Al definir el objetivo se sugiere preguntar a quién o quiénes impactará; es decir, cuáles son las partes interesadas (stakeholders) que estarán involucradas en el proceso de diseño y análisis de datos; por ejemplo: las personas que toman decisiones basadas en indicadores. Es crucial identificar a quienes realmente intervendrán en el proceso, ya que los líderes de proyectos tienden a incluir a personas que no tienen relación con el proceso que se va a desarrollar.

Por otra parte, también es importante responder a la pregunta de “cuándo”. En este caso, es vital identificar la variable tiempo, con el fin de conocer el periodo de los datos a recopilar y hasta cuando tendrán vigencia para sustentar la toma de decisiones informadas.

Es también primordial establecer la variable espacio para identificar los posibles lugares o fuentes de información. Incluso, el lugar físico o virtual donde se gestionan los datos y se guardan. Como consecuencia, los costos de almacenamiento y procesamiento de datos se identifican desde el inicio del proyecto, a fin de evitar costos ocultos en el futuro.

Por último, y no menos importante, también se debe identificar qué tipo de datos e información se quiere obtener, garantizando objetividad en los resultados requeridos.

Las variables de costo y tiempo son dependientes de los datos que se van a acopiar, por lo tanto, se recomienda considerar la aplicación de esta actividad.

La identificación y selección de las tareas que se ejecutarán a partir de los datos recogidos representan un conjunto de actividades fundamentales para desarrollar patrones y tendencias de información. Dependiendo de la entidad pública o del interesado, se establecen las tareas que se desplegarán con la información obtenida a partir del procesamiento de los datos. Por ejemplo, definir estrategias de mercadeo digital con el fin de aumentar el número de interesados en participar en convocatorias privadas o públicas; asimismo, la creación de una nueva línea de trabajo que ayude a mejorar los indicadores públicos, entre otros ejemplos.

En conclusión, la definición y ejecución de las tareas basadas en la información producida depende de la estrategia, las tácticas y los grupos de interés —o stakeholders— del proyecto. Generalmente, los resultados se enfocan en el incremento de ventas y la optimización de recursos.

Esta actividad consiste en el establecimiento de indicadores de gestión y resultados que se construyen a partir de los datos suministrados por un proceso particular. Al igual que en el punto anterior, las organizaciones buscan optimizar el recurso humano, el tiempo y los costos de ejecución de procesos. Los indicadores más utilizados en las empresas de todo el mundo son los de eficiencia, eficacia y efectividad.

Establecer un único conjunto de fuentes de datos de datos es imposible, debido a que existe un amplio rango de estos, según su naturaleza. A continuación, se presenta un resumen de la heterogeneidad de fuentes que se podrían encontrar en las organizaciones:

Gestor de base de datos: se conoce generalmente como motores de bases de datos, capaces de almacenar datos de manera relacional, de objetos, jerárquica, XML, entre otros.

Sistemas de información: un sistema de información también se considera fuente de información solo cuando suministra sus datos, independientemente de la manera en que lo haga: datos compartidos, integraciones, entre otros. Los sistemas de planificación de recursos empresariales (ERPS, según su sigla en inglés de enterprise resource planning systems) también se encuentran en esta categoría.

Sistemas de información externos: esta categoría puntualiza los sistemas de información que comparten o exponen datos de una organización a otra. Por ejemplo, una aerolínea expone los datos de disponibilidad de viajes a agencias de viaje, con el fin de que estas tengan información en tiempo real y puedan ofrecer planes turísticos a sus clientes.

Archivos o aplicaciones estándar: esta categoría se refiere a aplicaciones de escritorio, como Excel, Word o Power Point, entre otras. A pesar de que estas aplicaciones normalmente las utiliza una persona o un conjunto reducido de ellas, también se pueden considerar como fuentes de datos. Esto se evidencia en empresas emergentes (startups) u organizaciones con un bajo número de empleados. Incluso, puntos de ventas, que registran toda su operación en hojas de cálculo que después se cargan en algún sistema de información o de base de datos.

Portales de internet: son datos publicados o albergados en sitios de internet (Ríos Sierra, 2014) que son obtenidos a través de API o interfaces de aplicaciones; estas exponen funciones preconstruidas con el fin de suministrar datos específicos, de manera gratuita o comercial; por ejemplo: Google Maps API, Facebook API y Twitter api. También existen otras formas de exponer información; por ejemplo, los RSS (rich site summary), es decir, contenido resumido que se ofrece normalmente en blogs o portales de noticias. Por su parte, web scraping consiste en consumir de manera automática contenido HTML mediante programas de software.

Las fuentes heterogéneas también pueden diferir entre versión del software, marca o tipo de vendedor y modelo, cuyas variables también deben considerarse durante el proceso de identificación de fuentes de datos.

También es crucial identificar el tipo de datos que la fuente de información suministra. Los datos pueden ser de naturaleza estratégica, de planeación y operativa. Los datos estratégicos están asociados a datos agregados, consolidados e indicadores de cumplimiento, que son utilizados por los empleados de mayor rango en las organizaciones para tomar decisiones por parte de presidentes, vicepresidentes y directores. Los datos de planeación aluden a porcentajes de ejecución de procesos, ingreso y gasto, que son utilizados por gerentes y cargos de nivel medio, mientras que los datos operativos incluyen los registros diarios de procesos; por ejemplo, ventas, que son producidos y utilizados por parte de los cargos operativos de una organización.

La dimensión de las fuentes de datos permite caracterizar cada una de ellas, a fin de establecer los parámetros de extracción, transformación y cargue de datos al repositorio definido para la siguiente fase, de exploración de datos. Las dimensiones se presentan a continuación:

Origen: consiste en definir si la fuente de datos se encuentra dentro de la organización o, si, por el contrario, es externa a ella. De esta manera, pueden identificarse atributos de calidad de manera anticipada, lo que ayuda a prevenir futuros problemas, como los relativos a seguridad, disponibilidad, integridad y confidencialidad, entre otros.

Tiempo: mediante esta actividad se establece el periodo en el que los datos deben haberse creado o actualizado. Dos categorías sirven para definir el periodo: datos actuales o datos históricos. Los actuales engloban los datos del día o semana en curso, mientras que los históricos se refieren a meses o años pasados. En términos de tiempo de procesamiento, los datos actuales tardan menos en ser visualizados, en comparación con los datos históricos, debido al tamaño de estos.

Utilización: esta actividad consiste en identificar si los datos a procesar son datos o metadatos. Un metadato es la descripción de un dado, mientras un dato es el valor de una variable. Por ejemplo, del conjunto de datos que contiene las ventas efectuadas por mes en una organización, los metadatos son los meses del año y los datos, el total de ventas.

Tipo: esta actividad se refiere a la definición de los tipos de datos que podrían manipularse y guardarse en un repositorio determinado. Por ejemplo, los datos pueden ser de tipo numérico, alfanumérico, de tiempo, de carácter gráfico, de audio, de video, booleanos o binarios, entre otros. El tipo de datos depende del repositorio donde se vayan a almacenar de manera temporal o permanente.

De todos modos, existe una tipología de datos que el ordenamiento jurídico colombiano ha reconocido, así como una clasificación de la información para determinar si esta se encuentra sujeta a reserva o si, por el contrario, puede ser revelada (Becerra, Cotino Hueso, García Vargas, Sánchez Acevedo y Torres Ávila, 2015). Por ejemplo, 1) cuando se trate de un dato personal sensible, relacionado, por ejemplo, con la orientación sexual, los hábitos del individuo y su credo religioso o político, en principio, solo su titular podría tener acceso a él; 2) el dato personal privado o reservado contenido en documentos públicos solo puede ser revelado a través de una autoridad administrativa o judicial; 3) en el caso del dato semiprivado, que no tiene naturaleza íntima, reservada ni pública, su conocimiento o divulgación puede interesar no solo a su titular, sino a cierto sector o grupo de personas y 4) los documentos públicos que contengan información personal pública son objeto de libre acceso (Corte Constitucional, Sentencia C-274 de 2013).

Lo anterior obedece a la seguridad jurídica y el reconocimiento de los demás derechos fundamentales conexos: habeas data, intimidad, honra y buen nombre, información y libertad informática en el ámbito de las nuevas tecnologías de la información y las comunicaciones y las exigencias internacionales (Galvis, 2012).

Tipo de codificación: mediante esta actividad se busca definir el tipo de codificación de caracteres. Los más conocidos son ASSII, EBCDIC y Unicode.

Orientación: es la manera mediante la cual se organizan los datos en archivos, sistemas de información, portales o gestores de bases de datos. La orientación puede ser de izquierda a derecha, de derecha a izquierda, de arriba hacia abajo y viceversa. De esta manera, los datos pueden obtenerse de una misma forma.

Confidencialidad: esta actividad depende de las políticas definidas por parte de la organización, país o convenio internacional. Por ejemplo, la política de protección de datos de la Unión Europea establece que los datos confidenciales de las personas naturales son el número de teléfono, el correo electrónico, la dirección y cualquier otro dato que permita la identificación y el contacto con una persona específica.

En el caso colombiano, la política de protección de datos personales se encuentra consagrada en la Ley estatutaria 1581 del 2012, que se rige bajo el principio de confidencialidad previsto en el artículo 4 de la referida ley (Becerra et al., 2015).

El proceso de recopilación de datos incluye la definición de un marco de calidad de datos tanto en la fuente de datos como durante su procesamiento y almacenamiento (Moyano et al., 2017). Las métricas que integran el marco de calidad son: consistencia, correctitud, completitud, exactitud, confiabilidad y relevancia. A continuación, se presentan las preguntas asociadas para la definición del modo de evaluación de las métricas:

Consistencia: es la medida o cantidad de contradicciones que surgen en datos o metadatos. Por ejemplo, un conjunto de datos con los meses del año, y los valores contienen los días de la semana, esto conduce a inconsistencias en los valores de los datos.

Correctitud: es la evaluación de los datos y metadatos en cuanto a la correspondencia entre los valores almacenados y la realidad. Por ejemplo, el valor de ventas almacenado en el repositorio de datos es de $10, pero en realidad son $50, lo que significa que existe una carencia en la correctitud de los datos de ventas.

Completitud: este atributo se encarga de evaluar si existen valores faltantes en los datos. Es el caso, por ejemplo, de consultar los valores consolidados de ventas por mes en una organización, pero no se encuentran los datos de un mes específico. Podría afirmarse entonces que los datos carecen de completitud, en alguna medida.

Exactitud: se encarga de medir si los datos recopilados son identificables y exactos; por ejemplo, el valor de ventas almacenado es de $10, pero realmente fueron $10.1. En este caso particular, los valores carecen de exactitud. Otra situación que ayuda a reflejar el grado de exactitud consiste en diferenciar valores homónimos.

Confiabilidad: se encarga de evaluar el proceso estándar para obtener los datos. Un caso puntual para la evaluación de este atributo es la manera mediante la cual los datos son protegidos contra su modificación durante el proceso de consulta, ya que podrían un agente externo podría alterarlos. Por ejemplo, un desafío nacional es el de ponerse a tono con los postulados de la Unión Europea, con el fin de actualizar la normatividad, garantizar mayor eficacia del derecho a la protección de datos y despertar mayores niveles de confiabilidad en el desarrollo del ecosistema digital, la revolución tecnológica y la globalización (Galvis, 2018).

Relevancia: este atributo se encarga de medir si el dato o conjunto de datos contribuyen al propósito de la necesidad que se requiere resolver. Una situación común en las organizaciones es la tendencia a recopilar todos los datos que forman parte de una transacción en una venta para la toma de decisiones; no obstante, datos como el número de identificación tributario y la dirección del establecimiento no ayudan a la toma de decisiones durante el proceso de consolidación y análisis de información.

Además de identificar los atributos de calidad, es primordial asociar una formula o métrica para la evaluación del grado de cada atributo.

Los datos presentados deben ser lo más importante, más allá de la técnica de representación de datos, el diseño multimedia o herramienta de software. La presentación del contenido debe ser clara, simple y concisa, con alta solidez en los datos; es decir, debe mostrar información que se pueda convertir en conocimiento nuevo y sustancial para la toma de decisiones informadas en las organizaciones, manteniendo siempre la calidad implícita en los datos.

Los datos que se presentan deben facilitar la identificación de sus causas, efectos y comportamiento mediante la comparación entre ellos. La mayoría de las visualizaciones, tanto en la academia como en la industria, se concentran en la descripción de los datos, enfocándose únicamente en la lectura de los asociados a los ejes . y ., que conducen a la identificación de las causas de los comportamientos. En conclusión, deben compararse los datos con variables como las de periodos anteriores; por ejemplo, los ingresos obtenidos durante los últimos tres años, en comparación con los ingresos del año actual.

La representación de los datos debe estar acompañada de las etiquetas de los gráficos y sus títulos; de esta manera, se proporciona al público la mayor cantidad de información con claridad y se evitan ambigüedades en medidas, pesos y tipo de moneda, entre otros. Se garantiza así una lectura autosuficiente, sin tener que esperar una explicación detallada de lo que se visualice.

Los datos deben mostrarse por paquetes o secciones que presenten pequeñas porciones de datos, en vez de suministrar grandes cantidades de ellos en una sola pantalla. Esto facilita su lectura, pues se entienden de modo más fácil, debido a que se encuentran clasificados.

Consiste en la selección y utilización de gráficos adecuados para visualizar los datos. A continuación, se presenta la estructura fundamental de un gráfico y sus variaciones: