La docena sucia

Pero, ¿qué valor pueden tener unas decisiones supuestamente orientadoras si se basan en fuentes dudosas o contaminadas? Anticuada, doblemente registrada o simplemente incompleta, las razones de la mala calidad de la información son muchas y variadas. El problema de los datos sucios afecta especialmente a las empresas que recopilan grandes cantidades de datos. "Si el caos ya llama la atención, la limpieza de primavera está más que atrasada".Andreas Köninger, experto en digitalización y miembro del consejo de SinkaCom, lo sabe. "Al fin y al cabo, cuanto más ricas son las tiendas, más difícil es limpiarlas". Afortunadamente, las medidas a nivel estructural pueden mejorar enormemente la higiene de los datos y garantizar así la fiabilidad de los informes. 

En contra de la creencia popular, mucho no siempre ayuda cuando se trata de la gestión de datos. Al contrario: un frenesí de recopilación tiende a ser contraproducente. "En la práctica, se observa con regularidad que, además de la complejidad, el esfuerzo y los costes aumentan exponencialmente, mientras que la calidad de los datos desciende aún más bruscamente", subraya Andreas Köninger. El primer paso para mejorar la situación es, por tanto, cuestionarse los propios procesos. ¿Qué objetivo se persigue con la recopilación de información? ¿Favorece la optimización de los procesos? ¿Se pueden extraer cifras clave de los conocimientos? Si los datos no tienen relevancia, vale la pena eliminarlos para ralear la espesura. Este procedimiento también cumple el principio de economía de datos del RGPD.

"Para permitir un análisis eficaz en el siguiente paso, es necesario que exista algún tipo de compatibilidad entre todos los formatos de datos utilizados"Andreas Köninger lo sabe. "Esto empieza con un lenguaje corporativo uniforme y termina con una transformación de la información totalmente automatizada". Porque sólo si todos los departamentos utilizan la misma designación para un proceso comercial o un cliente, por ejemplo, pueden detectarse en absoluto impurezas como las entradas duplicadas. Por ejemplo, designaciones diferentes como "director general" y "presidente del consejo de administración" pueden sugerir a las máquinas que existen varios puestos, aunque se trate del mismo cargo.

En caso de duda, las aplicaciones autónomas ayudan a transferir la información al formato deseado y limpian automáticamente las imprecisiones. Sobre todo si llegan con regularidad transmisiones de socios externos, un programa especializado o una interfaz bien diseñada reducen la posibilidad de que se ensucien los datos. Si toda la información relevante puede normalizarse en todos los departamentos y hacerse así legible, se habrá dado un gran paso. Las estructuras ajustadas hacen maravillas contra los datos sucios.