En temas de presupuestación y reporting, no es lo mismo hablar de quality assurance que de control de calidad, aunque muchas veces se emplean ambos términos para referirse a lo mismo. Así, mientras que el primero, el aseguramiento de la calidad, sienta las bases para mitigar el riesgo y los posibles errores que pueden perjudicar el proceso de elaboración de un presupuesto o la generación de un informe; un control de calidad actuaría a posteriori, una vez estos elementos han sido completados y se dan por terminados.

La proactividad del quality assurance aumenta la efectividad de la prevención de pérdidas de alineación con la estrategia empresarial, evitando consecuencias que podrían causar un impacto de graves consecuencias en el futuro del negocio. Quality assurance actúa sobre la toma de decisiones mientras que el control de calidad tiene su alcance imitado a los procesos de negocio.

El mercado de los dispositivos conectados, como la ropa deportiva, relojes o gafas inteligentes o los dispositivos de teledetección que hacen un seguimiento de la salud de los equipos o las personas dispararán las ventas en los próximos años. El internet de las cosas empieza a ser una necesidad que los consumidores, tienen o creen que tienen, y que les impulsa a conocer datos acerca de su realidad y los elementos cotidianos que la componen.

En 2020, Gartner apunta a que la cifra de artículos basados en el internet de las cosas alcanzará los veintiséis mil millones de unidades, una cifra astronómica y sorprendente, sobre todo si se tiene en cuenta que PCs, tablets y smartphones quedan excluidos del cómputo.

Bajo la etiqueta «marketing digital» se engloba un número ingente de herramientas, técnicas y estrategias de marketing, muchas de ellas surgidas del entorno offline tradicional, adaptadas a los ecosistemas digitales.

La presencia en Internet, por sí misma, no garantiza el conocimiento de la compañía por parte de los usuarios, y ni mucho menos que este conocimiento, en el caso de producirse, se dé en los términos deseables si no se cuenta con una estrategia adecuada que permita afirmar y acrecentar la reputación digital corporativa.

Al hacer referencia al data hub, lo primero que nos viene a la mente es una herramienta de concentración de datos, con algunas diferencias con los data warehouse pero de una naturaleza tan similar que, muchas veces por desconocimiento, se habla de ellos como si se tratara de expresiones sinónimas.

Ciertamente, en esencia el data hub es una colección de datos procedentes de distintas fuentes, organizados para ser posteriormente distribuidos y compartidos, algo que se asemeja bastante a las características de los almacenes de datos o data warehouse, y a los modelos clásicos de extracción, transformación y carga de datos. Sin embargo, las diferencias entre ambos sistemas son sustanciales, destacando sobre todo las que atañen a las estructuras y las categorías de los datos que se manejan, mucho más flexibles y operables, y a las plataformas de acumulación y convergencia de datos utilizadas por los sistemas data hub.

La decodificación de datos es un proceso que remite, inevitablemente, a la operación inversa y anterior: la codificación de los mismos. Existen muchos métodos para codificar y decodificar datos almacenados en los data warehouse, pero los que hoy nos interesan son los métodos de decodificación que nos permiten traducir los datos en información y conocimiento relevantes, asimilables con la máxima inmediatez posible; es decir, decodificarlos en su sentido más amplio para ser mostrados de un modo rápidamente comprensible, con el fin de tomar decisiones acertadas al momento.

Una decodificación en sentido amplio que parte de la extracción de datos y culmina en la presentación de los mismos mediante el uso de herramientas de visualización, claves en cualquier entorno Business Intelligence. Ello nos obliga a tratar, con algo de detalle, los procesos implicados en una operación compleja como la de este calibre, que básicamente y en buena medida podemos agrupar bajo el paraguas de los procesos ETL (Extraction, Transformation, Load)

La limpieza de datos, data cleansing o scrubbing es un proceso necesario para asegurar la calidad de los datos que se emplearán para analytics. Este paso es fundamental para minimizar el riesgo que supondría el basar la toma de decisiones en información poco precisa, errónea o incompleta.

El data cleansing se ocupa de solucionar problemas de calidad de datos a dos niveles:

¿Qué es analytics sin calidad de datos? ¿Hasta dónde puede llegarse con el análisis predictivo si la base de los estudios son datos erróneos o incompletos? ¿Qué repercusiones puede tener la ausencia de consistencia o la inexactitud de la información para la toma de decisiones empresarial? ¿Puede la formación en calidad de datos prevenir este tipo de circunstancias adversas? Data quality debe ser una prioridad para cualquier negocio. Las organizaciones deben velar por su activo más importante y garantizar la calidad de los datos, fuente de conocimiento y valor. Pero, no siempre es así. En ocasiones, la calidad de la información es precaria y eso se debe a:

• Desconocimiento de la organización acerca de sus condiciones de calidad de datos.

La calidad de datos es un componente esencial para los buenos resultados de la analítica. Los diferentes tipos de análisis avanzados se apoyan en las herramientas de limpieza, matching, validación o transformación, entre otras, para asegurar ciertos niveles de data quality, sin los que la toma de decisiones podría verse afectada por una pérdida de integridad, completitud o consistencia. No es nuevo. La mayoría de empresas ya conocen este requisito de predictive analytics. Lo que muchos ignoraban es que la relación es bidireccional. La calidad de los datos también se beneficia de los nuevos procesos analíticos.

La visualización de datos siempre ha ocupado un lugar central entre las prioridades del desarrollo tecnológico en entornos Business Intelligence, aunque ha sido en los últimos tiempos cuando ha adquirido una importancia sumamente relevante.

Las nuevas necesidades corporativas derivadas de la creciente movilidad de los miembros de las organizaciones, y la elevada demanda de soluciones tecnológicas que permitan tomar decisiones inmediatas y sobre la marcha ha propiciado el incremento de la atención proporcionada al desarrollo de nuevas herramientas de visualización de datos e informaciones, un desarrollo fundamental en sectores especialmente proclives a padecer, con una mayor intensidad, la incidencia de los retos planteados por la movilidad y la exigencia de toma de decisiones en itinerancia, como los sectores dedicados a la logística y la distribución.

Las pruebas son contundentes. Sin datos fiables, la previsión no es sólo una pérdida de tiempo, sino que también es potencialmente perjudicial para los negocios. La calidad de datos es crucial para el éxito de una iniciativa de analítica avanzada, mucho más cuando se trata de hacer predicciones y pronósticos que comprometerán el futuro de la organización. Data quality marca la diferencia entre unas empresas, líderes, y otras, aún en el camino.