Governance.
Proyectos tcticos con apoyo de una o varias unidades de
negocio. Proyectos relacionados de Calidad de Datos, con
establecimiento de mejores prcticas para cada uno de ellos.
Proyectos departamentales, orientados a la resolucin de
un problema determinado.

Establecer objetivos, definir mtricas, monitorizar, corregir,

repetir y evolucionar.

59
 Tecnologa

La tecnologa es fundamental para la resolucin de

problemas de Calidad de Datos.
En la eleccin de la tecnologa deben exigirse los siguientes
requisitos:
Combinacin con una plataforma de integracin de datos:
acceso universal a los datos
Tratamiento de cualquier tipo de datos. No slo nombres y
direcciones.
Solucin de reporting, scorecarding y monitorizacin
Orientado a negocio

60
 Previsin de la inversin en Calidad de Datos
Por Forrester Research, Inc.

2000 2001 2002 2003 2004 2005 2006 2007 2008

61 Information Quality Market On Target To Top $1Billion By 2008,

Forrester Research, 21 de Marzo de 2005
 Resistencia al cambio

No veo que No es mi Mejor no decir nada, no

tengamos responsabilidad vayamos a abrir la caja
problemas en los de Pandora
datos

Escptico Desentendido Catastrofista

62
63