- Una gobernanza de datos exitosa empieza por implementar una estrategia eficaz de gestión de la calidad de los datos.
- Eso pasa por elegir e implementar una solución tecnológica adecuada. La elección de la solución es un paso determinante – debe estar dictada por las necesidades funcionales de la empresa. Otra clave, según nosotros, para una gestión sólida de la Data Quality consiste en crear un grupo dedicado, que incluya tanto representantes del área de TI como usuarios de los datos.
- Son además estos usuarios, los que transforman los datos en acciones que generan ingresos, quienes deben liderar este grupo y no los técnicos. Un proyecto de gestión de la Data Quality tiene entonces una doble vertiente: humana y tecnológica.
- Los datos pueden estar completos y aun así ser incorrectos: la precisión se mide aparte de la completitud.
- La mayoría de los datos incorrectos vienen de errores humanos. Sensibilizar a los colaboradores puede pesar más que un nuevo software.
La calidad de los datos se ha convertido hoy en una palanca clave para el desarrollo del negocio de una empresa.
Las ganancias que se pueden obtener de una gestión eficaz, integral y constante de la calidad de tus datos son enormes, y muchas veces insospechadas. En el mercado existen distintas herramientas para responder a estas diferentes necesidades de procesamiento, actualización y limpieza.
Sea cual sea el tipo de solución que elijas, lo más importante sigue siendo conocer las buenas prácticas de data quality y poder realizar con regularidad una auditoría de desempeño de la gestión de esos datos.
Llevar a cabo un proyecto así pasa por distintas fases: elección de las dimensiones de calidad a tratar y selección de los criterios que permiten evaluarlas, pliego de requisitos, elección de las herramientas de análisis adecuadas, estructuración por etapas del enfoque de calidad y realización periódica de auditorías de control.
Aquí te proponemos una guía completa para quienes quieran aprender más sobre estos temas. Unas cuantas horas de lectura bastan para dar la vuelta al tema y descubrir cómo mejorar la calidad de tus datos de forma rápida y segura.
¿Necesitas acompañamiento?Duplicados, información obsoleta, datos faltantes… Las anomalías en las bases de marketing/CRM tienen consecuencias muy reales: campañas menos eficaces, análisis y decisiones sesgados… Sin embargo, pocas empresas han puesto en marcha un verdadero enfoque de Data Quality.
Por suerte, hay soluciones para remediarlo. Las consultoras de datos pueden ayudarte en todos los niveles: auditoría, plan de acción, implementación operativa, seguimiento.
1. Data quality: definición y ventajasAunque la expresión está de moda hoy, no es raro que algunos elementos clave de su definición se desconozcan incluso dentro de los equipos de marketing. Así que, a menos que seas experto en el tema, entender la noción de “calidad de los datos” en su totalidad es indispensable, sobre todo para captar todas las ventajas operativas y financieras que se derivan de ella.
2. Optimizar tu data quality management: repaso de las buenas prácticasGarantizar una calidad óptima a lo largo del tiempo se basa ante todo en una gestión eficaz, documentada y metodológicamente estructurada de tus datos. De antemano, tus equipos pueden accionar ciertas palancas estratégicas para facilitar la puesta en marcha de estos procesos. Las 6 reglas de oro del data quality management completan este conjunto para asegurarte de que arrancas tu proyecto sobre bases sólidas.
3. Elección de herramientas / proveedores de data qualityHay varias maneras de mejorar la calidad de tus datos. Por supuesto, puedes hacerlo tú mismo o elegir pasar por un proveedor externo. Todo depende de la complejidad de tu proyecto y del tiempo / presupuesto del que dispongas. El mercado de herramientas de seguimiento/gestión de la calidad de datos cuenta ya con numerosas soluciones (open source y propietarias), y elegir la solución adecuada para tu proyecto exige un verdadero trabajo de delimitación de tus necesidades.
4. Auditorías regulares: la garantía de datos de calidad a largo plazoHito esencial de tu enfoque de calidad, la auditoría te permite comprobar a intervalos regulares que la calidad de tus datos se mantiene a medida que tu actividad crece o que integras nuevas herramientas a tu portafolio de soluciones.
Data quality: definición y ventajas
¿Qué es la Data Quality?
La Data Quality se refiere a la capacidad de una empresa de mantener la vigencia de sus datos a lo largo del tiempo, y por lo tanto su utilidad en el marco de operaciones de marketing y ventas. La Data Quality designa entonces una manera de gestionar los datos de modo que sigan siendo viables con el paso del tiempo. Es bien sabido que el tiempo erosiona / degrada naturalmente la calidad de los datos, porque el dato de clientes es una materia viva: las personas cambian de correo electrónico, de dirección, de número de teléfono, pero también de preferencias, de comportamientos de compra, etc. Una base de datos que no se mantiene termina almacenando datos que ya no son correctos, que ya no corresponden a ninguna realidad. La gestión de la calidad de los datos, o Data Quality Management, es el conjunto de prácticas y técnicas que permiten mantener la veracidad de los datos contenidos en tus archivos de clientes o prospectos.
Pero la gestión de la Data Quality abarca un campo más amplio y se basa en tener en cuenta seis dimensiones o criterios, identificados por la asociación DAMA United Kingdom:
- La completitud de los datos: ¿tienes todos los datos que necesitas sobre tus clientes o prospectos? ¿Están completos todos los atributos / campos que necesitas? Los datos incompletos son uno de los principales desafíos que enfrentan las organizaciones en la gestión de sus bases de datos.
- Su validez: ¿los datos disponibles respetan una sintaxis normalizada? (por ejemplo: “av” vs “avenida”).
- Su precisión: simplemente, ¿los datos de tu base son correctos? ¿Reflejan la realidad? Los datos pueden estar completos y aun así ser incorrectos, así que este criterio es esencial. Por ejemplo, puedes tener las direcciones de todas las personas de tu lista, pero puede que solo el 70% de esas direcciones sean válidas.
- La coherencia: ¿los datos de tus distintas bases son coherentes entre sí? Para una misma persona registrada en varias bases, ¿la información es la misma de una base a otra?
- La disponibilidad de los datos: ¿los datos son fácilmente accesibles para las personas que los necesitan en su trabajo?
- La actualidad de los datos: ¿cuándo se registraron o actualizaron los datos? Volvemos a lo que decíamos hace un momento: los datos pierden valor naturalmente con el tiempo, se degradan. Cuanto más reciente es un dato, en igualdad de condiciones, más valor tiene.
La calidad de los datos disponibles es la base de la eficacia de las actividades de marketing y ventas. Se suele decir que el dato es el combustible de la relación con los clientes, del diálogo comercial y de la eficacia del marketing. Pero eso solo es cierto si los datos son de calidad, en los múltiples sentidos que acabamos de enumerar.
Lee tambiénDescubre cómo construir una estrategia de Lead Scoring.
¿Por qué los datos inexactos son peligrosos?
En los oficios del análisis de datos, mantener la calidad de los datos es un tema esencial. Todas las organizaciones que hacen Big Data conocen los riesgos y peligros que representan los datos incorrectos. El concepto de Data Quality no es un término de moda más, es algo realmente importante, que describe una preocupación muy legítima. Y sin embargo, hay que reconocer que la Data Quality rara vez forma parte de las grandes prioridades de las empresas.
Y es que el dato por sí solo no basta. Lo que permite a una empresa mejorar su desempeño no es el dato en sí, sino el dato de calidad. Digámoslo sin rodeos: si no estás dispuesto a mantener tus datos, mejor no recopiles ningún dato… Hasta se podría inventar un eslogan: el dato se mantiene o no vale nada. Una infografía compartida por Halo Business Intelligence mostró que casi el 40% de los datos que tienen las empresas eran inexactos… Aún más inquietante, más del 90% de las empresas admiten que los datos de clientes de los que disponen son inexactos… En el estudio de Halo Business Intelligence, el 66% de las empresas encuestadas admite la posibilidad de que los datos incorrectos tengan un impacto negativo en sus negocios. Incluso estiman el costo probable en $8,200 000 en promedio… Es cierto que hablamos de peces gordos, pero aun así.
Lee tambiénDescubre más de 15 herramientas para construir una base de prospección.
¿Por qué y cómo tener datos de mala calidad afecta tanto el desempeño de las empresas? Los peligros asociados a los datos de mala calidad son de dos tipos. Por un lado, generan costos financieros; por otro, dañan la reputación de la empresa.
Como muestra el estudio citado más arriba, los datos inexactos tienen primero un impacto / un costo financiero. Sin Data Quality, terminas tomando decisiones e implementando estrategias basadas en hechos inexactos. Tomemos un ejemplo simple y cotidiano. Digamos que quieres crear tu próxima campaña de marketing. Para eso, usas los datos disponibles para segmentar a las personas correctas. Pero si tus datos son incorrectos, vas a apuntar a las personas equivocadas con las ofertas equivocadas. Te habrás basado en comportamientos supuestos que no son los de tus contactos. Tu campaña de marketing corre el riesgo de fracasar. Te habrá costado dinero, sin un retorno de inversión consistente. Además, disponer de datos inexactos genera costos operativos nada despreciables. Si tienes datos imprecisos o inexactos sobre tus clientes, tendrás que pasar tiempo intentando encontrar la información correcta. Y en los negocios, el tiempo es dinero…
Evidentemente, implementar una gestión de la Data Quality cuesta dinero y supone una inversión de la empresa. Al principio, tendrás la impresión de perder más de lo que ganas. Pero si dudas, recuerda siempre que el costo asociado a los datos de mala calidad siempre será mayor que cualquier estrategia de Data Quality. Reparar errores ligados a la mala calidad de los datos siempre termina siendo más caro que limitar los riesgos de error… A propósito, vale la pena mencionar un estudio de 2011, bastante académico, es cierto, pero apasionante, que demuestra con pruebas que los costos asociados a los datos incorrectos siempre son mayores que los costos asociados al mantenimiento de la Data Quality.
Por último, como decíamos más arriba, disponer de datos de mala calidad también puede tener un impacto muy dañino en la imagen de marca de la empresa. Simplemente porque la mala calidad de los datos afecta necesariamente la calidad de tus comunicaciones, la calidad del diálogo que mantienes con tus clientes. Y, para decirlo sin filtro, queda pésimo mostrarles a tus clientes, a través de tus mensajes, que tienes sobre ellos información completamente falsa. Eso golpea inevitablemente tu credibilidad. Es cierto en B2C, y lo es aún más en B2B.
Lee tambiénDescubre 10 tendencias principales en el universo del software CRM B2B.
Los beneficios de una gestión de la Data Quality
No preocuparse por la Data Quality puede tener graves consecuencias en la actividad de la empresa. Pero más allá de este aspecto, implementar una gestión de la Data Quality trae varios beneficios “positivos”. Para empezar, le permite a una organización reducir costos en distintos departamentos. El estudio de Halo Business Intelligence mostró que las organizaciones que gestionaban la Data Quality lograban reducir:
- Entre un 10% y un 20% los gastos de la empresa
- Entre un 40% y un 50% los costos de TI
- Un 40% los costos operativos
Una vez más, la mayoría de estas reducciones de costos son el resultado de un uso más pertinente del dato. La gestión de la planificación, las decisiones y las acciones son más eficaces cuando se basan en datos correctos. Pero la gestión de la Data Quality también contribuye directa o indirectamente a mejorar el desempeño económico (facturación, ingresos). Porque disponer de datos de calidad permite evitar los grandes errores estratégicos, mejorar la imagen de marca y garantizar la lealtad de los clientes. Usar datos precisos permite mejorar el desempeño de tus campañas de marketing y de tu estrategia de ventas.
Por encima de todo, contar con una gestión de la Data Quality permite mejorar el risk management. Los riesgos de error se reducen mucho si basas tus decisiones en información correcta. La Data Quality permite limitar el riesgo de error en muchas actividades, desde el servicio al cliente hasta el desarrollo de producto, ¡pasando incluso por la contabilidad! Disponer de datos de calidad simplifica la vida de los colaboradores y los hace más eficaces. Ya no tienen que verificar dos veces la información cada vez para asegurarse de que es válida.
Lee tambiénDescubre cómo hacer evolucionar los procesos de venta B2B para responder a las exigencias del tomador de decisiones moderno.
Los componentes clave de una gestión eficaz de la Data Quality
¿Cómo poner orden en tus datos? ¿Cómo implementar una gestión eficaz de la Data Quality? Hay distintos enfoques posibles. En un primer momento, tu empresa debe formular claramente sus necesidades y sus objetivos en materia de uso de los datos.
Hay tres componentes clave a tener en cuenta en la gestión de la Data Quality:
- La gobernanza de datos
- La Data Quality Assurance (QA)
- El control de la Data Quality
1. La gobernanza de datos
Todas las empresas deberían contar con un equipo de gobernanza de datos para vigilar la calidad de los datos, su actualización y los procedimientos vigentes para mantener la calidad. Desde hace algunos años es frecuente encontrar en las empresas un Chief Data Officer (CDO) encargado de mantener informada a la dirección sobre los problemas ligados al dato que enfrenta la empresa.
Un equipo de Data Management debe concentrarse en los objetivos estratégicos de la empresa. Debe preguntarse sin cesar cuáles son los objetivos clave de la empresa y cómo alcanzarlos. Las respuestas a esta pregunta permiten definir los datos que la empresa necesita para crecer. Eso también ayuda a priorizar los objetivos en materia de Data Quality.
Una vez que defines los objetivos de negocio en términos de datos, hay que poner orden en la base de datos. Se pueden desplegar varios programas de Data Quality con este fin. También es posible tercerizar la limpieza de tus bases, recurriendo a una consultora experta en datos de clientes. Lo más importante es concentrarse en los datos que realmente tienen sentido para tu organización y la consecución de sus objetivos, y eliminar los datos inútiles o no pertinentes. A las empresas a menudo les cuesta eliminar datos, pero una gestión eficaz de la Data Quality supone concentrarse exclusivamente en los datos esenciales.
Ten en cuenta que la gestión de la Data Quality no consiste esencialmente en implementar tu plan de acción con métodos cada uno más sofisticado que el anterior. Sobre todo, también tienes que ser capaz de hacer arbitrajes entre el costo de implementación de los programas de Data Quality y el costo financiero y de reputación asociado al uso de datos de mala calidad. Para ser eficiente, una gestión de la Data Quality no tiene por qué ser costosa.
Hay un último aspecto de la gobernanza de datos que no hay que descuidar. Como se sabe, la mayoría de las veces son errores humanos los que están en el origen de los datos incorrectos. Por eso también es esencial sensibilizar a los colaboradores sobre la importancia de la Data Quality. Todos en la organización tienen que involucrarse y entender por qué la calidad de los datos es algo importante. Este trabajo de sensibilización puede resultar mucho más eficaz para eliminar los datos incorrectos que implementar un nuevo software sofisticado.
Lee tambiénDescubre nuestro top 10 de herramientas de limpieza de listas de emails.
2. La Data Quality Assurance
La Data Quality Assurance designa el conjunto de procesos y técnicas cotidianos que permiten identificar los datos inexactos, incoherentes, incompletos y, en definitiva, garantizar que la calidad de los datos se mantenga a lo largo del tiempo.
Implementar un enfoque de Data Quality Assurance permite asegurarse día a día de que los datos que usa la empresa tienen un alto nivel de calidad y permiten cumplir los objetivos identificados por el equipo de gobernanza de datos.
3. El control de la Data Quality
Por último, también debes implementar protocolos de control de la Data Quality. El control de calidad toma el relevo de la Data Quality Assurance. Controlar la Data Quality consiste en asegurarse de que los datos son exactos y de que las bases no están saturadas de datos inútiles. Se trata de controlar tanto la calidad de los datos como el uso que hacen de ellos los colaboradores de la empresa.
La Data Quality Assurance permite medir el nivel de incoherencia, de incompletitud y de precisión de los datos disponibles. El proceso de control del dato, por su parte, consiste en decidir si el dato es útil, pertinente, si merece ser aprovechado. Tomemos un ejemplo. La persona encargada de la Data Quality Assurance será la que identifique los datos incoherentes. La persona responsable del control será la que decida eliminar esos datos para que la empresa no los use. Su papel es impedir que la organización use datos incorrectos.
Lee tambiénDescubre nuestra guía completa sobre el arte de implementar procesos comerciales eficaces.
Las mejores prácticas en Data Quality
Con la explosión del volumen de datos disponibles y el papel creciente que juega el dato en la toma de decisiones estratégicas, implementar un Data Quality Management sólido se vuelve un proyecto ineludible. Más aún porque el uso de datos de mala calidad genera costos considerables para las empresas.
En esta guía, te vamos a dar consejos y compartir buenas prácticas para ayudarte a gestionar lo mejor posible la calidad de tus datos.
¿Qué palancas estratégicas accionar para mejorar la calidad de tus datos?
Varios enfoques estratégicos han demostrado su eficacia y se aplican en empresas reconocidas por la calidad de su gestión de la Data Quality. Todas las palancas que te vamos a presentar provienen de un enfoque proactivo de control y seguimiento de la Data Quality, mucho mejor que los enfoques “reactivos” que consisten en reparar el daño una vez hecho.
1. Confiar la gestión de la Data Quality a los equipos de negocio
El objetivo principal del dato es alimentar el negocio. El dato es el combustible del marketing, de las ventas, de la relación con los clientes. Por estas razones, la gestión de la Data Quality no debe confiarse al área de TI sino a las unidades de negocio, que son las principales usuarias de los datos.
Estos usuarios están más capacitados para determinar los parámetros de calidad de los datos, los datos a recopilar, los flujos de datos a crear, e identificar los datos más importantes, aquellos cuya calidad debe seguirse muy de cerca.
2. Nombrar Data Stewards
El Data Steward es la persona encargada de la organización y la gestión de los datos de la empresa. Su objetivo principal es garantizar la calidad y la integridad de los datos almacenados en el sistema de información. Se recomienda mucho elegir a un Data Steward dentro de las unidades de negocio, que conozca sus retos, sus necesidades específicas y su funcionamiento.
Nombrar Data Stewards permite atacar de raíz los riesgos de degradación de la Data Quality.
3. Crear un consejo de gobernanza de datos
Este grupo debe estar compuesto por representantes de las distintas funciones de la empresa, partes interesadas del dato y representantes del área de TI. Los Data Stewards pueden trabajar en estrecha relación con los miembros del consejo, o incluso ser nombrados miembros de pleno derecho del consejo.
Uno de los principales objetivos de esta instancia es fijar enfoques y políticas en materia de Data Quality y asegurarse de que se implementen efectiva y correctamente en toda la empresa.
El consejo se reúne a intervalos regulares para analizar los resultados en materia de gobernanza de datos, tomar medidas en caso de problemas / errores y definir nuevas metas de calidad.
4. Implementar un firewall para controlar la calidad de los datos entrantes
Para una empresa, el dato puede asimilarse a un activo financiero, así que es totalmente lógico implementar controles para asegurarse de que los datos que entran al sistema de información tienen una calidad suficiente.
También importa que estos controles se apliquen a cada exportación o modificación de datos, ya que estos procesamientos pueden provocar una pérdida de “precisión” de los datos. Como explicamos en otra parte, usar datos de mala calidad puede, más adelante, causar graves problemas y tener impactos de negocio muy perjudiciales.
Implementar un firewall virtual permite detectar y bloquear los datos malos antes de que entren al sistema de información. Los datos corruptos identificados por el firewall pueden devolverse a su fuente de origen para que se modifiquen, o bien corregirse antes de entrar.
Algunas soluciones de gestión de la Data Quality ofrecen firewalls con reglas personalizables.
Las reglas de oro antes de lanzarte a un proyecto de Data Quality
Antes de proponerte algunos pasos a seguir para mejorar tu sistema de gestión de la Data Quality, queríamos recordarte algunas reglas esenciales en la materia. Poner en práctica estas reglas es la condición sine qua non para implementar un enfoque eficaz. Sin más preámbulos, aquí van esas reglas:
- Empieza por algo pequeño. Start Small, como dicen los anglosajones. Desde el principio tienes que tener una visión clara de tu dispositivo de Data Quality Management, pero debes adoptar un enfoque progresivo. No intentes hacerlo todo al mismo tiempo. Jerarquiza los frentes de despliegue y ordénalos en una hoja de ruta clara.
- La Data Quality es un proceso permanente. Un proyecto de gestión de la Data Quality no es un proyecto puntual, sino un proceso permanente destinado a perdurar y a evolucionar con el tiempo. Un proyecto de Data Quality Management supone un cambio de cultura de tu organización en materia de gobernanza de datos. Eso toma tiempo. Tendrás que hacer evolucionar tu dispositivo varias veces en un enfoque de mejora continua.
- Concéntrate en los objetivos y metas de calidad. Tienes que identificar los criterios y las métricas importantes para tu organización. ¿Qué criterios deben cumplir tus datos para considerarse datos de calidad (precisión, coherencia, integridad, actualidad…)? ¿Qué KPI usar para medir la evolución de esos criterios?
- Prioriza tus acciones según el ROI estimado. Debes apuntar primero a los puntos de dolor, los problemas de Data Quality cuya resolución puede generar el ROI más alto. Esta regla se combina con la anterior. Son estas acciones las que debes desplegar primero.
- Nunca hay un solo camino. Los datos atraviesan la empresa por todas partes, se alimentan de numerosas fuentes / aplicaciones, fluyen a través de muchos servicios de integración, alimentan muchas bases. La gestión de la Data Quality puede hacerse desde cualquier nivel de tus flujos de datos; depende de tus reglas de gobernanza de datos, de tus necesidades de negocio, de las reglas de propiedad de los datos, de la arquitectura de tus sistemas, etc. Muchas veces hay varias opciones sobre la mesa para implementar una gestión eficaz de la Data Quality. Nunca hay una sola vía.
Optimizar tu Data Quality management en 5 pasos
La gestión de la Data Quality es un proceso que se presenta en forma de círculo e implica varias fases de implementación. Estos son los 5 pasos principales del proceso. Son pasos sucesivos. Para cada uno, te damos algunos consejos específicos.
1. La evaluación de la calidad de los datos (Data Quality Assessment)
El primer paso consiste en someter todos los datos almacenados por la empresa a una inspección detallada para identificar las zonas problemáticas (errores, incoherencias, datos duplicados, campos vacíos) que perjudican la consecución de los objetivos de negocio de la empresa.
Para este paso, se recomienda recurrir a un tercero externo a la empresa, que sepa hacer un diagnóstico objetivo de la situación actual. Este primer paso es la base a partir de la cual podrá desplegarse todo el enfoque de gestión de la Data Quality.
Permite identificar los ejes de mejora, los frentes de trabajo, las acciones a llevar a cabo.
Te recomendamos combinar:
- Un enfoque top-down, que consiste en partir de los pain points a nivel de la actividad y buscar sus causas a nivel de la calidad de los datos.
- Un enfoque bottom-up, que consiste en un análisis de los datos que permitirá identificar las anomalías que tienen un impacto negativo en la consecución de los objetivos de la empresa.
Este trabajo se materializa en un informe que enumera de manera clara y precisa todas las conclusiones obtenidas. En la medida de lo posible, este informe debe compartirse con todas las partes interesadas. Es el documento base que permitirá jerarquizar y ordenar los frentes de acción prioritarios.
Lee tambiénDescubre nuestro top 10 de herramientas de limpieza de listas de mailing.
2. La medición de la calidad de los datos
El informe producido durante el análisis permite concentrarse en los datos más críticos, aquellos cuya calidad importa al máximo.
Tienes que determinar atributos y dimensiones (precisión, coherencia, frescura, integridad, completitud) que permitan medir la calidad de esos datos, definir indicadores (la tasa de datos incompletos, por ejemplo) y umbrales de calidad (por encima de los cuales un dato puede considerarse un dato de calidad).
A partir de ahí podrás deducir las herramientas y técnicas a desplegar para alcanzar el nivel de calidad requerido en los datos objetivo. Se puede implementar un tablero para cada unidad de negocio a partir de las métricas y los umbrales elegidos.
3. Identificar los puntos de control de los datos
Cuando se desarrolla una aplicación o se actualiza un sistema de información, en general se empieza por concentrarse en la funcionalidad antes de hacer gestión de la Data Quality.
Haber definido de antemano las Data Quality metrics te permitirá integrar los objetivos de Data Quality desde el principio, es decir, en el ciclo de desarrollo de las funcionalidades y de implementación de las herramientas. Es por lejos el enfoque más eficaz, porque las personas responsables del despliegue de las funcionalidades necesitan saber cuáles son los datos necesarios para cada aplicación.
Conocer bien la estructura de los flujos de datos a través de todas las aplicaciones del sistema de información permite identificar los puntos más pertinentes para la inspección y los controles diarios. Casi siempre se trata de los puntos de entrada de los datos al sistema.
Es a partir de este trabajo de identificación de los puntos de control que podrás deducir las funcionalidades objetivo que tendrás que implementar.
4. La mejora de la Data Quality en los sistemas de información
Los datos que se comparten entre los proveedores de datos y los consumidores deben ser objeto de acuerdos contractuales que definan claramente niveles de calidad aceptables.
Puedes aprovechar las Data Quality metrics que definiste para incorporarlas en los contratos de servicio. Definir estándares de calidad y de formatos ayuda a facilitar los flujos de datos de una entidad a otra.
Los metadatos pueden colocarse en un registro destinado al Data Center Management, que deberá asegurarse de que los datos estén representados de una forma aceptable y beneficiosa para ambas partes. Le corresponde al Data Center Management realizar los análisis de brecha y la alineación de las necesidades de negocio de ambas partes.
Las inspecciones de la calidad de los datos pueden hacerse manualmente o mediante procesos automatizados que permiten verificar el nivel de calidad. El monitoreo y las acciones correctivas pueden hacerse periódicamente, con una frecuencia fijada en el contrato de servicio.
5. Identificar los casos en que no se respetan los estándares de Data Quality y aplicar las acciones correctivas necesarias
Cuando identificas un dato que no respeta los niveles de calidad esperados, las acciones correctivas deben realizarse mediante mecanismos de tracking de la Data Quality similares a los sistemas de seguimiento de errores que existen en el sector del desarrollo de software.
El reporte de los errores y el seguimiento de las acciones realizadas para corregirlos pueden ayudar a alimentar los informes de desempeño. Lo importante es que el análisis no debe basarse solo en los errores, sino también en sus causas.
Así es como lograrás identificar las fallas en tus procesos. A eso debe sumarse una limpieza proactiva de los datos a intervalos regulares para identificar errores que pasaron inadvertidos o que entraron al sistema a pesar de los controles.
Es importante que la gestión de la Data Quality se haga al más alto nivel de la organización, usando herramientas adecuadas de data management para facilitar la medición, el reporte y el proceso de mejora continua.
La solución elegida también debe poder alinearse con los objetivos de negocio de la empresa, necesariamente singulares.
Los objetivos de Data Quality y los planes de gestión deben compartirse entre los productores, los consumidores, los desarrolladores y los equipos operativos.
La Data Quality concierne a todos, y no solo a una función de la empresa. Debe convertirse en una cultura de empresa. Los procesos de captura de datos deben fijarse claramente al más alto nivel de la organización.
Las mejores herramientas para tu data quality
La calidad del dato (o data quality) se refiere a los criterios y procesos utilizados para medir o mejorar la calidad de los datos. Con este fin, hay muchas herramientas disponibles para gestionar, preparar y verificar el dato, cada una con sus particularidades. Hicimos para ti una selección de las mejores soluciones para que puedas mejorar la calidad de tus datos disponibles y aprovechar todo su potencial.
1. Data Management (incluida la Data Quality) – Más bien para grandes empresas
Muchos describen la gestión de datos o data management como uno de los grandes desafíos de nuestro siglo. El crecimiento exponencial de los datos disponibles representa una fuente de información cada vez más importante.
El reto es lograr aprovecharlos de manera pertinente para apoyar la toma de decisiones de las empresas o de las organizaciones gubernamentales.
Esta necesidad dio origen al data management, o gestión de datos. Este término abarca todo el proceso de adquisición, validación, almacenamiento, protección y procesamiento de los datos con el fin de garantizar su accesibilidad, su confiabilidad y su actualidad para sus usuarios.
Aquí encontrarás una lista de las principales herramientas más adecuadas para las grandes empresas.
1. SAS
SAS es un software completo de data management que permite crear y gestionar bases de datos, hacer procesamientos analíticos de las bases de datos y crear y difundir informes de síntesis y de listados. Lo usan grandes empresas como Honda, Bank of America o la ONG WWF.
Puntos fuertes:
- Herramienta completa para las grandes empresas
- Se adapta a todos los sectores de actividad
Precio:
- Desde 7 000€ /año para las funcionalidades básicas hasta varios cientos de miles de €/año
2. Informatica
Informatica ofrece varias soluciones dedicadas a la integración, el análisis y la mejora de la calidad de los datos. La empresa también ofrece servicios de almacenamiento de datos en la nube. También ofrece una solución SaaS.
Puntos fuertes:
- Posibilidad de integración con numerosas fuentes de datos
- Facilidad de uso y de mantenimiento.
Precio:
- Según la cantidad de funcionalidades.
3. Melissa
Melissa es una herramienta dedicada a la verificación de los datos (identidad, dirección, teléfono, email), indispensable para mantener un nivel alto de calidad de datos. También ofrecen servicios en torno a los datos de ubicación y demográficos.
Puntos fuertes:
- Se puede combinar con otras herramientas internas (solución de emailing, CRM…)
- Cuenta con soluciones SaaS
Precio:
- A pedido
2. Data Preparation
La Data Preparation o preparación de datos abarca todas las etapas de limpieza de los datos que permiten asegurar su coherencia y su calidad. La preparación incluye, por ejemplo, la fusión de varias fuentes de datos, el filtrado de datos inútiles, la consolidación, la agregación de datos y el cálculo de valores adicionales basados en los datos brutos. La preparación es importante si se tiene en cuenta que los datos incoherentes y de mala calidad pueden distorsionar la información que se deriva de ellos. También pueden volver lento y poco confiable el análisis y la exploración de datos. Al preparar el dato de antemano, las empresas están en mejores condiciones de aprovechar al máximo su potencial.
4. Google Dataprep
Cloud Dataprep es un servicio visual inteligente para explorar, limpiar y preparar datos para analizar, que funciona sin servidor. Puedes importar varios archivos, fusionarlos, limpiarlos, enriquecerlos, estandarizarlos…
Puntos fuertes:
- Fácil de usar
Precio:
- En promedio 3€ por hora de uso
5. Talend Data Preparation
Talend Data Preparation es una solución que permite preparar datos, como software descargable o en la nube, dos modalidades de pago. La versión gratuita y open source ya no existe: Qlik, que ahora es dueña de Talend, retiró la edición open source de Talend Studio el 31 de enero de 2024.
Puntos fuertes:
- Hay una solución posible para cada tipo de necesidad
Precio:
- A pedido
6. Dataiku
Dataiku es una herramienta de análisis de datos, utilizable tanto por los ingenieros como por los marketers, eficaz para la data preparation. La interfaz es simple e interactiva para que los marketers la usen sin dificultad, y lo bastante avanzada y técnica para gustarles a los ingenieros informáticos.
Puntos fuertes:
- Interfaz simple e intuitiva tanto para los ingenieros como para los marketers
Precio:
- Una versión básica gratuita
- A pedido para una versión más completa
7. Qlik Sense
Qlik sense es una herramienta especialmente adecuada para los no iniciados. La interfaz es muy visual, y el análisis se facilita con sugerencias automáticas. Su lado lúdico vuelve la información accesible para todas las áreas de la empresa. Puedes ver una demo de 60 segundos en este video.
Puntos fuertes:
- Utilizable por todas las áreas de la empresa
- Interfaz simple y lúdica
Precio:
- Una versión básica gratuita
- A medida para más funcionalidades
8. WinPure

WinPure es una suite no-code y accesible de herramientas de data quality que está en el mercado desde 2002. Ofrecen una solución muy completa de servicios para responder a los retos de data quality de clientes de todos los tamaños e industrias.
También ofrecen una solución de Master Data Management que permite a sus clientes implementar, probar y desplegar iniciativas de MDM antes de invertir de forma más significativa en infraestructura y en contratación de talento.
Puntos fuertes:
- Solución muy completa de data cleansing, matching y preparation
- Verificación de direcciones
- Master Data Management
Precio:
- Desde 185$ por mes y por usuario, con facturación anual
3. Verificación de datos de contacto
La verificación de los datos de contacto consiste en tomar todos los tipos de datos sobre las personas físicas y las personas jurídicas, para luego analizarlos y normalizarlos en un formato correcto y único. Está ligada a la preparación de datos, ya que tiene el mismo objetivo de obtener datos confiables que permitan un procesamiento sin errores.
9. DataValidation
DataValidation, adquirida en 2021 por Emailable, hacia donde ahora redirige su sitio, es una de las soluciones de limpieza de emails más eficaces del mercado. Te permite detectar las direcciones de correo inválidas para que no te consideren spammer en tus campañas de emailing.
Puntos fuertes:
- Fácil de usar
- Precisión de los resultados
Precio:
- 60$ por 10 000 emails verificados, 420$ por 100 000 emails (precios de Emailable, los créditos no vencen)
10. 76310
La solución 76310 se especializa en el control y la corrección de direcciones postales. Cumple la norma francesa RNVP para el procesamiento informático de normalización postal de las direcciones y está homologada por La Poste SNA (servicio nacional de direcciones).
Puntos fuertes:
- Interfaz disponible para el procesamiento RNVP
- Procesamiento RNVP, mudanzas y software de deduplicación
- Homologado SNA
Precio:
- Para 10 000 direcciones (uso en modo SaaS) – 200 €
- Para 100 000 direcciones (uso en modo SaaS) – 400 €
- Software on premise – de 16000 € sin IVA / año a 30.000 € sin IVA / año
11. Egon
Egon es una de las principales referencias entre los paquetes de software presentes en el mercado internacional para la normalización de datos personales diversos (nombre, fecha de nacimiento, títulos, números de teléfono, email, código fiscal, número de IVA, datos bancarios, datos postales, código postal, nombres extranjeros, documentos de identidad)
Puntos fuertes:
- Amplia selección de datos a normalizar
- Solución completa de validación de datos
Precio:
- A pedido
Auditoría de data quality
Si el dato es el combustible de tu empresa, en particular de tus áreas de marketing & ventas, todavía hace falta que esos datos sean de buena calidad. Trabajar con datos de mala calidad genera costos de todo tipo y puede llevar a tomar malas decisiones estratégicas.
¿Cómo implementar un dispositivo de seguimiento de la Data Quality? ¿Qué criterios usar para calificar la calidad de los datos? ¿Cuáles son los ejemplos de data quality metrics fáciles de implementar? ¿Cuáles son las principales causas que originan los problemas de Data Quality?
Vamos a tratar todas estas preguntas una tras otra. Esperamos que esta guía te ayude a construir o mejorar el enfoque de auditoría de la calidad de los datos de tu organización.
La ausencia de auditoría puede tener consecuencias perjudiciales para tu empresa
Las consecuencias de un mal control de calidad de los datos
Un mal control de la calidad de tus datos puede tener consecuencias muy perjudiciales para tu organización, en todos los niveles: el costo de tus campañas de marketing y su desempeño, la comprensión de las necesidades y expectativas de tus clientes, la eficacia de tus procesos comerciales (proceso de conversión de leads en clientes), la pertinencia de tus decisiones estratégicas, etc. RingLead publicó una infografía muy interesante sobre este tema. El editor de software muestra allí los costos asociados a los datos de mala calidad. Aquí va un pequeño extracto de la infografía:

RingLead subraya primero el crecimiento vertiginoso del volumen de datos a disposición de las empresas. Cada año, el volumen de datos aumenta un 40%. Pero el 20% de los datos son datos malos. Más adelante volveremos sobre los criterios que permiten calificar la calidad de los datos.
Los costos ligados al uso de datos de mala calidad crecen año tras año. Otro estudio, de la célebre consultora Gartner, nos enseña que la falta de control de calidad de los datos les cuesta a las empresas encuestadas en promedio ¡14 millones de dólares por año!
Los costos intangibles ligados a un mal control de calidad de los datos
No controlar la calidad de tus datos sale muy caro desde el punto de vista material y financiero. Es una obviedad. Pero junto a estos costos “tangibles”, también hay que tener en cuenta todos los costos intangibles, difíciles de medir por definición pero bastante fáciles de imaginar.
Imaginemos que tu empresa busca difundir una cultura “data-driven”. Haces todos los esfuerzos necesarios y desarrollas un programa piloto destinado a mostrar el beneficio en términos de ROI de la toma de decisiones data-driven, basada en la business intelligence y el analytics.
Pero hay un problema: si tus datos no son de buena calidad, te va a costar mucho demostrarles a tus colaboradores y a tus superiores los beneficios de la Business Intelligence. Si cuestionas la calidad de los datos usados después de los hechos, es demasiado tarde, sonará a excusa.
Te conviene más resolver los problemas de Data Quality y demostrar de antemano la importancia crucial de disponer de datos de alta calidad para generar ROI a partir de los datos.
El principal costo intangible: las malas decisiones
Quizás este ejemplo no te concierne. Quizás no necesitas demostrarles a los demás la importancia de integrar el análisis de datos en el proceso de toma de decisiones. Quizás tu empresa ya hace analytics, pero sin prestarle mucha atención al control de la Data Quality.
Pues bien, en ese caso, tú y tu organización corren el riesgo de enfrentar un problema todavía más grave: el de tomar decisiones basándose en datos incorrectos. En cierto sentido, es mejor no ser data-driven en absoluto y usar la intuición que ser data-driven sin controlar la calidad de los datos utilizados.
En este último caso, el impacto de las malas decisiones tomadas puede ser catastrófico. Por ejemplo, digamos que tus datos, incorrectos, muestran que tu tesorería está en verde. Te sientes incentivado a lanzar nuevas acciones y a aumentar tus inversiones.
Solo que al cabo de algunos meses, por fin te das cuenta de que tienes graves problemas de flujo de caja. Solo que ya es un poco tarde: no puedes pagarles a tus proveedores, ni siquiera a tus empleados. Controlar la calidad de tus datos permite protegerse de estas dificultades.
Un ciclo virtuoso para garantizar la calidad de tus datos
La gestión y el control de la calidad de los datos es un proceso continuo que puede ilustrarse en forma de ciclo:

Estas son las distintas etapas resumidas en pocas palabras:
- Data discovery => Métodos que permiten facilitar la interpretación de los datos brutos por parte de usuarios no técnicos (marketers…). La Data Visualization es parte integral de esta etapa.
- Data Profiling => Proceso que consiste en analizar los datos en detalle, comparar los datos con sus metadatos, calcular estadísticas y evaluar la calidad de los datos y su evolución.
- Data Quality Rules => Según las necesidades de negocio, el proceso que consiste en definir las reglas que los datos deben respetar para poder considerarse datos de buena calidad.
- Monitoring => El proceso de seguimiento continuo de la Data Quality sobre la base de las reglas de calidad definidas de antemano. Esto incluye, por ejemplo, implementar sistemas de notificación que permitan recibir una alerta cuando un dato cae por debajo del umbral de calidad.
- Reporting => La actividad que consiste en crear tableros e implementar KPI para seguir la evolución de la calidad de los datos a lo largo del tiempo.
- Remediation => El proceso que consiste en corregir los errores y los problemas tal como se reportan en los tableros.
Este ciclo merecería por sí solo un largo desarrollo. Aquí nos vamos a concentrar en particular en 5 dimensiones de la Data Quality que tendrás que tener en cuenta en tu enfoque de auditoría.
Lee tambiénDescubre 10 tendencias principales en el universo del software CRM B2B.
5 dimensiones clave para implementar tu dispositivo de auditoría
Para medir la calidad de tus datos, evidentemente necesitas criterios de calidad. Tienes que definirlos claramente de antemano. Estas dimensiones abarcan distintos aspectos de la calidad. Para la auditoría, nos quedamos con 5, cercanas a la grilla de DAMA presentada más arriba: la precisión, la coherencia, la completitud, la integridad y la actualidad.
La precisión (accuracy)
El primer criterio es el más evidente: ¿tus datos reflejan la realidad? ¿Son correctos, válidos? ¿Describen con precisión lo que pretenden representar? Los cambios de estado de los usuarios / clientes o las transacciones hacen evolucionar los datos de forma permanente y deben integrarse en tu set de datos en tiempo real.
La precisión de los datos puede medirse a partir de fuentes documentales (tu software de gestión de pedidos, por ejemplo) o con técnicas de confirmación. Se trata de evaluar si tus datos tienen o no errores.
Una métrica de uso frecuente para medir la precisión de los datos es la tasa de precisión de los datos, es decir, el porcentaje de datos correctos. Cuanto más alto es este ratio, mejor, evidentemente. No hay un ratio promedio ni un ratio objetivo.
Todo depende de tu empresa, de su tamaño, del volumen y del tipo de datos procesados. En la mayoría de los casos, un ratio superior al 85% se considera muy bueno.

La coherencia
En sentido estricto, la dimensión de coherencia permite especificar si dos datos ubicados en dos bases distintas entran en conflicto entre sí o no. Se trata de saber si los datos dispersos en tus distintas bases son coherentes entre sí, si por ejemplo la información de una misma persona registrada en varias bases es la misma.
Sin embargo, en un sentido más amplio, la coherencia no implica necesariamente la noción de exactitud. Tomemos el ejemplo de una regla que permitiría verificar automáticamente que la suma de los empleados de cada departamento no supera el número total de empleados de la organización.
La exhaustividad
¿Dispones de todos los datos que necesitas para sacar las conclusiones correctas? ¿Tus campos y tus atributos están todos correctamente completados? ¿Hay campos vacíos? ¿Te faltan datos?
Son estas cosas las que se trata de medir con este criterio. La falta de exhaustividad de los datos puede distorsionar los resultados de tus análisis. Por eso esta dimensión es esencial. Un ejemplo de data quality metrics que puedes usar para evaluar este criterio: la cantidad de campos vacíos en un data set determinado.
La integridad
También conocida como Data Validation, la integridad se refiere a las pruebas y procedimientos destinados a deshacerse de todos los errores y anomalías detectados. Se trata de asegurarse de que los datos sean legibles y tengan el formato correcto (por ejemplo, que todas las fechas tengan el formato DD/MM/AAAA).
Se puede usar el Data transformation error rate para medir la proporción de errores ocurridos en las operaciones de transformación de los datos (de conversión de un formato a otro). Se puede seguir la evolución de este ratio en el tiempo.

La actualidad (o la frescura)
Con esta última dimensión, se trata de asegurarse de que los datos estén disponibles y accesibles en todo momento. Este criterio mide el tiempo entre el momento en que se solicita el dato y el momento en que realmente está disponible para su uso. Se puede usar el data time-to-value para medir esta dimensión. El objetivo es reducir al máximo esta duración, apuntando a un ideal de inmediatez.
Sea cual sea el método que uses para mejorar la calidad de tus datos, siempre vas a necesitar medir la eficacia de tus esfuerzos. Estos ejemplos de data quality metrics permiten seguir y evaluar tu trabajo. Cuanto más midas y evalúes, más fácil será mejorar la Data Quality.
Ejemplos de data quality metrics que puedes implementar
Las dimensiones que presentamos más arriba permiten medir tu Data Quality y tus esfuerzos desde un punto de vista cuantitativo. Las data quality metrics que te vamos a presentar ahora te permitirán adoptar en paralelo un enfoque más cualitativo. Estos son algunos ejemplos:
- Los indicadores de satisfacción, obtenidos mediante sondeos o encuestas, que permiten medir la satisfacción de los colaboradores de tu empresa con respecto a los datos a su disposición.
- Los indicadores de productividad, como por ejemplo la evolución del porcentaje de veces en que el departamento a cargo de la gobernanza de datos detecta y elimina los proyectos o iniciativas redundantes.
- La medición de los riesgos y de las oportunidades. Por ejemplo, los beneficios generados gracias a la calidad de los datos o los riesgos materializados ligados al uso de datos problemáticos.
- Los avances en materia de análisis competitivo ligados a una mejor disponibilidad de los datos o a las mejoras en la calidad de los datos.
3 fuentes que originan los problemas de mala calidad de los datos
Limpiar tus datos, reparar los errores detectados, completar los datos faltantes, verificar su precisión son cosas muy importantes. Pero, como en todo, más vale prevenir que curar, identificando los problemas de raíz. Resolver los problemas en su origen te permitirá evitar que vuelvan a aparecer datos de mala calidad. Nunca olvides que mantener la calidad de los datos no es un trabajo puntual. Es un proceso continuo y sin fin.
Fuente 1: Las fusiones y las adquisiciones
Cuando dos empresas se acercan, ya sea por una fusión (absorción de una de las entidades por la otra) o por una adquisición (toma de control de una por la otra), los datos siguen el mismo movimiento y terminan relacionándose, e incluso fusionándose. Como cuando dos personas que tienen hijos de una unión anterior se juntan, pueden surgir complicaciones.
Por ejemplo, es posible, e incluso probable, que las dos empresas usen sistemas de datos completamente diferentes y métodos de recopilación del dato distintos. Incluso es posible que una de las entidades tenga una base de datos llena de errores.
Se recomienda implementar una matriz winner-loser que permita decidir, en cada captura de datos, cuál debe considerarse “verdadera”. Como es de imaginar, este tipo de matriz puede resultar muy compleja e incomprensible.
Si te enfrentas a esta situación, si una fusión o una adquisición está a punto de concretarse, reúne alrededor de una mesa al área de TI para anticipar las dificultades por venir y formular un plan de acción de antemano – incluso antes de la firma.
Fuente 2: Migrar de un sistema de información a otro
Para un usuario no técnico, puede ser complicado entender las dificultades inherentes al cambio de sistema informático. Sin embargo, es una operación muy compleja. La transición de un sistema a otro puede resultar muy delicada.
Algunas empresas usan los mismos sistemas de gestión de sus bases de datos desde hace décadas. Para estas empresas, el momento de la migración suele vivirse muy mal. Esto se debe a las características técnicas de los sistemas de información. Un sistema informático tiene tres partes:
- Una base de datos (= los datos).
- Las reglas establecidas y utilizadas para interpretar los datos
- La interfaz de usuario, que determina la manera en que se presentan los datos a quienes los manipulan (los usuarios).
Cada uno de estos tres aspectos puede generar dificultades al momento de migrar de un sistema informático a otro. En general uno se concentra en la estructura de los datos. Se procura que esta estructura se conserve.
Es un mal enfoque, porque de un sistema informático a otro, las reglas de funcionamiento suelen ser muy distintas. Resultado: después de la migración, los datos son incorrectos a los ojos de los usuarios aun cuando pueden seguir siendo correctos desde un punto de vista estrictamente técnico.
Nuestro consejo: en el marco de una migración, no basta con que tu equipo a cargo de la transición sea experto en uno u otro sistema. Tienen que conocer muy bien los dos sistemas para que la transición se haga sin sobresaltos.
Lee tambiénDescubre nuestro comparativo de bases de datos B2B.
Fuente 3: Los errores de los usuarios
Es un problema que seguramente nunca se podrá resolver del todo, ya que siempre habrá humanos haciendo captura de datos y errar es humano. Todo el mundo comete errores de tipeo con regularidad. Hay que asumirlo y tenerlo en cuenta.
¡Incluso los expertos a cargo de la limpieza de datos cometen errores de tipeo! A falta de transformar a las personas en robots infalibles, nuestro consejo más simple es crear formularios fáciles de completar. De esta manera se pueden reducir significativamente los errores de tipeo.
En plena explosión del volumen de datos que usan las empresas, en la era del Big Data y de la multiplicación de los puntos de contacto entre la empresa y sus clientes/usuarios, implementar un mecanismo de seguimiento de la calidad de los datos es un proyecto ineludible.
Esperamos, con esta guía, haberte aclarado algunos puntos y haber respondido a preguntas que te hacías.
Las preguntas que nos hacen una y otra vez.
¿Qué es la data quality?
La Data Quality se refiere a la capacidad de una empresa de mantener la vigencia de sus datos a lo largo del tiempo, y por lo tanto su utilidad en el marco de operaciones de marketing y ventas. La gestión de la calidad de los datos, o Data Quality Management, es el conjunto de prácticas y técnicas que permiten mantener la veracidad de los datos contenidos en tus archivos de clientes o prospectos.
¿Quién debe liderar la gestión de la data quality?
Las unidades de negocio, principales usuarias de los datos, y no el área de TI. Se recomienda nombrar Data Stewards entre ellas y crear un consejo de gobernanza de datos que reúna a las distintas funciones de la empresa y a representantes de TI.
¿Cuáles son los pasos del data quality management?
Cinco pasos sucesivos: la evaluación de la calidad de los datos, la medición de esa calidad, la identificación de los puntos de control de los datos, la mejora de la data quality en los sistemas de información, y luego la identificación de las desviaciones respecto de los estándares y las acciones correctivas.
¿Qué dimensiones medir en una auditoría de data quality?
La precisión, la coherencia, la exhaustividad, la integridad y la actualidad de los datos. Cada una tiene sus métricas: la tasa de datos correctos para la precisión, la cantidad de campos vacíos para la exhaustividad, el data transformation error rate para la integridad, el data time-to-value para la actualidad.
¿De dónde vienen los problemas de calidad de los datos?
De tres fuentes principales: las fusiones y adquisiciones, que acercan sistemas y métodos de recopilación distintos, las migraciones de un sistema de información a otro, y los errores de captura de los usuarios.
¿Cuánto cuestan los datos de mala calidad?
Según un estudio de Gartner, la falta de control de calidad de los datos les cuesta en promedio 14 millones de dólares por año a las empresas encuestadas. A eso se suman costos intangibles, el principal de los cuales es tomar malas decisiones basadas en datos incorrectos.










Lo que dice la comunidad.