{"id":5619,"date":"2022-08-27T04:04:11","date_gmt":"2022-08-27T12:04:11","guid":{"rendered":"https:\/\/www.gudusoft.com\/?p=5619"},"modified":"2022-09-17T14:02:26","modified_gmt":"2022-09-17T22:02:26","slug":"dark-secrets-of-data-management","status":"publish","type":"post","link":"https:\/\/www.gudusoft.com\/es\/secretos-oscuros-de-la-gestion-de-datos\/","title":{"rendered":"11 oscuros secretos de la gesti\u00f3n de datos | Gudu SQLFlow"},"content":{"rendered":"

11 secretos oscuros de la gesti\u00f3n de datos<\/h2>\n

Algunos llaman a los datos el "nuevo petr\u00f3leo", mientras que otros los llaman el "nuevo oro". Dejando de lado la validez de estas met\u00e1foras, no cabe duda de que organizar y analizar datos es una tarea vital para cualquier empresa que busque cumplir la promesa de una toma de decisiones basada en datos. Para ello, una s\u00f3lida estrategia de gesti\u00f3n de datos<\/strong><\/a> es clave. Esto incluye gobernanza de datos<\/strong><\/a>, operaciones de datos, almacenamiento de datos<\/a><\/strong>, ingenier\u00eda de datos<\/a><\/strong>, an\u00e1lisis de datos<\/strong><\/a>, ciencia de datos, etc. La gesti\u00f3n de datos, cuando se realiza correctamente, puede proporcionar una ventaja competitiva a las empresas de todos los sectores. En este art\u00edculo, presentaremos... 11 secretos oscuros de la gesti\u00f3n de datos<\/strong>.<\/p>\n

\"Los

Los secretos oscuros de la gesti\u00f3n de datos<\/p><\/div>\n

Secretos oscuros de la gesti\u00f3n de datos: 1. Los datos no estructurados son dif\u00edciles de analizar.<\/h4>\n

Una parte considerable de los datos empresariales son datos no estructurados. A medida que la transformaci\u00f3n digital avanza gradualmente, la cantidad de datos no estructurados crece r\u00e1pidamente. Estos datos se encuentran dispersos dentro de la empresa en forma de documentos, im\u00e1genes, audio y video, etc. Debido a las caracter\u00edsticas de los departamentos, las aplicaciones, las arquitecturas, el entorno multicloud, etc., forman islas de datos no estructurados, dif\u00edciles de compartir y usar, y que extraen el valor del contenido, lo que dificulta seriamente el proceso de transformaci\u00f3n digital empresarial.<\/p>\n

Secretos oscuros de la gesti\u00f3n de datos \u2013 2. Incluso los datos estructurados a menudo no est\u00e1n estructurados.<\/h4>\n

Los buenos cient\u00edficos y administradores de bases de datos gu\u00edan las bases de datos especificando el tipo y la estructura de cada campo. A veces, buscando mayor estructura, restringen el valor de un campo dado a un entero dentro de un rango espec\u00edfico o a una opci\u00f3n predefinida. Aun as\u00ed, quienes completan formularios de almacenamiento de bases de datos encontrar\u00e1n maneras de aumentar la dificultad.<\/p>\n

Cuando creen que una pregunta no aplica, a veces se indica con un campo vac\u00edo; otras veces se indica con un guion o la inicial "na". Un buen desarrollador puede detectar algunos de estos problemas mediante la validaci\u00f3n. cient\u00edficos de datos<\/strong><\/a> Tambi\u00e9n se puede reducir esta incertidumbre mediante la limpieza. Pero resulta desesperante que incluso las tablas m\u00e1s estructuradas contengan entradas sospechosas que pueden introducir inc\u00f3gnitas o incluso errores en el an\u00e1lisis.<\/p>\n

Secretos oscuros de la gesti\u00f3n de datos: 3. Los esquemas de datos son demasiado estrictos o demasiado laxos.<\/strong><\/h4>\n

Por mucho que el equipo de datos se esfuerce por articular las restricciones del esquema, el esquema final utilizado para definir los valores en los distintos campos de datos es demasiado estricto o demasiado flexible. Si el equipo de datos a\u00f1adiera restricciones estrictas, los usuarios se quejar\u00edan de que sus respuestas no se encontraban en la lista limitada de valores aceptables. Si el esquema de datos es demasiado permisivo, los usuarios pueden a\u00f1adir valores inusuales con poca consistencia.<\/p>\n

Secretos oscuros de la gesti\u00f3n de datos \u2013 4. Las leyes de datos son muy estrictas<\/h4>\n

Las leyes sobre privacidad y protecci\u00f3n de datos son estrictas y seguir\u00e1n endureci\u00e9ndose. Con m\u00e1s de una docena de regulaciones, como el RGPD, la HIPAA y otras, recopilar datos puede ser muy dif\u00edcil e incluso m\u00e1s peligroso si son pirateados. En muchos casos, contratar a un abogado cuesta mucho m\u00e1s que contratar a un programador o un cient\u00edfico de datos. Estos problemas son la raz\u00f3n por la que algunas empresas eliminan los datos en cuanto los procesan.<\/p>\n

Secretos oscuros de la gesti\u00f3n de datos \u2013 5. El coste de la limpieza de datos es enorme<\/h4>\n

La limpieza de datos es el proceso de corregir y eliminar registros inexactos de una base de datos o tabla de datos. En t\u00e9rminos generales, la limpieza de datos incluye la identificaci\u00f3n y el reemplazo de datos y registros incompletos, inexactos, irrelevantes o problem\u00e1ticos.<\/p>\n

Muchos cient\u00edficos de datos admiten que la mayor parte de su trabajo consiste simplemente en recopilar datos, presentarlos de forma consistente y gestionar un sinf\u00edn de lagunas o errores. Quienes tienen los datos siempre dicen: \u00abTodo est\u00e1 en CSV (Valores Separados por Comas, un formato de archivo com\u00fan y relativamente sencillo) listo para usar\u00bb. Pero no mencionan los campos en blanco ni las descripciones de los errores. Limpiar datos para proyectos de ciencia de datos puede llevar hasta diez veces m\u00e1s tiempo que ejecutar rutinas en R o Python para realizar an\u00e1lisis estad\u00edsticos.<\/p>\n

Secretos oscuros de la gesti\u00f3n de datos \u2013 6. Los usuarios desconf\u00edan cada vez m\u00e1s de sus pr\u00e1cticas con los datos.<\/h4>\n

Los usuarios finales y los clientes desconf\u00edan cada vez m\u00e1s de las pr\u00e1cticas de gesti\u00f3n de datos de las empresas, y los algoritmos de IA y su uso no han hecho m\u00e1s que aumentar los temores y generar una profunda inquietud en las personas ante el mero hecho de recopilar sus datos. Estas preocupaciones impulsan el proceso regulatorio y, a menudo, provocan crisis de relaciones p\u00fablicas en las empresas. Adem\u00e1s, se interfiere deliberadamente en la recopilaci\u00f3n de datos con valores falsos o respuestas err\u00f3neas. A veces, la mitad del trabajo consiste en lidiar con socios y clientes maliciosos.<\/p>\n

Secretos oscuros de la gesti\u00f3n de datos \u2013 7. Integrar datos externos puede ser rentable, pero tambi\u00e9n puede ser un desastre.<\/strong><\/h4>\n

Una cosa es que las empresas sean due\u00f1as de los datos que recopilan, pero otra muy distinta es que quieran integrar su propia informaci\u00f3n local con datos de terceros y la enorme cantidad de informaci\u00f3n personalizada que existe en internet. Algunas herramientas prometen abiertamente recopilar datos de cada cliente para crear un perfil personalizado con cada compra. As\u00ed es, usan las mismas palabras que las agencias de espionaje que rastrean a terroristas para rastrear tus compras de comida r\u00e1pida y tu historial crediticio. \u00a1Con raz\u00f3n la gente est\u00e1 preocupada y en p\u00e1nico!<\/p>\n

Secretos oscuros de la gesti\u00f3n de datos \u2013 8. Los reguladores est\u00e1n tomando medidas en\u00e9rgicas contra el uso de datos<\/h4>\n

Nadie sabe cu\u00e1ndo un an\u00e1lisis inteligente de datos cruzar\u00e1 la l\u00ednea, pero cuando eso suceda, los reguladores intervendr\u00e1n. En un caso reciente en Canad\u00e1, una investigaci\u00f3n gubernamental descubri\u00f3 que algunas tiendas de donas rastreaban a clientes que tambi\u00e9n compraban en la competencia.<\/p>\n

Seg\u00fan un comunicado de prensa publicado recientemente, \u00abLa investigaci\u00f3n revel\u00f3 que el contrato de Tim Hortons con un proveedor externo de servicios de localizaci\u00f3n en Estados Unidos conten\u00eda un lenguaje tan vago y permisivo que permit\u00eda a la empresa vender datos de localizaci\u00f3n desidentificados para sus propios fines\u00bb. \u00bfPara qu\u00e9? \u00bfPara vender m\u00e1s donas? En fin, resulta que los reguladores prestan cada vez m\u00e1s atenci\u00f3n a todo lo que involucre informaci\u00f3n personal.<\/p>\n

Secretos oscuros de la gesti\u00f3n de datos \u2013 9. Tu plan de datos podr\u00eda no valer la pena<\/h4>\n

Imaginamos que un gran algoritmo puede hacer que todo sea m\u00e1s eficiente y rentable. A veces, un algoritmo as\u00ed es posible, pero el precio tambi\u00e9n puede ser demasiado alto. Por ejemplo, los consumidores (e incluso las empresas) cuestionan cada vez m\u00e1s el valor del marketing dirigido a partir de sistemas de gesti\u00f3n de datos bien dise\u00f1ados. Algunos se\u00f1alan que a menudo vemos anuncios de productos que hemos comprado porque los rastreadores de anuncios no se han dado cuenta de que ya no los necesitamos.<\/p>\n

El mismo destino suele correr otros planes. A veces, un an\u00e1lisis riguroso de datos identifica las f\u00e1bricas con peor rendimiento, pero eso no importa, ya que la empresa firm\u00f3 un contrato de arrendamiento de 30 a\u00f1os para el edificio. Las empresas deben prepararse para la posibilidad de que todos los genios de la ciencia de datos produzcan una respuesta inaceptable.<\/p>\n

Secretos oscuros de la gesti\u00f3n de datos \u2013 10. Al final, las decisiones sobre datos suelen ser solo juicios subjetivos.<\/strong><\/h4>\n

Numbers can provide enough precision, but how humans interpret them is often what matters. After all the data analysis and AI manipulation, most algorithms need to decide whether a value is above or below a threshold. Sometimes scientists want p-values \u200b\u200bbelow 0.05; other times, police issue tickets for cars that are 20 percent faster. These thresholds are usually just arbitrary values. For all the science and math that can be applied to data, there are more grey areas in many “data-driven” processes than we think, and while companies may be investing all their resources into their data management practices, decisions are more dependent on Intuition and subjective judgment.<\/p>\n

Secretos oscuros de la gesti\u00f3n de datos \u2013 11. Los costes de almacenamiento de datos se disparan<\/h4>\n

Las unidades de disco son cada vez m\u00e1s grandes y los precios por terabyte est\u00e1n bajando, pero los programadores recopilan datos a una velocidad mucho mayor que la de la ca\u00edda de precios. Los dispositivos del Internet de las Cosas (IoT) cargan datos constantemente, y los usuarios esperan poder navegar por la extensa colecci\u00f3n de estos bytes indefinidamente. Al mismo tiempo, los responsables de cumplimiento normativo y los reguladores exigen cada vez m\u00e1s datos para futuras auditor\u00edas. Ser\u00eda una cosa que alguien revisara algunos de estos datos, pero el tiempo disponible es limitado. El porcentaje de datos que se revisan es cada vez menor. Sin embargo, el precio de los paquetes de expansi\u00f3n de almacenamiento ha ido en aumento.<\/p>\n

Conclusi\u00f3n<\/h3>\n

Gracias por leer nuestro art\u00edculo. Si le ha gustado, nos alegrar\u00e1 mucho. Si desea obtener m\u00e1s informaci\u00f3n sobre la gesti\u00f3n de datos, le recomendamos visitar Flujo de SQL de Gudu<\/strong><\/a> Para m\u00e1s informaci\u00f3n.<\/p>\n

Como uno de los\u00a0Las mejores herramientas de linaje de datos<\/a><\/strong>\u00a0Disponible en el mercado hoy en d\u00eda, Gudu SQLFlow no solo puede analizar archivos de script SQL, obtener\u00a0linaje de datos<\/a><\/strong>, y realizar presentaciones visuales, pero tambi\u00e9n permitir que los usuarios proporcionen\u00a0linaje de datos<\/strong>\u00a0en formato CSV y realizar visualizaci\u00f3n.\u00a0(Publicado por Ryan el 27 de agosto de 2022)<\/strong><\/p>\n<\/div><\/div><\/div>