ESI-Unidad-06(Calidad de la Información) (1) (1) - copia

1

CALIDAD DE INFORMACIÓN

CALIDAD DE

INFORMACIÓN

PORTADA

2


ÍNDICE

- INTRODUCCIÓN

- APROXIMACIONES A LA CALIDAD

- MEDICIÓN DE MODELOS CONCEPTUALES

- MEDICIÓN DE MODELOS LÓGICOS

- CALIDAD DE DATOS

- ASPECTOS DE GESTIÓN

3


ÍNDICE

- INTRODUCCIÓN




- CALIDAD DE DATOS


4

PROBLEMAS DE “POLUCIÓN DE DATOS”

• Facilidad y bajo coste para registrar datos

• Redundancia no controlada

• Grandes cantidades de datos históricos caducados

Celko (1995)

“la mitad del coste total de implementar un almacén de datos

(datawarehouse) puede deberse a una pobre calidad de datos”

“la pobre calidad de datos ha sido una de las causas de

fracaso más importantes en los proyectos de reingeniería”

Gartner Group


INTRODUCCIÓN

5


INTRODUCCIÓN

Si los datos no tienen suficiente calidad,

entonces, se pueden convertir en fuentes

de problemas:

• Datos no usados

• Barreras en la accesibilidad de los datos

• Dificultades en la utilización de los

datos y de la información

Strong et al. (1997)

6

“Las empresas deben gestionar la información como un

producto importante, capitalizar el conocimiento como

un activo principal y, de esta manera, sobrevivir y

prosperar en la economía digital”

Huang et al. (1999)

Datos Información Conocimiento


INTRODUCCIÓN

7

CALIDAD DE LA INFORMACIÓN

CALIDAD DE LA BD CALIDAD DE LA

PRESENTACIÓN

CALIDAD

DEL

SGBD

CALIDAD

MODELO

DE DATOS

CALIDAD

DE LOS

DATOS


INTRODUCCIÓN

8

Esquema

conceptual

Estrutura percibida

(no formalizada)

Esquema

de base

de datos

Esquema

interno

MODELO

DE BD

MODELO INTERNO

BASE DE

DATOS

FISICA

SGBD

DISEÑO FISICO

MODELADO CONCEPTUAL

DISEÑO LOGICO

Valores objetos y asociaciones con

sus propiedades y reglas

MODELO

CONCEPTUAL Esquema

conceptual

Estrutura percibida

(no formalizada)

Esquema

de base

de datos

Esquema

interno

MODELO

DE BD

MODELO INTERNO

BASE DE

DATOS

FISICA

BASE DE

DATOS

FISICA

SGBD

DISEÑO FISICO

MODELADO CONCEPTUAL

DISEÑO LOGICO

Valores


MUNDO REAL


INTRODUCCIÓN

9

Calidad

del

proceso

Calidad

del

producto

AUTOR AUTOR

INSTITUCION INSTITUCION

LIBRO LIBRO Trata Trata TEMA TEMA

Edita Edita

EDITORIAL EDITORIAL SOCIO SOCIO

Tiene Tiene EJEMPLAR EJEMPLAR

Nombre_a

Nombre_i

Identificativo

Presta Presta

Consta Consta

(1,n) (0,n)

(0,n)

(0,n)

(0,n)

(0,n)

(0,n)

(0,n) (0,n)

(1,n) (1,n) (1,n) (1,1)

(1,1)

N:M

N:M

N:M

N:M

N:M

1:N

1:1

Escribe

Trabaja

Nombre_t

Fecha_p

Fecha_s

Num _s

Cod _libro

Nombre_e

BD


INTRODUCCIÓN

10


ÍNDICE

- INTRODUCCIÓN




- CALIDAD DE DATOS


11

Autor(es) Propósito Características Tipo Enfoque

Lindland, Sindre y

Solvberg (1994)

Krogstie, Lind land y

Sindre (1995)

Entender la calidad en

el modelado conceptual

Base lingüística.

Separación de objetivos

y medios

Marco de

referencia

Teórico

Pohl (1994) Definir objetivos y

dimensiones de proceso

para modelado de req.

Especificación,

representación y

acuerdo

Marco de

referencia

Teórico

Moody and Shanks (1994)

Moody (1998)

Evaluar la calidad de

modelos E/R

Factores de calidad,

Estrategias y métodos

de evaluación

Marco de

referencia

Práctico

Simsion (1994) Definir características

de calidad para

esquemas E/R

Diseño y evaluación de

esquemas alternativos

Lista Práctico

Batin i, Ceri and Navathe

(1992)

Mejorar la calidad de

un esquema de bases de

datos

Características de

calidad de un buen

esquema,

transformaciones de

esquemas

Lista Práctico

Roman (1985) Definir propiedades

para especificaciones

de requisitos

Propiedades asociadas

a su utilización en el

proceso de diseño

Lista Teórico

Boman et al. (1997) Construir modelos

conceptuales de calidad

Características de un

buen esquema

Lista Práctico


APROXIMACIONES

12


APROXIMACIONES

ROMAN (1985)

Conveniencia

Limpieza conceptual

Eficiencia computacional

Facilidad de construcción

Estructuración

Precisión, falta de ambigüedad,

compleción, consistencia

Analizabilidad

. . .

13

BATINI, CERI y NAVATHE (1992)

Compleción

Corrección

Minimalidad

Expresividad

Legibilidad

Autoexplicación

Extensibilidad

Normalidad


APROXIMACIONES

14

Compleción: un esquema es completo cuando representa todas las

características relevantes del dominio de aplicación:

• respecto a los requisitos

• respecto al esquema

Corrección: un esquema es correcto cuando utilizan de forma apropiada

los conceptos del modelo E/R.

•sintáctica

•semántica

Minimalidad: un esquema es minimal cuando todo aspecto de los

requisitos aparece sólo una vez en el esquema

Expresividad: un esquema es expresivo cuando representa los requisitos

de una manera natural,sin necesidad de explicaciones adicionales.


APROXIMACIONES

15

Legibilidad: Es una propiedad del diagrama que representa al

esquema. Un diagrama tiene buena legibilidad cuando respeta ciertos

criterios estéticos que hacen al diagrama elegante.

Autoexplicación: Un esquema es autoexplicativo cuando un gran

número de propiedades puede representarse utilizando el propio

modelo conceptual, sin otros formalismos.

Extensibilidad: Un esquema es fácilmente adaptado a cambios en los

requisitos cuando se descompone en partes (módulos, vistas).

Normalidad: pretende conservar los datos en una forma limpia,

“purificada”. (Aplicación de la teoría de la normalización del modelo

relacional).


APROXIMACIONES

16

Lindland et al. (1994)

- Muchas definiciones son vagas, complicadas e, incluso, inexistentes - La lista no es estructurada y las propiedades se solapan parcialmente - Se mezclan propiedades de la especificación con las propiedades del método y del lenguaje - Presuponen la existencia de diseño/implementación - Algunos objetivos son poco realistas, o imposibles

CARACTERÍSTICAS DE LAS LISTAS


APROXIMACIONES

17

Lindland et al. (1994, 1995)

MODELO

DOMINIO

LENGUAJE

INTERPRETACIÓN

DE LA AUDIENCIA

CONOCIMIENTO

PARTICIPANTE

CALIDAD

SEMÁNTICA CALIDAD

SINTÁCTICA

CALIDAD

SEMÁNTICA

PERCIBIDA

CALIDAD

PRAGMÁTICA

CALIDAD

SOCIAL

AUTORAUTOR INSTITUCIONINSTITUCION

LIBROLIBRO TrataTrata TEMATEMA

EditaEdita

EDITORIALEDITORIALSOCIOSOCIO

TieneTieneEJEMPLAREJEMPLAR

Nombre_a

Nombre_i

Identificativo

PrestaPrestaConstaConsta

(1,n) (0,n)

(0,n)

(0,n)

(0,n)

(0,n)

(0,n)

(0,n) (0,n)

(1,n)(1,n)(1,n) (1,1)

(1,1)

N:M

N:M

N:M

N:M

N:M

1:N

1:1

Escribe

Trabaja

Nombre_t

Fecha_p

Fecha_s

Num_s

Cod_libro

Nombre_e

Lindland et al. (1994, 1995)

MODELO

DOMINIO

LENGUAJE

INTERPRETACIÓN

DE LA AUDIENCIA

CONOCIMIENTO

PARTICIPANTE

CALIDAD

SEMÁNTICA CALIDAD

SINTÁCTICA

CALIDAD

SEMÁNTICA

PERCIBIDA

CALIDAD

PRAGMÁTICA

CALIDAD

SOCIAL



EditaEdita



Nombre_a

Nombre_i

Identificativo


(1,n) (0,n)

(0,n)

(0,n)

(0,n)

(0,n)

(0,n)

(0,n) (0,n)

(1,n)(1,n)(1,n) (1,1)

(1,1)

N:M

N:M

N:M

N:M

N:M

1:N

1:1

Escribe

Trabaja

Nombre_t

Fecha_p

Fecha_s

Num_s

Cod_libro

Nombre_e


APROXIMACIONES

18

• Separar las propiedades directas de la especificación de las

del lenguaje y del método

• Separar los objetivos de calidad de los medios para

alcanzarlos (viabilidad)

• Disponer de un fundamento matemático

• Tener propiedades relacionadas directamente con la

especificación

OBJETIVOS


APROXIMACIONES

19

ELEMENTOS

• Audiencia: unión del conjunto de actores individuales, el conjunto

de actores sociales organizacionales y el conjunto de actores técnicos

que necesitan relacionarse con el modelo

• Modelo: conjunto de todas las sentencias expresadas explícita o

implícitamente

• Lenguaje: conjunto de todas las sentencias que se pueden expresar

de acuerdo al vocabulario y la gramática de los lenguajes de modelado

utilizados

• Dominio: conjunto de todas las sentencias serían correctas y

relevantes acerca del problema

• Interpretación de la audiencia: conjunto de todas las sentencias de

las que la audiencia piensa que consta el modelo

• Conocimiento de los participantes: unión de los conjuntos de

sentencias de todos los actores sociales individuales


APROXIMACIONES

20

CALIDAD

Sintáctica: corrección sintáctica

Semántica: validez y compleción (viables) percibidas

Pragmática: comprensión (viable)

Social: acuerdo (viable), conforme a 2 dimensiones:

. Conocimiento vs. acuerdo en la interpretación del modelo

. Acuerdo relativo vs. acuerdo absoluto


APROXIMACIONES

21

Tipos de calidad Objetivos Medios

Propiedades modelo Actividades

SINTÁCTICA Corrección sintáctica Sintaxis formal Verif. sintáctica

Validez viable

Compleción viable

Semántica formal

Modificabilidad

Verif. Consistencia

Inserción sentencias

Borrado sentencias

SEMÁNTICA

Percibida Entrenamiento

PRAGMÁTICA Comprensión viable Economía expresiva

Estética

Ejecutabilidad

Inspección

Visualización

Filtrado

Presentación diag.

Parafrasear

Explicación

Entrenamiento

Ejecución

Animación

Simulación

SOCIAL Acuerdo viable Modelado conflicto Análisis punto vista

Resolución conflicto

Fusión de modelos


APROXIMACIONES

22

Moody y Schanks (1994, 1998)

MODELO



EditaEdita



Nombre_a

Nombre_i

Identificativo


(1,n) (0,n)

(0,n)

(0,n)

(0,n)

(0,n)

(0,n)

(0,n) (0,n)

(1,n)(1,n)(1,n) (1,1)

(1,1)

N:M

N:M

N:M

N:M

N:M

1:N

1:1

Escribe

Trabaja

Nombre_t

Fecha_p

Fecha_s

Num_s

Cod_libro

Nombre_e

FACTOR DE

CALIDAD

STAKEHOLDER MÉTODO DE

EVALUACIÓN

ESTRATEGIA DE MEJORA

PESO

VALORACIÓN


APROXIMACIONES

23

ELEMENTOS

• Factor de calidad: propiedad deseable de un modelo de datos

• Stakeholder: personas involucradas en la construcción o utilización

del modelo

• Estrategias de mejora: Técnicas para mejorar la calidad de los

modelos de datos

• Método de evaluación: modo sistemático de evaluar factores de

calidad

• Peso: define la importancia relativa de los factores de calidad

• Valores: representan la valoración de un factor de calidad por un

stakeholder


APROXIMACIONES

24

FACTORES DE CALIDAD

Moody (1998)

usuario usuario usuario usuario

MODELO

DE CALIDAD

analista analista admin.

datos

desarrollador

compleción integridad flexibilidad comprens.

corrección simplicidad integración implem.


APROXIMACIONES

25

• Compleción: capacidad del modelo de tener toda la

información requerida para cumplir los requisitos del usuario

• Integridad: grado en el que las reglas del negocio que se

aplican a los datos están definidas en el modelo de datos

• Flexibilidad: facilidad con la que el modelo de datos se puede

adaptar a los cambios en los requisitos

• Comprensibilidad: facilidad con la que el modelo de datos

puede ser entendido (perceptual y operacional)


APROXIMACIONES

26

• Corrección: se refiere a si el modelo cumple las reglas de las

técnicas de modelado utilizadas

• Simplicidad: significa que el modelo contiene los mínimos

constructores posibles

• Integración: nivel de consistencia del modelo de datos con el

resto de los datos de la organización

• Implementabilidad: facilidad con la que el modelo de datos

puede ser implementado dentro de las restricciones de tiempo,

presupuesto y tecnología del proyecto


APROXIMACIONES

27

INTERACCIONES ENTRE FACTORES

COMPREN SIMPLIC FLEXIB COMPLEC IMPLEM INTEGR

COMPREN.

SIMPLIC. +FLEXIB. +COMPLEC. +IMPLEM. + - -INTEGR. - + - +

Moody y Schanks (1994)


APROXIMACIONES

28

Shanks y Darke (1997)

MARCO INTEGRADO PARA LA CALIDAD

- AMBOS MARCOS COMPARTEN CONCEPTOS

AUDIENCIA = STAKEHOLDER

OBJETIVO, PROPIEDAD = FACTOR DE CALIDAD

ACTIVIDAD = ESTRATEGIA

- CONSIDERACIONES TEÓRICAS Y PRÁCTICAS

- VÁLIDO PARA EL PRODUCTO Y EL PROCESO


APROXIMACIONES

29

AUDIENCE

EVALUATION METHOD

WEIGHTING

QUALITY FACTOR

MEANS

MODEL

RATING

DOMAIN

LANGUAGE

QUALITY TYPE

GOAL

Theory

Based

Practice

Based

has knowledge

of

appropriate for

appropriate for

interprets

represents

used in

PROPERTY

ACTIVITY

classifies

contains

is achieved by

maps to

is achieved by is assigned

scores

used for assigns

concerned with

is assigned

valued by

maps to

OR


APROXIMACIONES

30

ENFOQUE ONTOLÓGICO Kesh (1995)

calidad

Funcionamiento Ontología

Usabilidad

(usuario)

Usabilidad

(diseñador)

Estructura Contenido

adecuación al problema

validez

consistencia

concisión

compleción

cohesión

validez

Mantenibilidad

Precisión Rendimiento


APROXIMACIONES

31

USABIL. (usuario)

USABIL. (diseñador)

MANTENIB. EXACT RENDIM.

Adecuación X

Solidez X X

Consistencia X X X

Concisión X X X

Compleción X X X X

Cohesión X X

Validez X


APROXIMACIONES

32


ÍNDICE

- INTRODUCCIÓN




- CALIDAD DE DATOS


33

Esquema

conceptual

Estrutura percibida

(no formalizada)

Esquema

de base

de datos

Esquema

interno

MODELO

DE BD

MODELO INTERNO

BASE DE

DATOS

FISICA

SGBD

DISEÑO FISICO

MODELADO CONCEPTUAL

DISEÑO LOGICO



MODELO

CONCEPTUAL Esquema

conceptual

Estrutura percibida

(no formalizada)

Esquema

de base

de datos

Esquema

interno

MODELO

DE BD

MODELO INTERNO

BASE DE

DATOS

FISICA

BASE DE

DATOS

FISICA

SGBD

DISEÑO FISICO

MODELADO CONCEPTUAL

DISEÑO LOGICO

Valores


MUNDO REAL


MODELOS CONCEPTUALES

E/R

UML

34

-Definir sólo “propiedades deseables” no es suficiente

para evaluar la calidad, ... por lo que es necesario contar

con medidas que permitan evaluar la calidad de los

modelos conceptuales de datos de forma cuantitativa y

objetiva, ... Moody et al. (1998)

- Medir datos puede ayudar a controlar y predecir

aspectos del modelo de datos durante el proceso de

desarrollo software (MacDonell et al., 1997)



35

Moody (1998) Compleción

•Nº de elementos del modelo de datos que no corresponden con requisitos de

usuario

Nº de requisitos de usuario no representados en el modelo de datos

Nº de elementos de datos que corresponden a requisitos de usuario pero

definidos de forma inexacta

Nº de inconsistencias con el modelo de procesos

Integridad

Nº de reglas del negocio que no se hacen cumplir por el modelo de datos

Nº de restricciones de integridad incluidas en el modelo de datos que no

corresponden a políticas del negocio

Flexibilidad

Nº de elementos en el modelo que están sujetos a cambios en el futuro

Costes estimados de los cambios

Importancia estratégica de los cambios



36

Moody (1998)

Comprensibilidad

•Valoración de los usuarios sobre la comprensibilidad del modelo

Capacidad de los usuarios de interpretar el modelo correctamente

Valoración de los desarrolladores de aplicaciones sobre la comprensibilidad

del modelo

Corrección

•Nº de violaciones de las convenciones de modelado de datos

Nº de violaciones a las formas normales

Nº de instancias de redundancia en el modelo

Simplicidad

•Nº de entidades

Nº de entidades e interrelaciones

Suma ponderada de constructos (aNE + bNR + cNA)



37

Moody (1998)

Integración

• Nº de conflictos con el modelo de datos corporativo

Nº de conflictos con los sistemas existentes

Valoración de los representantes de todas las áreas de negocio

Implementabilidad

• Valoración de riesgo técnico

Valoración de riesgo de planificación

Estimación del coste de desarrollo

Nº de elementos físicos incluidos en el modelo de datos



38

Kesh (1995)

• Calcular la puntuación de los componentes ontológicos

individuales

• Combinar las puntuaciones de los componentes

ontológicos relevantes a cada comportamiento

• Combinar las puntuaciones de los componentes para

calcular la puntuación de la calidad

Q = w1 . s1 + w2 . s2 + w3 . s3 + w4 . s4 + w5 . s5



39

s1 = (o1 + o3 + o4 + o5) / 4

s2 = (o2 + o3 + o5 + o6 + o7) / 5

s3 = (o2 + o4 + o6) / 3

s4 = (o3 + o5) / 2

s5 = (o4 + o5) / 2

USABIL. (usuario)

USABIL.(diseñador)

MANTENIB. EXACT RENDIM.

Adecuación X

Solidez X X

Consistencia X X X

Concisión X X X

Compleción X X X X

Cohesión X X

Validez X



40

o1 (adecuación de la estructura): valorada por los usuarios en una escala de 5 puntos

o2 (solidez de la estructura): valorada por un grupo de técnicos

o3 (consistencia de la estructura): o3 = M – D1 donde M = Máximo de puntos

posibles (5) y D1 está basado en el ratio R = (número de inconsitencias/número de

implicacions), dado por 4n1, donde n1 es el número de interrelaciones

o4 (concisión de la estructura): Si n es el número de entidades, el mínimo de

interrelaciones será (n-1), en cuyo caso o4 = 5. La peor situación posible es c2n, en

cuyo caso o4 = 0. En general: o4 = M ((c2n – n1) / (c2

n – (n-1)).

o5 (compleción del contenido): se deduce de un máximo M los datos que faltan

según los informes y consultas que se deben generar de la base de datos.

o6 (cohesión del contenido): para cada entidad se mide el tamaño de su clave

primaria. Si es simple se puntúa el máximo. Si utiliza todos los atributos de la entidad

se puntúa o6i = 0, donde i es el número de la entidad. En general o6i= M ((ne – np) / (ne

– 1)) donde ne es el número de atributos de la entidad y np el número de atributos que

forman la clave primaria. La cohesión total es: o6 = o6i / n

o7 (validez del contenido): se asigna M si todos los atributos son válidos. En

general: o7 = M (1 – ni / ne) siendo ni los atributos incorrectos.



41

Gray et al. (1991)

• Complejidad de una entidad “i”:

iF*iDiE Di = Complejidad de la arquitectura de datos

Fi = Complejidad funcional

• Complejidad de la arquitectura de datos:

)iNFDA*biFDA*a(*iRiD 0<a<=b

Ri = número de interrelaciones

FDAi = nº de atributos funcionalmente dependientes

NFDAi = nº atributos no dependientes



42



Gray (1991)

( ) c n

i i E E

1

ERAREA

E eReAeReE eAeM

333333

43

Eick (1991)

5 qu 4 qu 3 qu

2 qu * 3

1 qu * 3

1 f

qu1, número de dependencias funcionales que se dan en U no

expresadas en Si

qu2, número de dependencias en existencia que se dan en U no

expresadas en Si

qu3, número de atributos y conexiones de subtipos en Si.

qu4, número de clases en Si

qu5, número de etiquetas en Si



44



ISO 9126

SOFTWARE QUALITY

Usability

Efficiency

Reliability

Maintainability

Functionality Portability

45

CALIDAD DE BASES DE DATOS MODELOS CONCEPTUALES

Maintainability

Modifiability AnalysabilityUnderstandability TestabilityStability Compliance

Complexity

Maintainability


Maintainability


Complexity

46



Henderson-Sellers (1994)

COMPLEXITY

Computational Representational

Problem

Complexity

Product or

Structural

Complexity

Cognitive

Complexity

Psychological

47



GOAL

Analyse ER diagrams

for the purpose of Evaluating

with respect to their Maintainability

from the point of view of the Software designers

in the context of Software delevopment organisations

48



• Number of entities (NE)

• Number of attributes (NA)

• Number of derived attributes (NDA)

• Number of composite attributes (NCA)

• Number of multivalued attributes (NMVA)

• Number of relationships (NR)

• Number of M:N relationships (NM:NR)

• Number of 1:N relationships (N1:NR)

49



• Number of N-Ary relationships (NN-AryR)

• Number of binary relationships (NBinaryR)

• Number of IS_A relationships (NIS_AR)

• Number of reflexive relationships (NRefR)

• Number of redundant relationships (NRR)

50


ÍNDICE

- INTRODUCCIÓN




- CALIDAD DE DATOS


51

- Prácticamente no existen métricas para bases de datos

- Sneed y Foshag (1998) “metrics for databases have been

neglected in the metric community”

- Medir datos puede ayudar a controlar y predecir

aspectos del modelo de datos durante el proceso de

desarrollo software (MacDonell et al., 1997)

- Un enfoque más “riguroso” para asegurar la calidad de

las bases de datos


MODELOS LÓGICOS

52


MODELOS LÓGICOS

Esquema

conceptual

Estrutura percibida

(no formalizada)

Esquema

de base

de datos

Esquema

interno

MODELO INTERNO

BASE DE

DATOS

FISICA

SGBD

DISEÑO FISICO

MODELADO CONCEPTUAL

DISEÑO LOGICO



MODELO

CONCEPTUAL Esquema

conceptual

Estrutura percibida

(no formalizada)

Esquema

de base

de datos

Esquema

interno

MODELO INTERNO

BASE DE

DATOS

FISICA

BASE DE

DATOS

FISICA

SGBD

DISEÑO FISICO

MODELADO CONCEPTUAL

DISEÑO LOGICO

Valores


MUNDO REAL

relacional

obj-rel

activa MODELO

DE BD

MODELO

DE BD

53


MODELOS LÓGICOS

Bases de datos relacionales

– Las más implantadas en la actualidad

(Leavit, 2000)

Bases de datos activas

– Muchos productos comerciales incluyen actividad

(Ceri y Widom, 1996; Paton y Díaz, 2000)

Bases de datos objeto-relacionales

– En el año 2003 sustituirán a las relacionales

(Leavit, 2000)

54


MODELOS LÓGICOS

• Métricas propuestas para programas tradicionales

– Líneas de código

– Número de sentencias de programación

– SIZE1. Definida como el número de ;. Li y Henry (1993)

– Métricas de la Ciencia del Software (Software Science). Halstead (1977)

– Puntos Función. Albrecht y Gaffney (1983)

– Complejidad ciclomática. McCabe (1976)

– Fan-in y fan-out. Henry y Kafura (1981)

55


MODELOS LÓGICOS

Métricas para modelos lógicos

Bases de datos relacionales

Ratio de normalidad (Gray et al., 1991)

Bases de datos activas

Bases de datos objeto-relacionales

Adaptación de métricas para sistemas OO

56


MODELOS LÓGICOS

OBJETIVO (Goal)

Propósito: Asegurar la

Asunto: mantenibilidad

Objeto: de las bases de datos relacionales

Punto de vista: desde el punto de vista del diseñador de la base de datos

DEFINICIÓN DE MÉTRICAS

Bases de Datos Relacionales

57


MODELOS LÓGICOS

PREGUNTAS (Question)

1. ¿Cómo influye la complejidad de las tablas en la

mantenibilidad de las bases de datos relacionales?

2. ¿Cómo influye la complejidad entre tablas en la

mantenibilidad de las bases de datos relacionales?

58


MODELOS LÓGICOS

INTRA

ELEMENTO

INTER

ELEMENTO

NA(T) NA

NFK(T) NFK

DRT(T) DRT

RFK(T) RFK

NT

NR

BASES DE DATOS

RELACIONALES

COS

59


MODELOS LÓGICOS

BASE DE

DATOS

NIVEL

MÉTRICA

BRIAND ET AL. (1996)

ZUSE (1998)

NA TAMAÑO ENCIMA ORDINAL

NFK COMPLEJIDAD ENCIMA ORDINAL

DRT LONGITUD ORDINAL

TABLA

RFK NO CLASIFICABLE ABSOLUTA

NA TAMAÑO ENCIMA ORDINAL

NFK COMPLEJIDAD ENCIMA ORDINAL

DRT LONGITUD ORDINAL

RFK NO CLASIFICABLE ABSOLUTA

NT TAMAÑO RATIO

NR NO CLASIFICABLE ABSOLUTA

RELACIONAL

ESQUEMA

COS NO CLASIFICABLE RATIO

60


MODELOS LÓGICOS

DEFINICIÓN DE MÉTRICAS

Bases de Datos Activas

INTER

ELEMENTO

INTRA

ELEMENTO

NAn NO

D NS

BASES DE DATOS ACTIVAS

TP

61


CALIDAD DE DATOS

- INTRODUCCIÓN




- CALIDAD DE DATOS


62

CALIDAD DE BASES DE DATOS

Wang et al. (1993) y (1995)

requisitos de la aplicación

DETERMINAR LA VISTA DE DATOS

requisitos de calidad VISTA DE

APLICACIÓN atributos de calidad

DETERMINAR PARÁMETROS

VISTA DE

PARÁMETROS

CALIDAD DE DATOS

63


ALUMNO CURSO Mat.

núm.

nombre

direc

tel.

núm.

nombre

precio

descr.

fecha

nota

CALIDAD DE DATOS

64


ALUMNO CURSOMat.

núm.

nombre

direc

tel.

núm.

nombre

precio

eval.

fecha

nota

OPORT.

PRECISIÓN

OPORT. OPORT.

COSTE

CREDIBILIDAD

OPORTUNIDAD

FORMATO.

ü INSPECCIÓN

QUIÉN, CUÁNDO

CALIDAD DE DATOS

65


DETERMINAR INDICADORES

VISTA DE

CALIDAD

INTEGRAR VISTAS DE CALIDAD

VISTA DE

PARÁMETROS

ESQUEMA DE

CALIDAD

CALIDAD DE DATOS

66


ALUMNO CURSOMat.

núm.

nombre

direc

tel.

núm.

nombre

precio

eval.

fecha

nota

EDAD

MÉTODO

RECOGIDA

EDAD EDAD

COSTE

NOMBRE EVAL

FECHA

MEDIO

QUIÉN CUÁNDO PROC. INSPEC. RESULTADO

ID.

USUARIOFECHA

CALIDAD DE DATOS

67


ALUMNO NOTA SELECTIVIDAD

NOTA MEDIA CARRERA

William Smith 8

<30/10/90, MEC>

7

<30/7/95, Esc. Inf.>

Gene Hackman 9 <30/10/90, MEC>

6

<10/9/96, Esc. Inf.>

. . . . . .

CALIDAD DE DATOS

68

CALIDAD DE BASES DE DATOS CALIDAD DE DATOS

Marco de Trabajo para la Mejora de la Gestión de la

Calidad de los Datos y de la Información, con dos

componentes:

• CALDEA. Modelo de referencia de gestión de

calidad de datos e información basado en niveles de

madurez.

• EVAMECAL. Metodología de evaluación y

mejora del PGI basada en CALDEA.

Caballero (2004)

69


ACTIVIDADES DE CALDEA ORGANIZADAS POR

NIVELES DE MADUREZ

Inicial

Definición (GEGCDI) Gestión de un Equipo de Calidad de Datos

(GP) Gestión de un Proyecto para el Proceso de Gestión de

Información (PyPGI)

(GR) Gestión de Requisitos de Usuario.

(GCI) Gestión de la Calidad de Datos en los componentes del

PGI.

(FS) Gestión de fuentes y destinos (sumideros) de datos

(ADM) Gestión de proyecto para la adquisición, el desarrollo o

el mantenimiento de una base o almacén de datos.

Integración (VV) Validación y Verificación de los productos

de datos.

(GIR) Gestión del impacto de riesgos y de la

pobre calidad de datos.

(GE) Gestión de la estandarización de la calidad

de datos

(GPO) Gestión de políticas de calidad de datos

organizacionales.

Gestionado Cuantitativamente

(GPM) Gestión de Planes de medición

para los componentes del PGI.

(GAPM) Gestión de la Automatización

de los Planes de Medida

Optimizante (GPD) Análisis Causal para la

prevención e identificación de defectos

(GIDO) Innovación y desarrollo

organizacional.

70


ACP O BJETIVO

(GEGCDI) Gestión de un Eq uipo de un Equipo de Aseguramiento de

Calidad de Datos y de Información.

Organizar un equipo que se encargue de todas las iniciativas

de evaluación y mejora de los PGI.

(GP) Gestión de un Proyecto para el PGI.

Elaborar un proyecto que permita definir todo s los aspectos de

cada uno de los PGI que integran el Sistema de Información.


Recoger y elaborar los documentos pertinentes a los requisitos

de usuario para cada uno de los PGI y las características de

calidad de dat os que tienen que tener cada uno de sus

componentes.

(GCI) Gestión de la Calidad de Datos en los componentes del PGI y en el producto de información.

Definir y documentar los aspectos cuantitativos y cualitativos de calidad de datos para cada uno de los componentes de los

PGI expresados en términos de dimensiones y métricas de

calidad de datos.

(FS) Gestión de fuentes de datos y de los destinos (sumideros) de los

productos de información.

Identificar y documentar las fuentes y sumideros de datos y

product os de información, así como los formatos en que se

intercambiarán los datos con ellos.

(ADM) Gestión de proyecto para la adquisición, el desarrollo o el mantenimiento de una base de

datos o de un almacén de datos.

Asegurar que el lugar donde se va a almacenar los datos

responde a los requisitos establecidos tanto a nivel técnico del

producto comercial elegido, como al esquema diseñado para

albergar los datos.

71



NIVELES DE MADUREZ

Inicial






PGI.





de datos.




de datos


organizacionales.









organizacional.

72


(VV) Validación y Verificación de los productos de datos.

Elaborar un plan para la validación y verificación de los

productos de datos desarrollados en el PGI.

(GIR) Gestión del impacto de riesgos y de la pobre calidad de

datos.

Delimitar, acotar y documentar todos los posibles impactos y

riesgos derivados de tener una pobre calidad de datos en los

componentes del PGI.

(GE) Gestión de la estandarización de la calidad de datos

Ir creando una cultura organizacional de calidad de datos a

través de las experiencias propias y/o ajenas.

(GPO) Gestión de políticas de calidad de datos organizacionales.

A partir del conocimiento de calidad de datos y de las

necesidades de la organización con respecto a los productos de

datos establecer y documentar políticas de calidad de datos

que incidan sobre los componentes del PGI.

ACP O BJETIVO

73


Gestión

de la

Estandarización

de la

Calidad

de la

Información

GE.1. Elección de

Estándares de

Calidad de Datos y

de Información

Catálogo de estándares de calidad de datos y de información.

Definición del PGI.

GE.3.

Revisión y compleción de las

ERU

GE2.

Elección de

Políticas

Organizacionales

Lista con las características observadas en cada uno de los componentes del PGI o del producto de información que son modificadas por los estándares elegidos.

Catálogo de políticas or ganizacionales.


Lista con las características observadas en cada uno de los componentes del PGI o del producto de información que son modificadas por las políticas de calidad elegidas.

ERU - PGI, ERU-CDI - ERU - PI.

Definición PGI con modelos de datos y procesos

Definición revisada del PGI con modelos de datos y de procesos

74


GE.1.Elección de estándares y dimensiones de calidad de

datos y de información

Entrada

Catálogo de e stándares de calidad de datos y de información.


Productos

Salida

Lista con las características observadas en cada uno de los componentes del PGI o del producto de información que son modificadas por los

estándares elegidos.

Técnicas y Herramie ntas

Sesiones de Trabajo.

Inspección de los estándares.

Participantes

EGCDI.

Especialistas o Consultores en estándares de calidad de datos.

Todas aquellas personas que desempeñen un rol relacionado con los estándares de calidad de datos y de información e elegidos

Momento de Realización de Actividad

Cuando se tenga definido el PGI.

75



NIVELES DE MADUREZ

Inicial






PGI.





de datos.




de datos


organizacionales.









organizacional.

76


(GPM) Gestión de Planes de

Medición para componentes del

PGI

Elaborar planes para la medición de los aspectos de calidad de

datos definidos en la actividad (GCD) Gestión de la Calidad de

Datos en los componentes del PGI del nivel de Definición, así

como los formatos de presentación de resultados.

(GAPM). Gestión de la

Auto matización de Planes de Medidas para Componentes del

PGI.

Establecer los mecanismos necesarios para automatizar los

procesos de medición.

ACP O BJETIVO

77



NIVELES DE MADUREZ

Inicial






PGI.





de datos.




de datos


organizacionales.









organizacional.

78


(GPD) Análisis causal para la preven ción e identificación de

defectos.

A partir de los indicadores de calidad obtenidos en la actividad

(GPM) Gestión de Planes de Medición para componentes del

PGI se trata de identificar las causas de los defectos.

(GIDO) Innovación y desarrollo organizacio nal.

Esta actividad tiene como objetivo elaborar propuestas de

mejora para el PI o los componentes del PGI.

ACP O BJETIVO

79


EVAMECAL

– Metodología de evaluación y mejora basada en el modelo de referencia CALDEA y orientada a la mejora continua de los PGI

– Al estilo de SCAMPI, ISO/IEC 15504

– Basada en Ballou y Tayi (1996) y adaptada al ciclo PDCA de Deming (1986)

80


EMC - P.1. D EFINICIÓN

DE LA S ITUACIÓN A CTUAL

EMC - P.2. D EFINICIÓN

DE O BJETIVOS DE

M EJORA

EMC - C.1. C OMPROBA - CIÓN DE LA EFICACIA

ACCIONES CORRECTORAS

EMC - D.2. E JECUCIÓN

DEL PM - PGI

EMC - D.1. A NÁLISIS DE

CAUSAS Y DESARROLLO DE

PM - PGI

Situación Actual

del PGI

ECM - A.1. O BTENER

C ONCLUSIONES

Informe de realización

del Plan

PGI

Informe Listado de

Comprobaciones

ECM - A.2. E STANDARI -

ZAR EL C ONOCIMIENTO

O BTENIDO

Informe con Objetivos de Mejora

PM - PGI

Conocimiento sobre PGI

PLAN

DO

CHECK

ACT

81


ÍNDICE

- INTRODUCCIÓN




- CALIDAD DE DATOS


82

• Múltiples fuentes de la misma información producen diferentes valores

• La información se produce utilizando juicios subjetivos, produciéndose sesgos

• Errores sistemáticos en la producción de la información produce pérdida de información

• Grandes volúmenes de información almacenada hace difícil el acceso en tiempo

razonable

• Sistemas distribuidos heterogéneos producen definiciones, formatos y valores

inconsistentes

• La información no numérica es difícil de indexar

• No se dispone todavía de análisis automático a lo largo de colecciones de datos

• Al cambiar las tareas de los consumidores de información y el entorno organizacional, la

información que es relevante y útil también cambia

• La facilidad de acceso a la información puede entrar en conflicto con los requisitos de

seguridad, privacidad y confidencialidad

• La falta de suficientes recursos de computación limita el acceso

CAUSAS DE LOS PROBLEMAS DE CALIDAD

Strong et al. (1997)


ASPECTOS DE GESTIÓN

83

• Todos los empleados de la empresa tienen que asumir que los datos y la

información así como los procesos de negocio que los crean, almacenan,

procesan y utilizan son propiedad de la empresa y que su compartición

dentro de la empresa, así como con terceros deberá estar sometida a

consideraciones legales o de privacidad.

El director de informática (CIO) será el responsable de mantener un

inventario actualizado de datos, de su disponiblidad, así como de informar

sobre la calidad de los mismos.

Los suministradores y creadores de datos deben comprender quién usa

los datos y con qué propósitos, implementar las medidas de calidad de

datos para asegurar que se satisfacen los requisitos de los usuarios e

implementar la gestión del proceso para los datos que crean.

POLÍTICA DE CALIDAD

Redman (1996)



84

Los que almacenan y procesan datos deben proporcionar arquitecturas y

bases de datos que minimicen la redundancia innecesaria, salvaguardar los

datos de daños o accesos no autorizados y diseñar las nuevas tecnologías

con el fin de promover la calidad de los datos.

Los usuarios deben trabajar con los suministradores de datos,

proporcionar retroalimentación, asegurar que los datos se intepretan

correctamente, asegurar que los datos se utilizan sólo para propósitos

empresariales legítimos, proteger los derechos de los clientes, empleados,

etc. sobre privacidad.

POLÍTICA DE CALIDAD

Redman (1996)



85

TQdM (Total Quality data Management) English (1999)

1) Identificar un grupo de información que tenga un impacto significativo con el

fin de aportar un mayor valor añadido.

2) Establecer objetivos y medidas de la calidad de la información, por ejemplo:

asegurar la oportunidad de la información, midiendo el tiempo que pasa desde

que se conoce un dato hasta que se encuentra disponible para un determinado

proceso.

3) Identificar la cadena de valor y de costes de la información, que consiste en

una cadena de valor de negocio extendida y centrada en un grupo de datos. Esta

cadena comprenderá todos los ficheros, documentos y bases de datos, procesos

de negocio, programas y roles que tengan relación con el grupo de datos.

4) Determinar los ficheros o procesos a evaluar.

5) Identificar las fuentes de validación de datos para evaluar la precisión.

6) Extraer muestras de datos aleatorias, aplicando las técnicas estadísticas

adecuadas

7) Medir la calidad de la información, con el fin de determinar su nivel de

fiabilidad y descubrir los defectos.

8) Interpretar e informar sobre la calidad de la información.



86

Cuestiones para los directivos Miller (1996)

¿Son todavía válidas las percepciones de nuestras

necesidades de calidad de información que teníamos ayer?

¿Cómo se traducen las necesidades de calidad en requisitos

tecnológicos?

¿Es nuestra estrategia tecnológica consistente con nuestras

necesidades de calidad?

•¿Están la colección, diseminación y procedimientos de

verificación internos a la altura de los requisitos de calidad?



87



calidad de la

información

satisfacción

del cliente

satisfacción

del personal

empresa

88



ESI-Unidad-06(Calidad de la Información) (1) (1) - copia

Documents

Transcript of ESI-Unidad-06(Calidad de la Información) (1) (1) - copia