Introducción - The Digital Mapcarlos/cursos/SeminarioCalidad... · 2019-02-18 · DQ fue...
Transcript of Introducción - The Digital Mapcarlos/cursos/SeminarioCalidad... · 2019-02-18 · DQ fue...
1
UA
S C
arlo
s L
ópez
Váz
quez Gestión de Calidad de Datos
Carlos Ló[email protected]
Universitario Autónomo del Universitario Autónomo del Sur Sur -- 200520052
UA
S C
arlo
s L
ópez
Váz
quez
Alguna terminología...
▼Calidad
▼Precisión
▼¿Correctitud?
▼¿Exactitud?
▲Quality
▲Precision
▲Accuracy
■ El idioma español tiene limitaciones en este aspecto...
3
UA
S C
arlo
s L
ópez
Váz
quez
La literatura...
■ Redman (1996)
■ English (1999)
■ Redman (2001)
■ Artículos varios
4
UA
S C
arlo
s L
ópez
Váz
quez
Plan del curso
■ Introducción
■ Estrategias para mejorar
■ Política de Calidad de Datos
■ Cómo arrancar
■ Manejo de Cadenas de información
■ Métodos de control estadístico
■ Monitoreo, seguimiento y mejora del proceso
5
UA
S C
arlo
s L
ópez
Váz
quez
Gestión de Calidad de Datos
Carlos Ló[email protected]
Universitario Autónomo del Universitario Autónomo del Sur Sur -- 20052005
IntroducciónContinúa con:
Estrategias para Mejorar
6
UA
S C
arlo
s L
ópez
Váz
quez
¿Le suena esto familiar?
“...Yo sé que nuestro /sistema/base de datos/ warehouse/ tiene algunos problemas con calidad de datos, pero no sé cómo o dónde comenzar...”
7
UA
S C
arlo
s L
ópez
Váz
quez
Frases célebres...
■ No puedo usar esta aplicación. Fíjese: ella sabe que este valor es típicamente menor a 1500, pero no me deja ingresar este caso de 1830. ¡Este sistema es inútil!(1)
■ El sistema trabaja perfectamente. Obviamente, si se le cargan datos erróneos ¿qué puede hacer la computadora?(1)
(1) Fuente: Bobrowski, Marré y Yankelevich8
UA
S C
arlo
s L
ópez
Váz
quez
Frases célebres...
■ No sé. Lo que puedo decirle es que a mi no me sirve. Me hace perder más tiempo buscando datos que antes(1)
■ No es nuestro problema. El sistema funciona, nosotros detectamos los datos cuando se cargan - y siguiendo SUS especificaciones - . Es un problema de los usuarios: ud. debería indicarles que lo usen bien(1)`
(1) Fuente: Bobrowski, Marré y Yankelevich9
UA
S C
arlo
s L
ópez
Váz
quez
Algunos problem(it)as...
■ Embajada China en Yugoeslavia (U$S 28M+...)
■ Fabricante de fibras ópticas (U$S 0.5M)(1)
■ Corredor de bolsa (U$S 500M) (1)
■ Préstamos federales (U$S 2.000M) (1)
(1) Fuente: Bowen, Fuhrer and Guess.
10
UA
S C
arlo
s L
ópez
Váz
quez
Algunos números...
■ E-commerce 1998: 17.000 millones U$S
■ E-commerce 2002: 350.000 millones U$S(1)
■ E-commerce 1999: 1.700 millones U$S
■ E-commerce 2000: 4.200 millones U$S
■ E-commerce 2003: 13.100 millones U$S(2)
(1) Fuente: Forrester Research (2) International Data Corp. 11
UA
S C
arlo
s L
ópez
Váz
quez
Y los colegas... ¿en que están?
12
UA
S C
arlo
s L
ópez
Váz
quez
Tasas de error típicas
■ Cambios en la nómina de pagos 1%
■ Facturación 2-7%
■ Registros de crédito ... ¡tanto como 30%!
Fuente: Pierce (1997)
13
UA
S C
arlo
s L
ópez
Váz
quez
Algunos números...
Fuente: InformationWeek/Innovative Systems' 1999 Delphi Industry Study
Mejor caso(USA)
Peor caso(USA)
Promedio(USA)
Mejor caso(Int)
Peor caso(Int)
Promedio(Int)
Admisible
Errores ennombres
0.19 14.60 4.13 0.69 24.21 8.82 1.5
Registrosduplicados
1.06 60.49 16.24 2.55 55.96 16.01 2.0
Errores endirecciones
0.12 15.48 2.26 0.60 82.00 14.58 1.0
Tipo decliente
0.82 7.75 2.13 0.12 0.12 0.11 -
Relacionesignoradas
0.04 19.00 2.65 0.33 3.90 1.42 -
14
UA
S C
arlo
s L
ópez
Váz
quez
Nuevas víctimas (para un viejo villano...)
■ Data Warehouse (DW)
■ Electronic Data Interchange (EDI)
■ Data Mining (DM)
15
UA
S C
arlo
s L
ópez
Váz
quez
¿Qué es un DW?
■ ...una estrategia para integrar información heterogénea
■ ...un sistema que permite procesamiento analítico en línea
■ ...un sistema que apoya la toma de decisiones correctas presentando correctamente en el momento correcto a un costo correcto la información correcta...
16
UA
S C
arlo
s L
ópez
Váz
quez
¿Qué opina la gente de DW?
Los desafíos en orden de prioridad son:Calidad de datos
Manejo de datos antiguos
Manejo de las expectativas de los usuarios finales
Modelado del negocio/datos
Manejo de las expectativas de los directivos
Análisis de reglas del negocio
Manejo de metadatos
Fuente: DCI/Meta Group 17
UA
S C
arlo
s L
ópez
Váz
quez
Algunos hechos ...
■ Al crear un DW, entre 10 y 20% de los datos o son corruptos o son incompletos
■ Prevenir un error cuesta 1/10 de corregirlo
■ El costo directo de la mala calidad está entre 10 y 25% del presupuesto de ventas
■ Al integrar datos, se eliminan hasta un 40% de registros duplicados
■ Se ha informado que entre el 60 y 70 % de los proyectos de DW han fracasado
¿Seré yo el próximo?
18
UA
S C
arlo
s L
ópez
Váz
quez
Pero... ¿porqué?
■ Hay muchas razones (políticas, económicas y técnicas)
■ Hay dos en común: – no se comprenden los problemas
– se subestima el esfuerzo para resolverlos
19
UA
S C
arlo
s L
ópez
Váz
quez
¿Y en qué invierte esa gente?
■ 59% Intranet/Internet data warehouse access tools■ 54% Query/report writers■ 45% Data warehouse design (logical/physical) ■ 43% Data acquisition and mapping■ 43% Data warehouse administration tools/products■ 41% Multidimensional OLAP tools/clients■ 40% Relational OLAP ■ 38% Data delivery (e.g., connectivity tools) ■ 38% RDBMS ■ 37% Data quality and reconciliation tools■ 36% Data mining tools■ 31% Managed query environments
Fuente: Market Perspectives Inc. for Meta Group 20
UA
S C
arlo
s L
ópez
Váz
quez
Ud...¿tiene una buena excusa?
■ Es sabido que unir DB para formar un DW es complicado
■ Sin una re-ingeniería de los datos... ¡es aún más complicado!
■ Ello implica investigar, reacondicionar y consolidar datos antes de migrar
■ Algunos no lo hacen; en ellos son típicas cinco excusas diferentes
Fuente: Vality Technology Inc. 21
UA
S C
arlo
s L
ópez
Váz
quez
Primera de cinco excusas...
“...Los datos nuevos serán tan buenos como los viejos, y los viejos aparentemente funcionan bien...”
La paradoja es:(Datos buenos)+(Datos buenos)=¡(Datos malos)!
22
UA
S C
arlo
s L
ópez
Váz
quez
Algunos ejemplos
Una tabla de clientes con campos no estandarizados
¡Se requieren “fuzzy joins”! 23
UA
S C
arlo
s L
ópez
Váz
quez
Segunda de cinco excusas...
“...Siempre tenemos alguna clave para hacer el join en la mayor parte de los casos...”
24
UA
S C
arlo
s L
ópez
Váz
quez
Tercera de cinco excusas...
“...De ser necesario limpiaremos los datos luego de llevarlos al nuevo sistema, y después del prototipo...”
Usualmente, es demasiado tarde porque:
•se acabaron los fondos
•se acabó el respaldo (o la paciencia)
•quizá ya se quemaron los puentes...
25
UA
S C
arlo
s L
ópez
Váz
quez
Cuarta de cinco excusas...
“...Arreglaremos los datos en el punto de entrada con GUIs y mejores procesos de edición...”
Esto tiene cuatro problemas:
■ Nunca subestime la creatividad del digitador
■ Las prácticas y políticas de la empresa evolucionan más rápido que el software
■ Hay datos cuyo formato no puede controlar
■ Para el futuro todo OK, pero... ¿qué hace con los datos viejos?
26
UA
S C
arlo
s L
ópez
Váz
quez
Quinta de cinco excusas...
“...Los usuarios nunca admitirían cambiar sus datos...”
Quizá no se requiera:•claves externas•tablas de sinónimos•etc.
27
UA
S C
arlo
s L
ópez
Váz
quez
En resumen:
No permita que estas excusas inhiban el utilizar la información existente como una ventaja estratégica
La salud de su empresa depende de la salud de sus datos
28
UA
S C
arlo
s L
ópez
Váz
quez
Nuevas víctimas (para un viejo villano...)
✔ Data Warehouse (DW)
■ Electronic Data Interchange (EDI)
■ Data Mining (DM)
29
UA
S C
arlo
s L
ópez
Váz
quez
DQ en relación a EDI
■ Teoría: “EDI ayuda a mejorar DQ”
■ Práctica: “Aparecen impactos negativos”
¿Porqué?
■ DQ fue originalmente presentado en contabilidad
■ El concepto ha variado en el tiempo– Confiabilidad
– Relevancia (desde los ‘80)
Fuente: Vermeer (2000)30
UA
S C
arlo
s L
ópez
Váz
quez
Visión tradicional
■ Confiabilidad (Reliability)– Accuracy
– Completeness
– Timeliness
■ El usuario no aparece
Calidad <==>Grado de acuerdo con la realidad
31
UA
S C
arlo
s L
ópez
Váz
quez
Nuevas tendencias
■ Agrega otra dimensión– Relevancia (Relevance)
– Confiabilidad (Reliability)
Calidad <==>Grado de acuerdo con la realidad y las necesidades del usuario
■ Relevancia no es intrínseca a los datos; depende del uso y del usuario
32
UA
S C
arlo
s L
ópez
Váz
quez
Incluso así...
■ El modelo es aún insuficiente
■ No explica cómo ni porqué pueden empeorar las cosas al implementar EDI– Datos perfectos pueden ser insuficientes
■ Necesidad de un modelo alternativo
33
UA
S C
arlo
s L
ópez
Váz
quez
Nuevas tendencias
■ Aparece la interpretación del emisor y receptor
■ La comunicación exitosa requiere compartir un contexto
Calidad <==> datos + alineación entre el contexto del emisor y del receptor
34
UA
S C
arlo
s L
ópez
Váz
quez
¿Cómo interactúan?
■ En resumen:– Confiabilidad es positiva
– Relevancia es positiva
■ Pero...– Contexto es negativa porque genera dudas y
desconfianza en el sistema
■ Resultado neto:– ¡puede ser positivo o negativo!
35
UA
S C
arlo
s L
ópez
Váz
quez
Ejemplo de Contextos
■ Diferentes interpretaciones del mismo ítem (“data is good but interpretation is wrong”)
■ Diferentes traducciones del mismo ítem entre diferentes proveedores
36
UA
S C
arlo
s L
ópez
Váz
quez
Nuevas víctimas (para un viejo villano...)
✔ Data Warehouse (DW)
✔ Electronic Data Interchange (EDI)
■ Data Mining (DM)
37
UA
S C
arlo
s L
ópez
Váz
quez
¿Qué es Data Mining? Fuente: Zaima (2004)
38
UA
S C
arlo
s L
ópez
Váz
quez
¿Qué es Data Mining?(2)
Fuente: Bounsaythip (2004)
■ Modelos Predictivos– Clasificación
– Regresión
– Descubrimiento de Patrones Secuenciales
■ Modelos Descriptivos– Análisis de Conglomerados
– Descubrimiento de Reglas
Mínimos Cuadrados Redes Neuronales
etc.
39
UA
S C
arlo
s L
ópez
Váz
quez
Efecto de errores en regresión(1)
75 76 77 78 79 80 81
1.2
1.3
1.4
1.5
1.6
1.7
x 104
Reclamos por incendio en Bélgica
40
UA
S C
arlo
s L
ópez
Váz
quez
Efecto de errores en regresión(2)
0 20 40 60 800
5
10
15
20
25
30
35
40
Caudal en un dos puntos de un mismo río 41
UA
S C
arlo
s L
ópez
Váz
quez
Detección de errores(1)
Fuente: López (1997)
0 N 100 -N 100
E ffo rt [% ]
Any
mea
sure
of t
he r
emai
ning
err
or
o B es t
W ors t o
P os s ib le o
42
UA
S C
arlo
s L
ópez
Váz
quez
0 0.2 0.4 0.6 0.8 1 1.2 1.4 1.6 1.8 2
0
10
20
30
40
50
60
70
80
90
100
Effort [% ]
# er
rors
foun
d [%
]
(A )
(B )
(Best)
(W orst)
o
o
o
o
o(Real)
Detección de errores(2)
Fuente: López (1997)
43
UA
S C
arlo
s L
ópez
Váz
quez
Aplicación al Censo 1985
Fuente: López (1997)
0 2 4 6 8 1 0 1 2 1 4 16 1 8 2 00
1 0
2 0
3 0
4 0
5 0
6 0
7 0
8 0
9 0
1 0 0O ve ra ll re s ul ts vs . e ffo rt le ve l
3 % o f t h e s u rve y s ini t ia lly c o n t a m in a t edw ith 2 e rrors e a c h ; M a rgin al 0 .1 0 %
% o f c on t ro l le d d a ta
% o
f err
ors
foun
d
Bes
t po
ssib
le o
pera
t ion
line
E x p ec te d du pl ic a te p erform an c e lo c us
44
UA
S C
arlo
s L
ópez
Váz
quez
Por si no lo sabía…
■ Muchos problemas con el software no se deben al sistema, sino a inconsistencias o errores en los datos
■ Cuanto antes los elimine…– Errores al presente
– Errores al futuro
45
UA
S C
arlo
s L
ópez
Váz
quez
Al incorporar DQ en el sistema...
■ mejores decisiones de mercado
■ incrementar ingresos y ganancias
■ mejorar participación en el mercado
■ detectar fraudes más rápidamente
■ mejorar servicio al cliente
■ viabilizar el uso de OLAP y DM
■ comprender a sus clientes
■ implementar cambios más rápidamente Fuente: i.d.CENTRIC/firstLOGIC
46
UA
S C
arlo
s L
ópez
Váz
quez
¿Cómo justificar hacer DQ?
■ Muchos proyectos sufren de problemas
■ Los problemas inesperados provocan:– gastos extras
– atrasos
– baja de calidad del producto o servicio
– combinación de los anteriores
■ Los riesgos son problemas potenciales
■ Identificarlos permite prevenir47
UA
S C
arlo
s L
ópez
Váz
quez
¿Cómo justificar hacer DQ?
■ Enfóquelo en términos de riesgo para el “otro” proyecto
■ ¿Otro? ¿Cuál otro? Por ejemplo:– Business intelligence
– Data Warehousing
– Customer Relationship Management (CRM)
– Enterprise Resource Planning (ERP)
■ Éxitos relacionados:empresa <==> CEO <==> CIO <==> ¡Ud.! 48
UA
S C
arlo
s L
ópez
Váz
quez
¿Cómo justificar hacer DQ?(2)
■ Ej.: Las etapas C1, F4 y F5 requieren integrar datos del sistema actual en el nuevo
Preguntas:
■ ¿Tolerancia a datos erróneos?
■ ¿Tolerancia a datos incompletos?
■ ¿Tolerancia a especificaciones (metadatos) incompletas o erróneas?
Hay que mitigar el riesgo si afecta al proyecto
49
UA
S C
arlo
s L
ópez
Váz
quez
Sobre el riesgo...
■ Para eso se inventaron los seguros
■ Hay seguros de vida, granizo, helada, etc.
■ Desafortunadamente, no hay pólizas para calidad de datos
¡Houston, we have a problem!
■ Tres pasos:– Identificar riesgos potenciales
– Elaborar un plan B para cada caso
– Monitorear el plan mismo 50
UA
S C
arlo
s L
ópez
Váz
quez
¿Qué puede hacerse?
Se distinguen Sistemas de Calidad de Datos de 1a, 2a y 3a Generación:1. Énfasis en detección + corrección
2. Énfasis en el control del proceso
3. Hacer imposibles los errores mediante diseño
51
UA
S C
arlo
s L
ópez
Váz
quez
¿Qué puede hacerse? (2)
1. Detección + corrección– No toca los sistemas existentes
– No requiere “demasiadas” discusiones
– Tarea a realizar “una” vez (¡ja!)
52
UA
S C
arlo
s L
ópez
Váz
quez
¿Qué puede hacerse? (3)
2. Control del proceso– Quizá altera los sistemas existentes
– Altera los nervios de muchos...
– Tarea permanente
53
UA
S C
arlo
s L
ópez
Váz
quez
¿Qué puede hacerse? (4)
3. Errores imposibles por diseño– Sólo existen ejemplos en la industria manufacturera
– Pavada de desafío, ¿no?
54
UA
S C
arlo
s L
ópez
Váz
quez
Algunos números...
Fuente: InformationWeek/Innovative Systems' 1999 Delphi Industry Study
Mejor caso(USA)
Peor caso(USA)
Promedio(USA)
Mejor caso(Int)
Peor caso(Int)
Promedio(Int)
Admisible
Errores ennombres
0.19 14.60 4.13 0.69 24.21 8.82 1.5
Registrosduplicados
1.06 60.49 16.24 2.55 55.96 16.01 2.0
Errores endirecciones
0.12 15.48 2.26 0.60 82.00 14.58 1.0
Tipo decliente
0.82 7.75 2.13 0.12 0.12 0.11 -
Relacionesignoradas
0.04 19.00 2.65 0.33 3.90 1.42 -
55
UA
S C
arlo
s L
ópez
Váz
quez
Dos situaciones
■ Existe una lista/BD confiable contra qué comparar– Ej.: direcciones válidas
– Ej.: clientes válidos
■ No existe tal lista– Ej.: compras pasadas
– Ej.: calificación del cliente
56
UA
S C
arlo
s L
ópez
Váz
quez
La analogía del lago
57
UA
S C
arlo
s L
ópez
Váz
quez
Conclusiones
Fuente: Stewart and Fenton (1999)
Para asegurar la calidad de los datos las organizaciones no deben
únicamente invertir en la tecnología que permite acceder a la
información; ellos deben además invertir en la gente con las
habilidades para manejarla.
58
UA
S C
arlo
s L
ópez
Váz
quez
Referencias
■ Stewart, M. M. and Fenton, S., 1999 Building Data Quality into Information Management Processes AHIMA's Data Quality Task Force
■ Bobrowski, M., Marré, M. and Yankelevich, D. XXXX. A Software Engineering View of Data Quality
■ Bowen, P. L.; Fuhrer, D. A. and Guess, F. M., 1998. ContinuouslyImproving Data Quality in Persistent Databases. Data Quality V 4, N 1, 1998
■ Vermeer, B. H.P.J., 2000. How Important is Data Quality for Evaluating the Impact of EDI on Global Supply Chains? Proceedings of the 33rd Hawaii International Conference on System Sciences -2000
■ Zaima, A. and Kashner, J., 2004. Data Mining Primer for the DataWarehouse Professional.
■ Bounsaythip, C. and Rinta-Runsala, E., 2001. Overview of Data Mining for Customer Behavior Modeling.
59
UA
S C
arlo
s L
ópez
Váz
quez
Gestión de Calidad de Datos
Carlos Ló[email protected]
Universitario Autónomo del Universitario Autónomo del Sur Sur -- 20052005
Introducción
Continúa con:
Estrategias para Mejorar
1
UA
S C
arlo
s L
ópez
Váz
quez
Gestión de Calidad de Datos
Carlos Ló[email protected]
Universitario Autónomo del Universitario Autónomo del Sur Sur -- 20052005
Estrategias para Mejorar
Viene de:
Introducción
Continúa con:
Política de Calidad de Datos
2
UA
S C
arlo
s L
ópez
Váz
quez
Tópicos a considerar
■ Introducción
■ Algunas definiciones
■ Estrategias
■ Qué datos mejorar
■ Caso de una única BD
■ Caso del DW
3
UA
S C
arlo
s L
ópez
Váz
quez
Una tarea siempre titánica...
■ Volumen de datos tamaño empresa
■ Tendencia es a manejar más datos» DW
» BDOO
» Herramientas de última generación
» Intranet/Internet
■ Se requieren planes...
4
UA
S C
arlo
s L
ópez
Váz
quez
===D
efin
e có
mo
===>
proc
eder
en
ese
caso
<==Solicita recursos==
<=Infor
ma sobre
problem
as obser
vados==Definen qué datos serán mejorados=>
Plan de Calidad de Datos (PCD)
Infraestructura administrativa
Administración del PCD
Planes operacionales
Objetivos claros para el negocio
Administración del PCD
Infraestructura administrativa
Planes operacionales
Objetivos claros para el negocio
5
UA
S C
arlo
s L
ópez
Váz
quez
Algunas definiciones...
▼Calidad
▼Precisión
▼¿Correctitud?
▼¿Exactitud?
▲Quality
▲Precision
▲Accuracy
■ El idioma español tiene limitaciones en este aspecto...
6
UA
S C
arlo
s L
ópez
Váz
quez
Una definición operativa...
Def.: “...Calidad(A) > Calidad(B) si...”– intrínsecamente subjetiva
– asociada a las necesidades
– dos clientes podrían disentir
– eso si el cliente “sabe lo que quiere”...
7
UA
S C
arlo
s L
ópez
Váz
quez
Ejemplo de las dificultades...
MINMAX: Cal(A)=5.0;Cal(B)=0.5 A<B
StdDev: Cal(A)=2.04;Cal(B)=0.0 A<B
RMSE: Cal(A)=5.0;Cal(B)=1.22 A<B 8
UA
S C
arlo
s L
ópez
Váz
quez
Una definición operativa (2) ...
– dos clientes podrían disentir
Hay cosas que todos quieren o esperan:
!relevancia
!correctitud
!poder “ver”
!acceso simple
!seguridad
!privacidad9
UA
S C
arlo
s L
ópez
Váz
quez
Son dimensiones diferentes...
En Calidad de Datos se distinguen cuatro:
■ Modelo de Datos (ej. relevancia)
■ Valores mismos (ej. correctitud)
■ Presentación (ej. poder “ver”)
■ Tecnológicos (ej. acceso simple)
El curso trata sobre la segunda dimensión
10
UA
S C
arlo
s L
ópez
Váz
quez
Para los valores mismos...
...también se distinguen cuatro dimensiones:
■ Correctitud
■ Vigencia
■ Completitud
■ Consistencia
11
UA
S C
arlo
s L
ópez
Váz
quez
Correctitud (1)
<E,A,V1>
<E,A,V2>
<E,A,V3>
...
<E,A,V2>
<E,A,V>
Ej. <EMPLEADO,AÑO_NACIMIENTO,VALOR>
E=“1745”,E.AÑO_NACIMIENTO=”1960” 12
UA
S C
arlo
s L
ópez
Váz
quez
Correctitud (2)
Quizá lo mejor que pueda lograrse es...
<E,A,[VMAX,VMIN]>
Ej. < FECHA,TEMPERATURA_AMBIENTE, VALOR>
FECHA=“18071825.120000”,FECHA.TEMP=”19.60”
Un caso con dos problemas:
•No existe “verdadero”
•No existió nunca
13
UA
S C
arlo
s L
ópez
Váz
quez
Correctitud (3)
Las combinaciones formalmente posibles no necesariamente son válidas
Ej. EMPLEADO=“9999”
EMPLEADO.NOMBRE=“Jorge Batlle Ibáñez”
EMPLEADO.AÑO_NACIMIENTO=“1925”
EMPLEADO.CARGO=“Desconocido”
¡ Simplemente no es empleado!
14
UA
S C
arlo
s L
ópez
Váz
quez
Correctitud (4)
<E,A,”Juguetería/Bazar”>
<E,A,”JUGUETERIA/BAZAR”>
<E,A,”Jugueteria/Bazar”>
...
<E,A,”Jugueteria / Bazar”>
¡Hay varios valores “correctos”!
15
UA
S C
arlo
s L
ópez
Váz
quez
Correctitud (5)
En resumen:
• No siempre existe un “verdadero valor”
• Aún existiendo, puede ser inaccesible
• Métricas específicas al problema
• Métricas problemáticas
16
UA
S C
arlo
s L
ópez
Váz
quez
Para los valores mismos...
...también se distinguen cuatro dimensiones:
✔ Correctitud
■ Vigencia
■ Completitud
■ Consistencia
17
UA
S C
arlo
s L
ópez
Váz
quez
Vigencia (1)
ESTALLOVIENDO.NOW=TRUE
LUN MAR MIE JUE
Es algo que depende del tiempo...
18
UA
S C
arlo
s L
ópez
Váz
quez
Vigencia (2)
■ Datos permanentes– Fecha de nacimiento
– Tipo de sangre
– Lugar de nacimiento ≠ País de nacimiento!
■ Datos dinámicos|– Cambian ocasionalmente
» Nombre y/o apellido (ej.: USA)
» Dirección
– Cambian regularmente» Salario|
19
UA
S C
arlo
s L
ópez
Váz
quez
Para los valores mismos...
...también se distinguen cuatro dimensiones:
✔ Correctitud
✔ Vigencia
■ Completitud
■ Consistencia
20
UA
S C
arlo
s L
ópez
Váz
quez
■ Cuatro posibilidades– El empleado no tiene teléfono ==>OK
– El empleado tiene teléfono, pero se ignora el número==>INC
– El empleado tiene un número que no figura en la guía ==>OK
– Se ignora si el empleado tiene teléfono ==>OK
Completitud (1)
■ EMPLEADO.HOMEPHONE=“Null”
■ Veamos un poco más de detalle21
UA
S C
arlo
s L
ópez
Váz
quez
Completitud (2)
■ El “Null” debería tener colores...» Valor desconocido de un atributo aplicable (el
registro es incompleto)
» Indicador de atributo no aplicable (el registro es completo)
» Atributo de aplicabilidad desconocida
» Valor especial de un atributo (el registro es completo)
■ Difícil de implementar...
22
UA
S C
arlo
s L
ópez
Váz
quez
Completitud (3)
■ Dos problemas:✔ Completitud de registros en la base
– Completitud de la base
■ Ej.: Lista de Empleados Activos
■ Ej.: Diccionario de neologismos
23
UA
S C
arlo
s L
ópez
Váz
quez
Para los valores mismos...
...también se distinguen cuatro dimensiones:
✔ Correctitud
✔ Vigencia
✔ Completitud
■ Consistencia
24
UA
S C
arlo
s L
ópez
Váz
quez
Consistencia (1)
■ Dos o más cosas no son incompatibles
■ Dos o más datos pueden ser correctos a la vez
■ Un par de casos típicos– Redundancia
– Consistencia interna
25
UA
S C
arlo
s L
ópez
Váz
quez
Consistencia (2)
■ Redundancia– Varias copias de lo mismo
– Actualización independiente
– Mantenimiento separado
Empleado.Dirección=“Aconcagua 1234”
Empleado.Dirección=“Rancagua 1234”
Empleado.Dirección=“Aconcagua 2134” 26
UA
S C
arlo
s L
ópez
Váz
quez
Consistencia (3)
■ Consistencia interna– Existen reglas a cumplir
» explícitas
» implícitas
Empleado.Dirección=“Aconcagua 1234”
Empleado.CP=“11600”
27
UA
S C
arlo
s L
ópez
Váz
quez
Tópicos a considerar
✔ Introducción
✔ Algunas definiciones
■ Estrategias
■ Qué datos mejorar
■ Caso de una única BD
■ Caso del DW
28
UA
S C
arlo
s L
ópez
Váz
quez
Tres niveles, tres generaciones
Detección + corrección
Diseño de procesos
Mejora de procesos
29
UA
S C
arlo
s L
ópez
Váz
quez
Detección + corrección
Tácticas corrientes:– Laissez fair
– Comparar: » datos vs. realidad
» con otra base
» con reglas del negocio
30
UA
S C
arlo
s L
ópez
Váz
quez
Comparar datos con realidad...
■ Viable para pocos datos
■ Caro y lento
■ Útil para evaluar niveles de calidad mediante muestreo
■ Inviable para datos muy dinámicos
31
UA
S C
arlo
s L
ópez
Váz
quez
Comparar datos con otra base...
■ Trabajo de laboratorio (la realidad no entra)
■ Hipótesis implícitas» Existe una base, independiente, y redundante
» No tiene demasiados errores
■ La comparación puede no ser simple
■ Es un método seductor...
32
UA
S C
arlo
s L
ópez
Váz
quez
...con reglas del negocio... (1)
Se expresan como Data Edits...
■ Un único campo:– “el valor debe ser uno de {0,1,2...9}”
■ Múltiples campos:– “Ciudad y País deben coordinarse”
■ Relaciones probabilísticas:– “Hijos=4 y Edad=15 es improbable”
■ Si fallan, se revisan los casos anómalos33
UA
S C
arlo
s L
ópez
Váz
quez
...con reglas del negocio... (2)
A Favor:
■ Revelan muchas inconsistencias
■ No requiere una segunda base
En contra:
■ Difíciles de hallar/explicitar
■ Requieren “expertos”
■ Pueden cambiar con el tiempo
■ Se aplican una vez, o son permanentes
34
UA
S C
arlo
s L
ópez
Váz
quez
...con reglas del negocio... (3)
Ej.: Caso del Censo (López, JISS 1997)
■ Escaneado+interpretación automática
■ Sólo datos categóricos
■ Digitar dos veces, o sólo lo erróneo
■ Reglas derivadas de los datos ==>¡No hay experto!
■ Resultado de la simulación:35
UA
S C
arlo
s L
ópez
Váz
quez
0 2 4 6 8 10 12 14 16 18 200
10
20
30
40
50
60
70
80
90
100Overall results vs. effort level
3% of the surveys initially contaminatedwith 2 errors each; Marginal 0.10%
% of controlled data
% o
f err
ors
foun
d
Bes
t po
ssib
le o
p era
t ion
line
Expected duplicate performance locus
...con reglas del negocio... (4)
36
UA
S C
arlo
s L
ópez
Váz
quez
Tres niveles, tres generaciones
Detección + corrección
Mejora de procesos
Diseño de procesos
37
UA
S C
arlo
s L
ópez
Váz
quez
Mejora de procesos
■ ¿Y la prevención?
■ Ej.: 1000 datos/día, 20 campos, 2% errores ==>¡400 errores/día!
38
UA
S C
arlo
s L
ópez
Váz
quez
Un ejemplo...
VENTAS
ÓRDENES
DESPACHO
FACTURACIÓN
39
UA
S C
arlo
s L
ópez
Váz
quez
Prevención...
■ Uso extenso de reglas del negocio
■ Quizá pequeños cambios» Ej.: habilitar/inhibir edición
■ Corrección temprana
■ Seguimiento
■ Más barato que corrección
■ Única alternativa si “llueven datos”
40
UA
S C
arlo
s L
ópez
Váz
quez
Tres niveles, tres generaciones
Detección + corrección
Mejora de procesos
Diseño de procesos
41
UA
S C
arlo
s L
ópez
Váz
quez
Diseño del proceso
■ “a prueba de errores”
■ Exitosa en manufactura
Ideas:
■ Eliminar re-digitación
■ Incorporar reglas
■ Reasignar propiedades
■ No hay muchos ejemplos con datos42
UA
S C
arlo
s L
ópez
Váz
quez
Tópicos a considerar
✔ Introducción
✔ Algunas definiciones
✔ Estrategias
■ Qué datos mejorar
■ Caso de una única BD
■ Caso del DW
43
UA
S C
arlo
s L
ópez
Váz
quez
¿Qué datos mejorar... primero?
■ Tan importante como la estrategia
■ Hay que lograr éxitos al principio
■ Buscar consensos
■ Considerar varios criterios:– estrategia global de la empresa
– relevancia para problemas ya conocidos
– distancia ser<==>deber ser
– impacto económico
44
UA
S C
arlo
s L
ópez
Váz
quez
Tópicos a considerar
✔ Introducción
✔ Algunas definiciones
✔ Estrategias
✔ Qué datos mejorar
■ Caso de una única BD
■ Caso del DW
45
UA
S C
arlo
s L
ópez
Váz
quez
Una única base
1) Definir estrategia
EstrategiaProblemas conocidosNivel de errorImpacto ($)
Datos prioritarios
Cambios lentos
Cambios rápidos
Caso intermedio
46
UA
S C
arlo
s L
ópez
Váz
quez
Hay casos mezclados...
BD de Clientes:■ Cliente.FechaNacimiento
■ Cliente.Domicilio
■ Cliente.Saldo
¿Razones?– acotar el trabajo de limpieza
– asegurar un retorno 47
UA
S C
arlo
s L
ópez
Váz
quez
Tópicos a considerar
✔ Introducción
✔ Algunas definiciones
✔ Estrategias
✔ Qué datos mejorar
✔ Caso de una única BD
■ Caso del DW
48
UA
S C
arlo
s L
ópez
Váz
quez
Muchas bases...
A) Bases que no se solapan
49
UA
S C
arlo
s L
ópez
Váz
quez
Muchas bases...
B) Bases cliente-servidor
50
UA
S C
arlo
s L
ópez
Váz
quez
Muchas bases...
C) Bases solapadas pero independientes
51
UA
S C
arlo
s L
ópez
Váz
quez
Más de una base...
52
UA
S C
arlo
s L
ópez
Váz
quez
Vale la pena mencionar...
■ Problemas con datos, no con SGBD...
■ Duplicación por razones técnicas– Backup
– Redundancia quizá requerida
==> ¡Usar Master-Slave!
■ DW explícitamente crea redundancia
■ DW recibe datos de varias fuentes
53
UA
S C
arlo
s L
ópez
Váz
quez
El caso del DW
■ Identificar los datos requeridos
■ Identificar la(s) fuente(s)
■ Estimar niveles de error y caracterizar velocidad de cambios
Tres pasos:
54
UA
S C
arlo
s L
ópez
Váz
quez
Resumen
■ Plan operacional:– Detección+corrección
– Manejo de procesos
– Diseño de procesos
■ Pueden convivir
■ Datos críticos
■ Controlar redundancia
1
UA
S C
arlo
s L
ópez
Váz
quez
Gestión de Calidad de Datos
Carlos Ló[email protected]
Universitario Autónomo del Universitario Autónomo del Sur Sur -- 20052005
Política de Calidad de Datos
Viene de:
Estrategias para mejorar
Continúa con:
Cómo arrancar
2
UA
S C
arlo
s L
ópez
Váz
quez
Tópicos a considerar
■ Introducción
■ ¿Qué debería contemplarse?
■ Los datos como bienes
■ La política de datos
■ Implementando la política
■ Resumen
3
UA
S C
arlo
s L
ópez
Váz
quez
Tres aspectos...
Razones para preocuparse
Cómo proceder
Contabilidad de resultados
4
UA
S C
arlo
s L
ópez
Váz
quez
Los bienes en la empresa...
■ Tangibles– Capital
– Equipos
– Materiales
– Edificios
■ Intangibles– Marcas y patentes
– Conocimiento
– Datos 5
UA
S C
arlo
s L
ópez
Váz
quez
¿Quién es responsable...?
■ Tangibles– Capital ! Contador
– Equipos ! Capataz
– Materiales ! Encargado de Depósito
– Edificio ! Conserje
■ Intangibles– Patentes ! Jurídica
– Conocimiento ! Gerencia General
– Datos ! ¿? 6
UA
S C
arlo
s L
ópez
Váz
quez
Tópicos a considerar
✔ Introducción
■ ¿Qué debería contemplarse?
■ Los datos como bienes
■ La política de datos
■ Implementando la política
■ Resumen
7
UA
S C
arlo
s L
ópez
Váz
quez
¿Una Política de datos?
■ Es más que Calidad de Datos
■ Asignar responsabilidades– a organizaciones
– a personas
■ Sobre aspectos de la Calidad» Correctitud, Completitud, etc...
■ Pero además...» Seguridad
» Privacidad
» Redundancia8
UA
S C
arlo
s L
ópez
Váz
quez
“La empresa ya tiene políticas...”
■ Aplicadas típicamente para bienes tangibles» Capital
» Recursos Humanos
» Etc.
■ Ampliamente conocidas y enseñadas
■ ¿Porqué no aplicarlas?
9
UA
S C
arlo
s L
ópez
Váz
quez
Tópicos a considerar
✔ Introducción
✔ ¿Qué debería contemplarse?
■ Los datos como bienes
■ La política de datos
■ Implementando la política
■ Resumen
10
UA
S C
arlo
s L
ópez
Váz
quez
Los datos como bienes... (1)
pero...– No hay inventario
– No se comparten
– No se sabe qué hay
– Es difícil accederlos
– No hay estándares
– Hay demasiados datos
– No se sabe cómo, cuándo y de dónde obtenerlos
“...los datos son uno de nuestros bienes más valiosos”...
11
UA
S C
arlo
s L
ópez
Váz
quez
Los datos como bienes... (2)
■ Además...– Corren riesgo de daño o robo
– No hay reglas de acceso y privacidad
– No tienen especificado un valor monetario
■ En resumen:
12
UA
S C
arlo
s L
ópez
Váz
quez
Más características...
Los datos son:
■ Intangibles
■ Copiables y transportables
■ No se gastan con el uso
■ Únicos o novedosos
■ No hay mercado para cotizarlos
■ Tremendamente dinámicos
13
UA
S C
arlo
s L
ópez
Váz
quez
Tópicos a considerar
✔ Introducción
✔ ¿Qué debería contemplarse?
✔ Los datos como bienes
■ La política de datos
■ Implementando la política
■ Resumen
14
UA
S C
arlo
s L
ópez
Váz
quez
¿Qué podría contener? (1/6)
Objetivos de Calidad en sentido amplio– Relevancia
– Completitud
– Correctitud
– Acceso
– Consistencia
15
UA
S C
arlo
s L
ópez
Váz
quez
¿Qué podría contener? (2/6)
Obligación del Inventario de Datos– Qué datos tiene
– Dónde están
– Qué significan
– Quién puede accederlos
– Cómo pueden accederse
16
UA
S C
arlo
s L
ópez
Váz
quez
¿Qué podría contener? (3/6)
Reglas de Acceso y Disponibilidad– Acceso: ¿excepción o regla?
– Compartibles vs. Restringidos» Privacidad
» Estratégicos
» Impresentables...
– Administración del acceso
17
UA
S C
arlo
s L
ópez
Váz
quez
¿Qué podría contener? (4/6)
Considerar una Arquitectura de Datos– De interés práctico
– Fuerza una solución a muchos problemas
– Induce a una solución en otros» Redundancia
» Uso de estándares
» Privilegios de Acceso
» Seguridad y respaldos
– Consagra separación datos/aplicaciones18
UA
S C
arlo
s L
ópez
Váz
quez
¿Qué podría contener? (5/6)
Incluir Seguridad, Privacidad y Uso apropiado– Reglas de Seguridad
» El DBMS implementa; no define
» Gran discrecionalidad al momento del uso
– Privacidad, Uso apropiado» Costumbre
» Prácticas comerciales
» Entorno legal
» Podría no ser prioritario... aún.
19
UA
S C
arlo
s L
ópez
Váz
quez
¿Qué podría contener? (6/6)
Considerar Planificación expresamente– Actividad regular
– Varios horizontes (incluso multianuales)» Nuevos datos
» Nuevos tipos
» Nuevas fuentes
» Tecnologías apropiadas
– Alineados con la estrategia del negocio
20
UA
S C
arlo
s L
ópez
Váz
quez
Un ejemplo de Política de Datos
...focalizado en Calidad de Datos
Debería contener:– Generalidades
– Funciones Centralizadas
– Funciones Distribuidas» En proveedores y productores de datos
» En los que guardan y procesan los datos
» En los que usan los datos
Fuente: Redman DQFTIA, Cap. 321
UA
S C
arlo
s L
ópez
Váz
quez
Generalidades
■ Sobre la “propiedad” de los datos
■ Sobre mecanismos y costos de acceso
■ Sobre las reglas aplicables a otros
22
UA
S C
arlo
s L
ópez
Váz
quez
Funciones Centralizadas
En el CIO– Sobre el mantenimiento del Inventario
– Sobre el acceso a datos y medios
– Sobre la redundancia
En el Consejo de Datos– Clasificar datos
– Adoptar o desarrollar estándares
En el CQO– Establecimiento de métricas 23
UA
S C
arlo
s L
ópez
Váz
quez
Funciones distribuidas(1)
En proveedores y productores de datos – Saber quién usa qué, y para qué
– Confirmar que se obtiene/produce lo requerido
– Mejorar, Medir, Modificar
24
UA
S C
arlo
s L
ópez
Váz
quez
Funciones distribuidas(2)
Los que guardan y procesan datos – Suministrar soluciones de mínima redundancia
– Prevenir daños y acceso no autorizado
– Facilitar acceso
– Actualizar la tecnología
25
UA
S C
arlo
s L
ópez
Váz
quez
Funciones distribuidas(3)
En los usuarios de datos – Interactuar activamente con proveedores
– Proveer retroalimentación hacia ellos
– Asegurarse sobre qué se usa
– Asegurarse sobre qué puede usarse
– Exigir y proteger el derecho a privacidad
26
UA
S C
arlo
s L
ópez
Váz
quez
Tópicos a considerar
✔ Introducción
✔ ¿Qué debería contemplarse?
✔ Los datos como bienes
✔ La política de datos
■ Implementando la política
■ Resumen
27
UA
S C
arlo
s L
ópez
Váz
quez
Implementando... (1)
■ Trabaje a favor de la cultura, no en contra– ¿verticalismo o liderazgo?
– ¿líneas claras o todo digerido?
■ Cinco modelos– feudalismo
– anarquía
– utopía tecnocrática
– monarquía
– federalismo
Mejores resultados
Pero...
requiere más paciencia, energía
...y habilidades
28
UA
S C
arlo
s L
ópez
Váz
quez
Implementando... (2)
■ No proponga políticas ...
■ Políticas<==>Implementación
■ En etapas– Creadores y usuarios
– Funciones centrales
■ Priorice
■ Estandarice (¡si puede!)– ignorancia
– resistencia
Implementación
29
UA
S C
arlo
s L
ópez
Váz
quez
Implementando... (3)
■ ¡Abajo la AntiRedundancia!
■ Privacidad– poco tratado
– conflictivo
– sea prudente
■ ¿Quién es el dueño?
30
UA
S C
arlo
s L
ópez
Váz
quez
Tópicos a considerar
✔ Introducción
✔ ¿Qué debería contemplarse?
✔ Los datos como bienes
✔ La política de datos
✔ Implementando la política
■ Resumen
31
UA
S C
arlo
s L
ópez
Váz
quez
Política de Calidad de Datos
■ Asignar responsabilidades aunque falten:– avances científicos en gestión
– definiciones legales
■ ¡Próximas a la fuente!
■ La política debe incluir varias cosas
■ Datos (como bienes) son especiales
■ Un paso por vez
Cruce cada puente cuando llegue a él32
UA
S C
arlo
s L
ópez
Váz
quez
Gestión de Calidad de Datos
Carlos Ló[email protected]
Universitario Autónomo del Universitario Autónomo del Sur Sur -- 20052005
Política de Calidad de Datos
Viene de:
Estrategias para mejorar
Continúa con:
Cómo arrancar
1
UA
S C
arlo
s L
ópez
Váz
quez
Gestión de Calidad de Datos
Carlos Ló[email protected]
Universitario Autónomo del Universitario Autónomo del Sur Sur -- 20052005
Cómo arrancar
Viene de:
Política de Calidad de Datos
Continúa con:
Manejo de Cadenas de Información
2
UA
S C
arlo
s L
ópez
Váz
quez
Tópicos a considerar
■ Introducción
■ Un modelo para cambios exitosos
■ Comenzando
■ Creciendo
■ Incorporándose a la rutina
■ El rol de/los gerentes
■ Resumen
3
UA
S C
arlo
s L
ópez
Váz
quez
El Administrador del PCD
■ Provee la visión...
■ Planifica...
■ Disciplina...
■ Ayuda a incorporar...
■ Y finalmente... ¡Lidera!
4
UA
S C
arlo
s L
ópez
Váz
quez
Si tenemos administrador...
■ Los problemas existen
■ Nadie se opone
■ Soy simpático
pero el programa no arranca...
¿Que puede fallar?
5
UA
S C
arlo
s L
ópez
Váz
quez
Toda empresa tiene un PCD
Con el fin de:
■ Corregir facturas
■ Rastrear pedidos no entregados
■ Atención de quejas
■ Realizar “limpieza” ocasional de una BD
■ Aplicar algún control de rango
6
UA
S C
arlo
s L
ópez
Váz
quez
PCD de 1ra. generación
■ Implícito
■ Esfuerzos descoordinados
■ Caros
■ Dudoso valor a largo plazo
■ Poco soporte técnico/recursos
Características principales:
7
UA
S C
arlo
s L
ópez
Váz
quez
PCD de 1ra. generación
■ Necesidades poco especificadas e insatisfechas
■ Nadie es responsable a nivel empresa
■ No hay cadenas definidas
■ Énfasis en detección y corrección
■ Tasas de error altas y desconocidas
■ Altos costos asociados a errores
■ Otros aspectos (redundancia, privacidad, etc.) fuera de control
8
UA
S C
arlo
s L
ópez
Váz
quez
El primer proyecto
■ Esfuerzo focalizado
■ Una única cadena
■ Oportunidad de negocio
9
UA
S C
arlo
s L
ópez
Váz
quez
PCD de 2da generación
■ Uso de datos como fuente de valor
■ Datos convertidos en activos...
■ Responsabilidades asignadas
■ Cadenas importantes reconocidas y administradas
■ Mejora continua, prevención de errores
■ Menores niveles de error, menor costo
■ Otros aspectos bajo control
10
UA
S C
arlo
s L
ópez
Váz
quez
La transformación deseada
11
UA
S C
arlo
s L
ópez
Váz
quez
Tópicos a considerar
✔ Introducción
■ Un modelo para cambios exitosos
■ Comenzando
■ Creciendo
■ Incorporándose a la rutina
■ El rol de/los gerentes
■ Resumen
12
UA
S C
arlo
s L
ópez
Váz
quez
Un modelo para cambios exitosos
Algunos autores reconocen 4 aspectos:
■ Presión para el cambio
■ Visión clara y compartida
■ Capacidad de cambio
■ Éxitos iniciales
exitosoCambio
iniciales Éxitos
cambio de
Capacidad
compartiday
clara Visión
cambio el para Presión
=+++
13
UA
S C
arlo
s L
ópez
Váz
quez
Presión para el cambio (1)
■ Sin obligación, no hay cambio– Si hay éxito, no hay cambio
– Si estamos bien, por algo será
– “No cambiar de caballo en la mitad del río…”
– Cualquier cambio es riesgoso
– Hay barreras sicológicas, no explícitas
14
UA
S C
arlo
s L
ópez
Váz
quez
Presión para el cambio (2)
■ ¡Se necesita una crisis!– Normalmente de origen externo
» Clientes, inversores, competidores, y…. Empleados
– Puede ser una oportunidad para la empresa» “Cómo aprovechar el mercado chino…”
» “Cómo entrar en ese nicho…”
– O para uno mismo» Oportunidad de mostrar liderazgo
15
UA
S C
arlo
s L
ópez
Váz
quez
Presión para el cambio (3)
■ Debe buscarse apoyo■ Lo que no debe hacerse
– “La calidad es buena; ¡hagamos Calidad!”– “Quiero ser recordado como…”
■ No olvidar– La calidad es un medio, no un fin– Tiene fines específicos; no filosóficos ni genéricos– Evite fanatismos– Guíe la energía de la empresa
16
UA
S C
arlo
s L
ópez
Váz
quez
Visión clara y compartida
■ Tres palabras:– Visión
» Qué se quiere lograr
» El Porqué debe ser algo más que los problemas de hoy
– Clara» Lenguaje apropiado
– Compartida» Los cambios afectan a muchos
■ Parece fácil, pero es difícil
17
UA
S C
arlo
s L
ópez
Váz
quez
Capacidad de cambio
■ Hay prerrequisitos– Conocimiento– Capital– Tiempo– Habilidad emocional para el cambio
■ Resistencias emocionales son difíciles…– Rara vez explicitada– Corriente incluso entre científicos
■ En relación a Calidad ¡es peor!18
UA
S C
arlo
s L
ópez
Váz
quez
Las cuatro F
■ La motivación para el cambio puede venir– Fear (Miedo)
– Fame (Fama)
– Fun (Diversión)
– Fortune (Fortuna)
■ El Líder debe estar preparado– Sea convincente
– Al empezar, eluda a los contras
19
UA
S C
arlo
s L
ópez
Váz
quez
Éxitos iniciales
Los primeros son los más importantes…– Un visión no siempre es práctica
– Sinergia: Motivación !" Resultados
– Desactivar mala onda
“…Un largo viaje siempre tiene un primer paso…” Proverbio chino
20
UA
S C
arlo
s L
ópez
Váz
quez
¿Y si falta alguno?
inacción prioridad,
Baja
iniciales Éxitos
cambio de
Capacidad
compartiday
clara Visión
cambio el para Presión
=+++
dirección sinrápidos,
Arranques
iniciales Éxitos
cambio de
Capacidad
compartiday
clara Visión
cambio el para Presión
=+++
nfrustracióy
Ansiedad
iniciales Éxitos
cambio de
Capacidad
compartiday
clara Visión
cambio el para Presión
=+++
falso en arranques
Riesgos,
iniciales Éxitos
cambio de
Capacidad
compartiday
clara Visión
cambio el para Presión
=+++
21
UA
S C
arlo
s L
ópez
Váz
quez
Tópicos a considerar
✔ Introducción
✔ Un modelo para cambios exitosos
■ Comenzando
■ Creciendo
■ Incorporándose a la rutina
■ El rol de/los gerentes
■ Resumen
22
UA
S C
arlo
s L
ópez
Váz
quez
Comenzando
■ Elija un problema pequeño– Una única cadena
– Una porción
■ Logre mejoras
■ Recoja beneficios
■ El consejo:– Poner foco
– comenzar pequeño
– moverse rápido
23
UA
S C
arlo
s L
ópez
Váz
quez
¿Cómo elegir el problema?
■ El problema debe balancear– grande
"mostrar utilidad
– pequeño
"facilitar éxito
"limitar controversias
¡No lo elija demasiado pequeño!
¡Busque la fácil!
24
UA
S C
arlo
s L
ópez
Váz
quez
¿Cómo elegir el equipo?
■ El equipo debe ser– pequeño
– individuos respetados
– capaces de ejecutar
■ Un ejecutivo involucrado a la cabeza– Más el CIO, CQO, CFO, FMI, ETC.,…
25
UA
S C
arlo
s L
ópez
Váz
quez
Un consejo final…
■ No discuta con los contras
■ Son muchos, y tienen argumentos creíbles
■ Esconden razones emocionales
■ No gaste tiempo ni energía con ellos
■ La mayoría son inofensivos
26
UA
S C
arlo
s L
ópez
Váz
quez
Tópicos a considerar
✔ Introducción
✔ Un modelo para cambios exitosos
✔ Comenzando
■ Creciendo
■ Incorporándose a la rutina
■ El rol de/los gerentes
■ Resumen
27
UA
S C
arlo
s L
ópez
Váz
quez
Creciendo
■ Las empresas no avanzan “en formación”
–Los que nunca cambiarán
–Almas intrépidas
–Early adopters
–La mayoría…
28
UA
S C
arlo
s L
ópez
Váz
quez
Las recomendaciones previas…
■ Ocultaban el primer proyecto
■ Hay que cambiar
■ ¿Cuál podría ser el próximo?– Ampliar el primer proyecto
– Apuntar más alto
– Otros criterios…
■ Para la mochila…
29
UA
S C
arlo
s L
ópez
Váz
quez
Tópicos a considerar
✔ Introducción
✔ Un modelo para cambios exitosos
✔ Comenzando
✔ Creciendo
■ Incorporándose a la rutina
■ El rol de/los gerentes
■ Resumen
30
UA
S C
arlo
s L
ópez
Váz
quez
Los 14 Puntos de Deming (1-7)
1. Reconocer importancia de datos…
2. Adoptar la nueva filosofía…
3. Terminar con la corrección de errores…
4. Dejar de hacer negocios por precio…
5. Mejorar continuamente…
6. Educar permanentemente…
7. No sólo volumen…
31
UA
S C
arlo
s L
ópez
Váz
quez
Los 14 Puntos de Deming (8-14)
8. Alejar el miedo…
9. Romper barreras entre organizaciones…
10. Plantear objetivos alcanzables …
11. Eliminar metas de producción…
12. Eliminar barreras al mérito…
13. Entrenar permanentemente…
14. Crear una estructura…
32
UA
S C
arlo
s L
ópez
Váz
quez
Tópicos a considerar
✔ Introducción
✔ Un modelo para cambios exitosos
✔ Comenzando
✔ Creciendo
✔ Incorporándose a la rutina
■ El rol de/los gerentes
■ Resumen
33
UA
S C
arlo
s L
ópez
Váz
quez
¿… a pesar del gerente?
■ Podría hacerse…– Con mandos medios– Con líderes fuertes– Con muchos fracasos…
■ El CEO es imprescindible– Para disminuir fracasos– Para institucionalizar cambios– Para pasar del prototipo
34
UA
S C
arlo
s L
ópez
Váz
quez
Tópicos a considerar
✔ Introducción
✔ Un modelo para cambios exitosos
✔ Comenzando
✔ Creciendo
✔ Incorporándose a la rutina
✔ El rol de/los gerentes
■ Resumen
35
UA
S C
arlo
s L
ópez
Váz
quez
Resumen
■ Si fuera fácil…
■ Pasos pequeños…
■ Reconocer resistencias…
■ Promover 14 Puntos…
■ Las ganancias…
■ DQ no puede ser delegada…
■ El CEO es fundamental…
36
UA
S C
arlo
s L
ópez
Váz
quez
Gestión de Calidad de Datos
Carlos Ló[email protected]
Universitario Autónomo del Universitario Autónomo del Sur Sur -- 20052005
Cómo arrancar
Viene de:
Política de Calidad de Datos
Continúa con:
Manejo de Cadenas de Información
1
UA
S C
arlo
s L
ópez
Váz
quez
Gestión de Calidad de Datos
Carlos Ló[email protected]
Universitario Autónomo del Universitario Autónomo del Sur Sur -- 20052005
Manejo de Cadenas de Información
Viene de:
Cómo arrancar
Continúa con:
Métodos de Control Estadístico
2
UA
S C
arlo
s L
ópez
Váz
quez
Tópicos a considerar
■ Introducción
■ El Ciclo de Gestión de Procesos1. Fijando un Propietario
2. Descripción del Proceso y Necesidades
3. El Sistema de Medición
4. Control Estadístico
5. Oportunidades de Mejora
6. Seleccionando Oportunidades
7. Ejecutar y Sostener mejoras
■ Resumen3
UA
S C
arlo
s L
ópez
Váz
quez
Gestión jerárquica
Presidente
Marketing Investigación Producción Ventas
■ “Escala” bien
■ Es posible ubicar especialistas en cada área
■ Problemas: – ¿dónde está el cliente?
– Gestión es vertical, pero Servicio ¡es horizontal!
4
UA
S C
arlo
s L
ópez
Váz
quez
Gestión orientada a procesos
■ Ubicación Jerárquica no es relevante
■ Es compatible con la Estructura… ¡en principio!
■ Aporte sustancial: vincula actores con el cliente
¡Apareció el cliente!
5
UA
S C
arlo
s L
ópez
Váz
quez
¿Procesos vs. Jerarquías? ¡No!
■ Requieren habilidades similares– Jefe contento !"Éxito personal
– Cliente contento!"Éxito personal
– Problema: ¡Hay más clientes que jefes!
■ Se siguen necesitando especialistas
■ Reportes se siguen generando verticalmente
■ Gestión es simplemente más compleja
6
UA
S C
arlo
s L
ópez
Váz
quez
Otro ejemplo: Limpieza de BD
■ Ej.: Nombre y dirección de clientes■ Dos alternativas:
– Detección + corrección» Armar equipo de gente» Llamar telefónicamente a cada cliente» Corregir los errores
– Control y Mejora de Proceso» Identificar los procesos que pueden editar la BD» Ponerlos bajo Control Estadístico» Comparar Calidad de datos nuevos, y modificar
Procesos deficientes así identificados
7
UA
S C
arlo
s L
ópez
Váz
quez
Resultados esperables
T ie m po
Niv
eles
de
erro
r
De te ccio n + c or re cc io nCo ntro l y M e jo ra d e P roce so
8
UA
S C
arlo
s L
ópez
Váz
quez
¿Bombero vs. Procesos? ¡No!
■ Corto plazo puede justificarse■ Largo plazo es imprescindible
– Menor costo– Más foco en tareas que aportan valor– Clientes satisfechos
■ ¡El mejor bombero es el que no se precisa!
■ Manejar Procesos es simplemente más difícil
9
UA
S C
arlo
s L
ópez
Váz
quez
Tópicos a considerar
✔ Introducción
■ El Ciclo de Gestión de Procesos1. Fijando un Propietario
2. Descripción del Proceso y Necesidades
3. El Sistema de Medición
4. Control Estadístico
5. Oportunidades de Mejora
6. Seleccionando Oportunidades
7. Ejecutar y Sostener mejoras
■ Resumen
10
UA
S C
arlo
s L
ópez
Váz
quez
El Ciclo de Gestión de Procesos
Establecer un Propietario del Proceso
Establecer Sistema de Medición
Instalar SQC; verificar Conformidad
Identificar Oportunidades de Mejora
Seleccionar Oportunidades
Hacer y Sostener las Mejoras
Describir el Proceso Establecer Necesidades
del Cliente
11
UA
S C
arlo
s L
ópez
Váz
quez
Antes de entrar en tema…
■ Manejo de procesos es Todo o Nada– La Jerarquía debe jugarse– El resto debe percibirlo
■ No se logra de un día para el otro– Hay experiencia en manufactura– Mejor comenzar de a poco
» Problemas pequeños» Personas receptivas
■ Mayor peso en mandos medios– ¡Paciencia y persistencia!
12
UA
S C
arlo
s L
ópez
Váz
quez
Un Propietario y un Equipo
■ Propietario >> Administrador
■ + responsabilidad, +involucramiento
■ Propietario debería ser real, no declarado
■ Propietario debe tener poder y recursos para cambiar
■ Debe tener apoyo claro y explícito de arriba
13
UA
S C
arlo
s L
ópez
Váz
quez
El Equipo
■ Compuesto por miembros de áreas relevantes– Pasos siguientes se completan
– Un proceso no mejora en desmedro de otro
– Se derriban barreras
– Dan apoyo al Propietario
■ Los equipos suelen ser fundamentales– Cadenas largas y complejas
– Descentralización física y lógica
– Una persona puede verse superada
14
UA
S C
arlo
s L
ópez
Váz
quez
El Equipo
■ Una jerarquía militar– La mayor parte del tiempo no pasa nada
– Cuando hay que decidir, el jefe está solo
– Los demás acatan; estén de acuerdo o no
■ El Equipo es a veces el Propietario– Podría funcionar
– Típicamente se diluyen responsabilidades
– Difícil tomar decisiones difíciles
15
UA
S C
arlo
s L
ópez
Váz
quez
Otros aspectos
– Cambio amenaza gente– Cambio amenaza sus trabajos– Cambio amenaza su autoestima
■ Debe asegurarse que– se entienda quiénes son los clientes– se entienda qué es lo que quieren– se les escuche
■ Todos roles muy importantes
■ El Propietario debe lidiar con el miedo
16
UA
S C
arlo
s L
ópez
Váz
quez
Tópicos a considerar
✔ Introducción
✔ El Ciclo de Gestión de Procesos1. Fijando un Propietario
2. Descripción del Proceso y Necesidades
3. El Sistema de Medición
4. Control Estadístico
5. Oportunidades de Mejora
6. Seleccionando Oportunidades
7. Ejecutar y Sostener mejoras
■ Resumen17
UA
S C
arlo
s L
ópez
Váz
quez
El Ciclo de Gestión de Procesos
Establecer un Propietario del Proceso
Describir el Proceso Establecer Necesidades
del Cliente
Establecer Sistema de Medición
Identificar Oportunidades de Mejora
Instalar SQC; verificar Conformidad
Seleccionar Oportunidades
Hacer y Sostener las Mejoras
18
UA
S C
arlo
s L
ópez
Váz
quez
La primer tarea…
■ Quienes son los clientes
■ Qué quieren
■ Qué debería producir la Cadena
■ Qué está produciendo
■ Producir cuatro entregables:
Requerimientos de los Clientes
para toda la Cadena
Descripción cualitativa de la Cadena, incluyendo procesos y subprocesos así como sus
relaciones
Una traducción entre Requerimientos y
Especificaciones técnicas para los procesos
Algún medio de comunicación para informar a la gente los
requerimientos, y su rol personal en el cumplimiento de los mismos
19
UA
S C
arlo
s L
ópez
Váz
quez
Tres modelos posibles
■ Modelo Cliente-Servidor
■ Diagrama de Flujo
■ FIP (Functions of Information Processing)
■ Pueden coexistir; suelen producirse las tres
■ Propósitos levemente diferentes
20
UA
S C
arlo
s L
ópez
Váz
quez
Tres modelos…
Modelo Foco Propósito
Cliente-ServidorExterno a
los procesos
1. Identificar clientes2. Identificar requerimientos3. Identificar Servidores4. Identificar requerimientos
1. Mostrar entradas y salidas 2. Mostrar dónde se agrega
valor
1. Mostrar cómo se desarrolla la información/datos
Diagrama de Flujo
FIP
Procesos con Valor Agregado
Interno a los procesos
21
UA
S C
arlo
s L
ópez
Váz
quez
Un ejemplo pequeño
Cajero ClienteRegistros contables
Pedido
- Información actualizada
-Efectivo-Actualización de saldo correcta y rápida-Corta espera
Pedido
22
UA
S C
arlo
s L
ópez
Váz
quez
Un ejemplo pequeño(2): FIP
Cola ####Cliente espera por cajero libre
Pedido ####Cliente se coloca frente a la ventana del cajero
Comunica ####Cliente le da cheque al cajero y deposita el sobre
Revisa ####Cajero revisa y valida cheque y sobre
Asocia ####Cajero revisa estado de cuenta
Comunica####Cajero entrega dinero en efectivo
$ComunicaCajero ingresa transacción en la terminal
$ColaEspera respuesta del servidor
$FiltroCuenta corriente es actualizada
$ColaFinInformación actualizada es efectivamente guardada
23
UA
S C
arlo
s L
ópez
Váz
quez
Tópicos a considerar
✔ Introducción
✔ El Ciclo de Gestión de Procesos1. Fijando un Propietario
2. Descripción del Proceso y Necesidades
3. El Sistema de Medición
4. Control Estadístico
5. Oportunidades de Mejora
6. Seleccionando Oportunidades
7. Ejecutar y Sostener mejoras
■ Resumen24
UA
S C
arlo
s L
ópez
Váz
quez
El Ciclo de Gestión de Procesos
Establecer un Propietario del Proceso
Describir el Proceso Establecer Necesidades
del Cliente
Establecer Sistema de Medición
Identificar Oportunidades de Mejora
Instalar SQC; verificar Conformidad
Seleccionar Oportunidades
Hacer y Sostener las Mejoras
25
UA
S C
arlo
s L
ópez
Váz
quez
El Sistema de Medición
■ Hay que saber objetivamente" Requiere medir■ Intuición+Anécdotas no es lo mismo■ Opinión del cliente es lo relevante■ El Sistema de Medición:
– Informa a los responsables de la Cadena– Informa a los responsables de Procesos– Da alarmas sobre problemas inesperados– Da base para el Control Estadístico
■ Querer no es poder; lograr esto es difícil■ Será abordado en detalle más adelante
26
UA
S C
arlo
s L
ópez
Váz
quez
Tópicos a considerar
✔ Introducción
✔ El Ciclo de Gestión de Procesos1. Fijando un Propietario
2. Descripción del Proceso y Necesidades
3. El Sistema de Medición
4. Control Estadístico
5. Oportunidades de Mejora
6. Seleccionando Oportunidades
7. Ejecutar y Sostener mejoras
■ Resumen27
UA
S C
arlo
s L
ópez
Váz
quez
El Ciclo de Gestión de Procesos
Establecer un Propietario del Proceso
Describir el Proceso Establecer Necesidades
del Cliente
Establecer Sistema de Medición
Identificar Oportunidades de Mejora
Instalar SQC; verificar Conformidad
Seleccionar Oportunidades
Hacer y Sostener las Mejoras
28
UA
S C
arlo
s L
ópez
Váz
quez
Instalar SQC
■ Poder predecir desempeño futuro
■ Tres casos: – Proceso fuera de control
– Proceso bajo control, sin cumplir requerimientos
– Proceso bajo control, cumpliendo requerimientos
S
NMedir
S
NMejorar proceso
Mantener control
¿Adecuado?
Eliminar causas asignables¿Estable?
29
UA
S C
arlo
s L
ópez
Váz
quez
Tópicos a considerar
✔ Introducción
✔ El Ciclo de Gestión de Procesos1. Fijando un Propietario
2. Descripción del Proceso y Necesidades
3. El Sistema de Medición
4. Control Estadístico
5. Oportunidades de Mejora
6. Seleccionando Oportunidades
7. Ejecutar y Sostener mejoras
■ Resumen30
UA
S C
arlo
s L
ópez
Váz
quez
El Ciclo de Gestión de Procesos
Establecer un Propietario del Proceso
Describir el Proceso Establecer Necesidades
del Cliente
Establecer Sistema de Medición
Identificar Oportunidades de Mejora
Instalar SQC; verificar Conformidad
Seleccionar Oportunidades
Hacer y Sostener las Mejoras
31
UA
S C
arlo
s L
ópez
Váz
quez
Identificar oportunidades…
■ Oportunidades surgen muchas…
■ Hay que priorizar– Recursos escasos
– Mejoras en una parte pueden afectar a otra
– Perspectiva de conjunto
■ Haga una primer lista (que será parcial)
32
UA
S C
arlo
s L
ópez
Váz
quez
La lista completa debe considerar:
■ Requerimientos del cliente
■ Valor agregado por proceso
■ Qué está bajo control, sin cumplir requerimientos
■ Localización de interfaces
■ Nuevos procedimientos
33
UA
S C
arlo
s L
ópez
Váz
quez
Tópicos a considerar
✔ Introducción
✔ El Ciclo de Gestión de Procesos1. Fijando un Propietario
2. Descripción del Proceso y Necesidades
3. El Sistema de Medición
4. Control Estadístico
5. Oportunidades de Mejora
6. Seleccionando Oportunidades
7. Ejecutar y Sostener mejoras
■ Resumen
34
UA
S C
arlo
s L
ópez
Váz
quez
El Ciclo de Gestión de Procesos
Establecer un Propietario del Proceso
Describir el Proceso Establecer Necesidades
del Cliente
Establecer Sistema de Medición
Identificar Oportunidades de Mejora
Instalar SQC; verificar Conformidad
Seleccionar Oportunidades
Hacer y Sostener las Mejoras
35
UA
S C
arlo
s L
ópez
Váz
quez
Seleccionar Oportunidades…
■ Proyectos: pocos pero buenos…
■ Comenzar con chicos– Ganar experiencia
– Ganar confianza
– Crear éxitos■ No postergar mucho los grandes
– Los éxitos retroalimentan…– Involucrar más gente…
■ Plantearse objetivos cuantificables– Saltos o saltitos– ¡Negociar! 36
UA
S C
arlo
s L
ópez
Váz
quez
Tópicos a considerar
✔ Introducción
✔ El Ciclo de Gestión de Procesos1. Fijando un Propietario
2. Descripción del Proceso y Necesidades
3. El Sistema de Medición
4. Control Estadístico
5. Oportunidades de Mejora
6. Seleccionando Oportunidades
7. Ejecutar y Sostener mejoras
■ Resumen
37
UA
S C
arlo
s L
ópez
Váz
quez
El Ciclo de Gestión de Procesos
Establecer un Propietario del Proceso
Describir el Proceso Establecer Necesidades
del Cliente
Establecer Sistema de Medición
Identificar Oportunidades de Mejora
Instalar SQC; verificar Conformidad
Seleccionar Oportunidades
Hacer y Sostener las Mejoras
38
UA
S C
arlo
s L
ópez
Váz
quez
Hacer…
■ Al Equipo a cargo de las mejoras hay que:– Organizarlo
– Proveerlo (gente, capital, entrenamiento)
– Asignarle misión
– Controlarlo y respaldarlo
– Felicitarlo … ¡y recompensarlo!
■ Hay algunas Reglas para dentro del Equipo:
■ Divertido,… pero ¡hay que tener orden!
39
UA
S C
arlo
s L
ópez
Váz
quez
Algunas Reglas
■ Organícense como Equipo
■ Definir las causas principales
■ Concebir e Intentar soluciones
■ Implementar soluciones
■ Mantener foco
■ Prever cómo preservar las mejoras
40
UA
S C
arlo
s L
ópez
Váz
quez
Gestión de Calidad de Datos
Carlos Ló[email protected]
Universitario Autónomo del Universitario Autónomo del Sur Sur -- 20052005
Manejo de Cadenas de Información
Viene de:
Cómo Arrancar
Continúa con:
Métodos de Control Estadístico
1
UA
S C
arlo
s L
ópez
Váz
quez
Gestión de Calidad de Datos
Carlos Ló[email protected]
Universitario Autónomo del SurUniversitario Autónomo del Sur
Métodos de Control Estadístico
Viene de:
Manejo de Cadenas de Información
Continúa con:
Monitoreo y seguimiento
2
UA
S C
arlo
s L
ópez
Váz
quez
Tópicos a considerar
■ Introducción
■ Variabilidad del proceso
■ Estabilidad del proceso
■ Límites de control: – Teoría y métodos
– Fórmulas
■ Resumen
3
UA
S C
arlo
s L
ópez
Váz
quez
Introducción
■ “…Si no puede medirse…”
■ Medir !"Controlar
■ SQC– Shewhart, 1920
– Producción en serie
– Ideas consolidadas en los ’30 y ’40
■ Corriente para manufacturas y tangibles
■ Aplicable para intangibles
4
UA
S C
arlo
s L
ópez
Váz
quez
Propósito del SQC
■ Definición:– Predecir el comportamiento futuro del proceso
■ Algunas características– Orientado al futuro– Usa datos pasados y actuales– No es lo mismo que auditoría
■ ¿Qué tipo de predicción?– “…si no pasa nada nuevo, todo seguirá igual…”– “…busque bien, porque algo ha pasado…”
5
UA
S C
arlo
s L
ópez
Váz
quez
Tópicos a considerar
✓ Introducción
■ Variabilidad del proceso
■ Estabilidad del proceso
■ Límites de control: – Teoría y métodos
– Fórmulas
■ Resumen
6
UA
S C
arlo
s L
ópez
Váz
quez
Predicciones…
0 5 10 15 20 25 30 35 40 45 5015
20
25
30
35
Tie
mpo
en
min
utos
Casos
0 5 10 15 20 25 30 35 40 45 5015
20
25
30
35
40
45
Tiem
po e
n m
inut
os
Casos
■ Proceso Bajo Control
■ Se puede observar:– Una línea media
– Un rango estable
"Hay previsibilidad en el rango
7
UA
S C
arlo
s L
ópez
Váz
quez
Predicciones…
0 5 10 15 20 25 30 35 40 45 5015
20
25
30
35
40
45
Tie
mpo
en
min
utos
Casos
0 10 20 30 40 50 60 70 8015
20
25
30
35
40
45
Proceso Fuera de Control
■ Se puede observar:– Una accidente
– Anomalías
"Hay que buscar una Causa asignable
8
UA
S C
arlo
s L
ópez
Váz
quez
Predicciones…
Otro ejemplo:
■ La tendencia no cambió, pero sí el rango
0 10 20 30 40 50 60 70 8015
20
25
30
35
40
45
Tiem
po e
n m
inut
os
Casos
9
UA
S C
arlo
s L
ópez
Váz
quez
Tópicos a considerar
✓ Introducción
✓ Variabilidad del proceso
■ Estabilidad del proceso
■ Límites de control: – Teoría y métodos
– Fórmulas
■ Resumen
10
UA
S C
arlo
s L
ópez
Váz
quez
¿Cómo es un proceso estable?
■ Proceso estable!"parámetros “estables”
■ Parámetros estadísticos– Media
– Mediana
– Desviación estándar
– Rango
– Quintiles
– Otros…
11
UA
S C
arlo
s L
ópez
Váz
quez
¿Cómo es un proceso estable?
Dos casos estables, con la misma media pero diferente rango
0 10 20 30 40 50 60 70 80
20
25
30
Caso A
Tie
mpo
en
min
utos
0 10 20 30 40 50 60 70 80
15
20
25
30
35
Tie
mpo
en
min
utos
Caso B
12
UA
S C
arlo
s L
ópez
Váz
quez
¿Cómo es un proceso estable?
Tiene la misma media, pero…
0 10 20 30 40 50 60 70 80
10
15
20
25
30
35
Caso C
Tie
mpo
en
min
uto
s
0 10 20 30 40 50 60 70 800
5
10
15
20
25
30
35
40
45
Caso D
Tie
mpo
en
min
utos
13
UA
S C
arlo
s L
ópez
Váz
quez
En resumen…
■ Primer problema: medir■ Segundo problema: decidir si el proceso es
estable (está bajo control) o no■ Tercer problema: qué hacer en cada caso
– Corregir Causas Asignables– Mejorar el Proceso
Todo puede esquematizarse…
14
UA
S C
arlo
s L
ópez
Váz
quez
Un diagrama de flujo
Medir ¿Estable?Eliminar Causas
Asignables
¿Desempeño adecuado?
Mejorar el Proceso
Mantener Control
S
N
N
S
15
UA
S C
arlo
s L
ópez
Váz
quez
Tópicos a considerar
✓ Introducción
✓ Variabilidad del proceso
✓ Estabilidad del proceso
■ Cartas de control: – Teoría y métodos
– Fórmulas
■ Resumen
16
UA
S C
arlo
s L
ópez
Váz
quez
-5 -4 -3 -2 -1 1 2 3 4 5
σ σ σ σ σσσσσσ media-5 -4 -3 -2 -1 1 2 3 4 5
68.26%
σ σ σ σ σσσσσσ media-5 -4 -3 -2 -1 1 2 3 4 5
68.26%
99.73%
σ σ σ σ σσσσσσ media
Cartas de Control
■ Se basa en trabajos de la década de 1920-1930
■ Sólo estadística básica… ¡o todo lo compleja que se quiera!
■ Recordemos algo de la distribución Normal…
17
UA
S C
arlo
s L
ópez
Váz
quez
Teoría
Dados γt , t=1,2,…,k-1
■ SI γt es aleatoria y SI γ ~N(µ,σ)
entonces γt , t=k+1,k+2,… será aleatoria
■ “Aleatorio” "difícil de probar
■ “No Aleatorio”" criterios– Tres sigmas
– Rachas
18
UA
S C
arlo
s L
ópez
Váz
quez
Tres sigmas: algunas fórmulas…
■ n>25
■ Fórmulas básicas
■ Hay casos especiales, con fórmulas idem
( )n
pppLCL
−−≈ 13( )
n
pppUCL
−+≈ 13
pCL ≈
∑=
=
=≈ni
iip
np
1µ ( )n
pp −≈ 1σ
19
UA
S C
arlo
s L
ópez
Váz
quez
3σ: Casos corrientes y especiales
■ una magnitud directamente asociada a una observación (ej.: tiempo de viaje)
■ el promedio de una magnitud en un lote de N unidades (N>2).
■ el número total de fallas observado en un lote de N unidades
■ la proporción de defectuosos en un lote de N unidades. Sólo hay unidades buenas o malas.
pt (o γt) pueden ser:
20
UA
S C
arlo
s L
ópez
Váz
quez
Control de Rachas
CL
UCL
LCL
2σ
2σ
1σ
1σ8 consecutivos por debajo de CL
8 consecutivos por encima de CL
4 de 5 por debajo de CL-1σ
4 de 5 por encima de CL+1σ
2 de 3 por debajo de CL-2σ
2 de 3 por encima de CL+2σ
Alguno por debajo de CL-3σ
Alguno por encima de CL+3σ
21
UA
S C
arlo
s L
ópez
Váz
quez
Tópicos a considerar
✓ Introducción
✓ Variabilidad del proceso
✓ Estabilidad del proceso
✓ Cartas de control: – Teoría y métodos
– Fórmulas
■ Resumen
22
UA
S C
arlo
s L
ópez
Váz
quez
En resumen:
■ Hay lógica detrás de SQC (¡y teoría!)
■ SQC define Estabilidad del proceso y da: – Condiciones
– Predicciones
■ SQC ayuda a detectar problemas
23
UA
S C
arlo
s L
ópez
Váz
quez
Gestión de Calidad de Datos
Carlos Ló[email protected]
Universitario Autónomo del SurUniversitario Autónomo del Sur
Métodos de Control Estadístico
Viene de:
Manejo de Cadenas de Información
Continúa con:
Monitoreo y seguimiento
1
UA
S C
arlo
s L
ópez
Váz
quez
Gestión de Calidad de Datos
Carlos Ló[email protected]
Universitario Autónomo del Universitario Autónomo del Sur Sur -- 20052005
Monitoreo, seguimiento y mejora del proceso
Viene de:
Métodos de Control Estadístico
2
UA
S C
arlo
s L
ópez
Váz
quez
El Ciclo de Gestión de Procesos
Establecer un Propietario del Proceso
Describir el Proceso Establecer Necesidades
del Cliente
Establecer Sistema de Medición
Identificar Oportunidades de Mejora
Instalar SQC; verificar Conformidad
Seleccionar Oportunidades
Hacer y Sostener las Mejoras
3
UA
S C
arlo
s L
ópez
Váz
quez
Tópicos a considerar
■ Introducción
■ Sistemas de Medición
■ ¿Qué medir?
■ Data Tracking
■ Implementación
■ Resumen
4
UA
S C
arlo
s L
ópez
Váz
quez
Introducción
■ Hay varias maneras de medir desempeño– Conteo de datos erróneos
» Reglas de Negocio no cumplidas» Seguimiento de Datos (Data tracking)» Ingreso duplicado
– Tamaño de datos erróneos» Efecto Godzilla
– Efecto de datos erróneos» Número de Quejas de Clientes
5
UA
S C
arlo
s L
ópez
Váz
quez
Reglas del Negocio
■ Def: Relaciones que tienen que cumplir los datos válidos– Sustanciales: Fecha Nacimiento < Fecha
Casamiento
– Formales: Nro. Hijos ≥0
■ Surgen de:– Expertos en el tema– Análisis estadístico de datos
Son esencialmente especificaciones de
los datos6
UA
S C
arlo
s L
ópez
Váz
quez
Reglas de Expertos
■ Son personales
■ Son incompletas
■ Son de difícil actualización (¡Hay que matar al experto!)
■ ¡No requieren datos!
■ Suelen redundar
■ Hay software específico
7
UA
S C
arlo
s L
ópez
Váz
quez
Análisis Estadístico
■ Hoy conocido como “Minería de Datos”
■ Busca relaciones predictivas empíricas– No verificadas!"¿erróneos?
■ Busca describir clases– No clasificados!"¿erróneos?
■ Registros individuales "conclusiones globales
100100101001001100 8
UA
S C
arlo
s L
ópez
Váz
quez
Modelos predictivos
■ Modelos de regresión– Vol. Compra=f(ingreso, edad, nro. de hijos)
■ Típicamente vinculan datos cuantitativos■ Se analiza y=|Compra-f(x)|
– Si y<=y0 #ok– Si y>y0#¡sospechoso!
■ Para corregir se requiere acceso al “verdadero valor”
9
UA
S C
arlo
s L
ópez
Váz
quez
Clasificación
■ Buscan patrones en los datos– Cerveza+pañales+pizza– Perfume+bombones-leña
– Mañana de domingo+chorizos
■ Vinculan datos categóricos y cuantitativos
■ Si alguien compra Leña y Perfume …
■ Para corregir se requiere acceso al “verdadero valor”
10
UA
S C
arlo
s L
ópez
Váz
quez
Tópicos a considerar
✔ Introducción
■ Sistemas de Medición
■ ¿Qué medir?
■ Data Tracking
■ Implementación
■ Resumen
11
UA
S C
arlo
s L
ópez
Váz
quez
Sistemas de Medición
■ Tema muy importante
■ Las Métricas definen el comportamiento
■ Peligros– Métricas inapropiadas
– Administrar Métricas y no el proceso
■ Ejemplos
12
UA
S C
arlo
s L
ópez
Váz
quez
El caso de la Industria siderúrgica
■ Produce chapas, perfiles, varillas, etc. en serie
■ Objetivo: producción bruta en Ton/mes
■ Cambios ~8 hs.
■ Grandes stocks
■ Demora en cumplir pedidos
Resultado:
Ton/mes cumplidas, y clientes insatisfechos
13
UA
S C
arlo
s L
ópez
Váz
quez
Administrar la métrica
■ VW nombra CEO español
■ Año 1: récord de ganancias
■ Año 2: récord de ganancias
■ Año 3: ¡CEO despedido!
■ Corto plazo vs. Largo plazo
14
UA
S C
arlo
s L
ópez
Váz
quez
Medir vs. no Medir
■ Lo esencial es invisible a los ojos
■ Medir mal es peligroso
15
UA
S C
arlo
s L
ópez
Váz
quez
Cadenas de información
Cuentan con cuatro componentes:
■ Requerimientos de Desempeño
■ Definición de “qué medir”
■ Dispositivo de medida y protocolos
■ Resúmenes de Desempeño
■ Serán los tópicos a tratar
16
UA
S C
arlo
s L
ópez
Váz
quez
En general…
■ Mejor poco y bueno, que mucho y malo…
■ +medidas"+complejidad"+difícil y caro
■ Sinergias
Medidas Ideas y oportunidades
Más tecnología
Más
17
UA
S C
arlo
s L
ópez
Váz
quez
En lo que sigue…
■ Se discutirán las cuatro componentes■ Se trabajará un ejemplo simple
– 5 procesos– 2 bases de datos
■ Objetivos a medir/mejorar/controlar:– Correctitud datos en DB A– Consistencia entre DB A y DB B– Tiempo para llegar a DB A
18
UA
S C
arlo
s L
ópez
Váz
quez
Esquema del ejemplo
19
UA
S C
arlo
s L
ópez
Váz
quez
Descripción del Ejemplo
campo 1 2 3 4 5 DB A DB B
a c ✔ ✔ ✔ ✔ ✔ ✔
b c ✔ ✔ ✔ ✔ ✔ ✔
c c ✔ ✔ ✔ ✔ ✔
d c ✔ ✔ ✔ ✔ ✔
e c ✔ ✔ ✔ ✔
f c ✔
g c c ✔ ✔
h c ✔
Proceso
20
UA
S C
arlo
s L
ópez
Váz
quez
Cadenas de información
■ Requerimientos de Desempeño
■ Definición de “qué medir”
■ Dispositivo de medida y protocolos
■ Resúmenes de Desempeño
21
UA
S C
arlo
s L
ópez
Váz
quez
Requerimientos de Desempeño
Diseño del SM debe admitir cosas del tipo de “La cadena debe”. Por ejemplo:
■ estar y mantenerse bajo Control
■ producir no más de <x> defectos
■ ser susceptible de mejora continua
■ ser susceptible de cumplir requerimientos futuros
22
UA
S C
arlo
s L
ópez
Váz
quez
Tópicos a considerar
✔ Introducción
✔ Sistemas de Medición
■ ¿Qué medir?
■ Data Tracking
■ Implementación
■ Resumen
23
UA
S C
arlo
s L
ópez
Váz
quez
¿Qué medir?
■ Cadenas suelen ser complejas– Muchos campos
– Muchos cruces de cadenas
■ Desafíos– Qué procesos medir
– Qué campos incluir
– Qué números son relevantes
24
UA
S C
arlo
s L
ópez
Váz
quez
“Dispositivo” de medida
■ Contraste con “la realidad”
■ Data tracking– Más apropiado para datos
– Más barato
– Implementable en el sistema
– Muestreo
– Encuesta
■ Digitación duplicada– “Database Bashing”
$ Ejércitos de digitadores
$ Pérdida de tiempo
$ Imagen empresa
$ ¡Costo!
25
UA
S C
arlo
s L
ópez
Váz
quez
Método tradicional
Producto final
26
UA
S C
arlo
s L
ópez
Váz
quez
Para datos…
■ Métricas pueden ser:– Binarias: Correcto/incorrecto– Cuantitativas
■ Difícil declarar “Incorrecto” – Sólo si no cumple reglas– Sólo si hay errores de formato
■ Más difícil declarar “Correcto”■ Difícil acceso al “verdadero valor”
27
UA
S C
arlo
s L
ópez
Váz
quez
Tópicos a considerar
✔ Introducción
✔ Sistemas de Medición
✔ ¿Qué medir?
■ Data Tracking
■ Implementación
■ Resumen
28
UA
S C
arlo
s L
ópez
Váz
quez
Data Tracking
■ Se marcan datos
■ Se analizan cambios
■ Se guarda fecha/hora29
UA
S C
arlo
s L
ópez
Váz
quez
Los pasos claves son…
■ Muestrear al azar a la entrada, y marcar
■ Seguir los registros marcados– Al entrar a un proceso
– Al salir del proceso
■ Identificar dónde ocurren defectos/errores
■ Identificar demoras
■ Generar resúmenes cada tanto
30
UA
S C
arlo
s L
ópez
Váz
quez
Muestrear al azar
■ Aplicable a cadenas “continuas” o por lotes
■ Eliminan sesgos:– Pedidos consecutivos correlacionados
– Preferencia del inspector por pedidos “grandes”
■ Procedimientos bien estudiados– Descritos en Manuales
– Especificados en Estándares (MIL Std.)
31
UA
S C
arlo
s L
ópez
Váz
quez
■ r=1#100% del total; r=0 #no muestrear
■ Otros requerimientos:– Tamaño del lote
– Frecuencia de muestreo
– Tasa de ingreso al sistema
Muestrear al azar(2)
– Generar al azar
– Si aceptar el registro; si no, rechazarlo
[ ]1,0∈ix
rxi ≤
1
1
Pasos:
■ Especificar r
■ Para cada registro:
32
UA
S C
arlo
s L
ópez
Váz
quez
Seguir los registros marcados
■ Usar un identificador único ya existente– No requiere cambio del modelo de datos
■ Agregar una etiqueta específica– Hay que modificar modelo
■ Invisibilidad…
■ Ejemplo:
33
UA
S C
arlo
s L
ópez
Váz
quez
Ejemplo
1 2 3 4 5 DB A DB Ba -DHBC- -DHBC- -DHBC- -DHBC- -DHBC- -DHBC- -DHBC-
b 408727 408727 408831 408831 408831 408831 408831
c SRBEX A A A A A
d DEC DEC DEC DEC DEC
e H23A F17B H23A F17B H23A
f $23.25 $23.25
g N Y N Y
h bf bf
Ingreso 2/24 10:00 2/24 12:15 3/1 12:00 3/5 08:00 3/10 08:00 3/6 0:13 3/12 0:30
Salida 2/24 10:45 2/24 17:00 3/2 12:00 3/5 10:15 3/10 17:00
Esperado 2/24 17:00 3/1 17:00 3/5 17:00 3/9 17:00 3/6 8:00 3/10 8:00
34
UA
S C
arlo
s L
ópez
Váz
quez
Tres tipos de cambios
■ Normalización
■ Traducción
■ Espúreos– Corrección de errores
– Creación de errores
35
UA
S C
arlo
s L
ópez
Váz
quez
Ejemplo
1 2 3 4 5 DB A DB Ba -DHBC- -DHBC- -DHBC- -DHBC- -DHBC- -DHBC- -DHBC-
b 408727 408727 408831 408831 408831 408831 408831
c SRBEX A A A A A
d DEC DEC DEC DEC DEC
e H23A F17B H23A F17B H23A
f $23.25 $23.25
g N Y N Y
h bf bf
Ingreso 2/24 10:00 2/24 12:15 3/1 12:00 3/5 08:00 3/10 08:00 3/6 0:13 3/12 0:30
Salida 2/24 10:45 2/24 17:00 3/2 12:00 3/5 10:15 3/10 17:00
Esperado 2/24 17:00 3/1 17:00 3/5 17:00 3/9 17:00 3/6 8:00 3/10 8:0036
UA
S C
arlo
s L
ópez
Váz
quez
Tiempos de ciclos
■ Tres tipos de análisis– Tiempo de proceso (Ci-Si)
– Puntualidad (Ci-Di)
– Tiempo en cola (Si-Ci-1)
Siendo:Si fecha/hora de comienzo del proceso i
Ci fecha/hora de culminación del proceso i
Di fecha/hora comprometida del proceso i
37
UA
S C
arlo
s L
ópez
Váz
quez
Ejemplo
1 2 3 4 5 DB A DB Ba -DHBC- -DHBC- -DHBC- -DHBC- -DHBC- -DHBC- -DHBC-
b 408727 408727 408831 408831 408831 408831 408831
c SRBEX A A A A A
d DEC DEC DEC DEC DEC
e H23A F17B H23A F17B H23A
f $23.25 $23.25
g N Y N Y
h bf bf
Ingreso 2/24 10:00 2/24 12:15 3/1 12:00 3/5 08:00 3/10 08:00 3/6 0:13 3/12 0:30
Salida 2/24 10:45 2/24 17:00 3/2 12:00 3/5 10:15 3/10 17:00
Esperado 2/24 17:00 3/1 17:00 3/5 17:00 3/9 17:00 3/6 8:00 3/10 8:0038
UA
S C
arlo
s L
ópez
Váz
quez
0 2 4 6 8 10 12 14 16 18 20
Cam
bios
por
reg
istr
o
Nro. de muestra
EspúreosNormalizaciónTraducción
Resumir resultados
■ Para Correctitud y Consistencia
■ Tres niveles:– Métrica
– Dónde
– Control
Un ejemplo de Métrica
■ Situación conocida
■ Quizá poco preocupante
■ Quizá legada
■ ¡Seguro que no aporta valor! 39
UA
S C
arlo
s L
ópez
Váz
quez
b e d g a c0
5
10
15
20
25
30
35
40
45
50
Campo
Pro
porc
ión
de c
aso
s)
0%
10%
20%
30%
40%
50%
60%
70%
80%
90%
100%
Los casos graves…
¿Qué es un gráfico de Pareto?
40
UA
S C
arlo
s L
ópez
Váz
quez
Otras gráficas útiles/posibles
■ Rastreando el campo “b”
3->4 4->DB A 2->3 1->2 In->1 0
5
10
15
20
25
30
35
40
45
50
0%
10%
20%
30%
40%
50%
60%
70%
80%
90%
100%
■ Puede usarse más de una representación
41
UA
S C
arlo
s L
ópez
Váz
quez
2 4 6 8 10 12 14 16 18 20 220
0.05
0.1
0.15
0.2
0.25
0.3
0.35
0.4
Pro
porc
ion
de d
efec
tos
Muestra
UCL
CL
LCL
Para el control…
■ Dado el campo “b”, y el proceso “3”…
■ Hay puntos fuera de rango
■ Deben buscarse las causas 42
UA
S C
arlo
s L
ópez
Váz
quez
Algunos detalles…
■ Las muestras pueden demorar más o menos– La secuencia de entrada difiere de la de salida
■ Sólo incluir muestras ya completas
43
UA
S C
arlo
s L
ópez
Váz
quez
Detectando inconsistencias
■ La métrica es binaria: “consistente/inconsistente”
■ En principio es similar a la correctitud
■ Aislemos los espúreos…
0 2 4 6 8 10 12 14 16 18 20
Cam
bios
por
reg
istr
o
Nro. de muestra
EspúreosNormalizaciónTraducción
44
UA
S C
arlo
s L
ópez
Váz
quez
e g a c d0
5
10
15
20
25
30
34
Cas
os
0%
15%
29%
44%
59%
74%
88%
100%
Pro
porc
ión
de in
cons
iste
ncia
s
Analizando el ejemplo
■ Focalizando en los espúreos
■ Casos más problemáticos: campos “e” y “g”
45
UA
S C
arlo
s L
ópez
Váz
quez
Rastreando el campo “e”
■ Mayoría entre 3 y 4
■ “e” tenía problemas de correctitud
■ No es por tanto problema de inconsistencia
46
UA
S C
arlo
s L
ópez
Váz
quez
Rastreando el campo “g”
■ No está tan claro
■ Errores altos, pero bajo control
2 4 6 8 10 12 14 16 18 20 220
0.05
0.1
0.15
0.2
0.25
Muestra
Pro
porc
ión
UCL
CL
LCL
47
UA
S C
arlo
s L
ópez
Váz
quez
Rastreando el campo “g” (2)
■ Hay que mirar más de cerca
■ El campo “g” se genera ¡independientemente!
48
UA
S C
arlo
s L
ópez
Váz
quez
Un detalle…
■ Métodos y gráficos para Correctitud ≈Consistencia– ¿Dónde están las diferencias?
■ Correctitud– Controla <realidad> vs. <DB A>
■ Consistencia– <DB A> vs. <DB B>– ¡<realidad> no entra!
49
UA
S C
arlo
s L
ópez
Váz
quez
Tiempos…
■ Hay que ser especialmente cuidadoso
■ Ilustremos la nomenclatura
tiempo
P3 terminadoP3 prometido
Comienza P3P2 terminado
P3 está retrasado en este lapso
50
UA
S C
arlo
s L
ópez
Váz
quez
Otras hipótesis…
■ Entrar en DB A implica la entrega de algo– Def. DA=Instante prometido de entrega
– Def. CA=Instante efectivo de entrega
– Def. TA = CA – DA (TA > 0 implica retraso)
■ DA depende de D1, D2, D3 y D4
■ El cliente siempre puede cancelar o cambiar antes de DA
51
UA
S C
arlo
s L
ópez
Váz
quez
Primer análisis: TA
■ UCL debería ser negativo■ Se debe/puede analizar el gráfico X, u otro■ Bajo control, pero 37% se entregan tarde
2 4 6 8 10 12 14 16 18 20 22-250
-200
-150
-100
-50
0
50
UCL
CL
LCL
Min
utos
Muestra
X-chart: TA
-500 -400 -300 -200 -100 0 100 200 3000
0.2
0.4
0.6
0.8
1
1.2
1.4
1.6
1.8
2
Promedio=-100
Temprano Tarde
Área=37%
52
UA
S C
arlo
s L
ópez
Váz
quez
Si el servicio llega tarde…
Causas:
■ Uno o más procesos tienen problemas
■ El sistema (o algún proceso) no es capaz
■ Clientes cambian la orden demasiado frecuentemente
■ ¿Cómo detectarlo, identificarlo y corregirlo?– Repita análisis para T1, T2, T3 y T4 por separado
– Estime tiempo promedio <Ti>, y súmelo53
UA
S C
arlo
s L
ópez
Váz
quez
Tiempos acumulados de 4 procesos
0 0.5 1 1.5 2 2.5 30
1
2
3
4
5
Dias
0 0.5 1 1.5 2 2.5 3 3.5 4 4.5 5 5.50
0.5
1
1.5
2
Dias
L2 (µ= 1/2 dia ,
σ=2 horas)
L4 (µ=1 dia ,
σ=3 hor as)
L1 (µ= 1 dia ,
σ=4 horas)
Distribuc ion de la suma L 1+L2+ L3 +L 4
(µ=4.5 d ias, σ=√ 42+22+3 2+22 ho ras)
L3 (µ=2 dias,
σ=2 hor as)
Percentil 99%
Se asumen independientes
También llamada Capacidad del
Proceso
54
UA
S C
arlo
s L
ópez
Váz
quez
“Otra vez los clientes…”
■ Tienen derechos (¡!)
■ Podría pensarse:– “Avisan tarde, y el trabajo está casi hecho”
■ Típicamente es lo contrario
■ Tiempo en cola >> Tiempo en proceso
■ Ideas “Just In Time”
55
UA
S C
arlo
s L
ópez
Váz
quez
Unos comentarios…
■ Podría prometerse un DA menor
■ No todo es espera– Tiempo de transmisión no considerado
– Buffers (para manejar picos de trabajo)
■ Buffers suelen ocultar defectos
56
UA
S C
arlo
s L
ópez
Váz
quez
Tópicos a considerar
✔ Introducción
✔ Sistemas de Medición
✔ ¿Qué medir?
✔ Data Tracking
■ Implementación
■ Resumen
57
UA
S C
arlo
s L
ópez
Váz
quez
Cómo implementar Data Tracking
■ Será necesario implementar varios módulos
■ Ilustraremos una arquitectura: DCI
■ Es aplicable cuando:– Pueden ponerse etiquetas
– Los procesos están computarizados
■ La tendencia es hacia esto
■ Veamos un esquema
58
UA
S C
arlo
s L
ópez
Váz
quez
Un posible esquema de DCI
Filtros
Muestreo/etiquetado
PostProcesamiento
Análisis/Reportes
Comunicaciones
59
UA
S C
arlo
s L
ópez
Váz
quez
Detalles…
■ Tan próximo como se pueda– Muestreo DENTRO del 1er. Proceso
– Filtros DENTRO de cada proceso
– BD secundaria CERCA del “dueño” del proceso
■ Fácil de implementar en una reingeniería
■ Más difícil como cambios a un sistema ya operativo
60
UA
S C
arlo
s L
ópez
Váz
quez
Tópicos a considerar
✔ Introducción
✔ Sistemas de Medición
✔ ¿Qué medir?
✔ Data Tracking
✔ Implementación
■ Resumen
61
UA
S C
arlo
s L
ópez
Váz
quez
En Resumen
■ Concepto de Sistema de Medida– Cuatro componentes:
» Requerimientos» Ítems o características a medir» Instrumento y reglas para medir» Resúmenes apropiados
■ Requerimientos: la voz del cliente■ Requerimientos # Qué medir■ Instrumento: Data Tracking■ Requerimientos # Resúmenes apropiados
62
UA
S C
arlo
s L
ópez
Váz
quez
Resumen de Data Tracking
■ Es UN posible instrumento; hay otros■ Explota redundancia entre procesos y datos■ Objetivo:
– Controlar operación y mejorar» Correctitud» Consistencia» Tiempos de procesamiento
■ Uso extensivo de SQC
63
UA
S C
arlo
s L
ópez
Váz
quez
Gestión de Calidad de Datos
Carlos Ló[email protected]
Universitario Autónomo del Universitario Autónomo del Sur Sur -- 20052005
Monitoreo, seguimiento y mejora del proceso
Viene de:
Métodos de Control Estadístico