¿Qué es la gestión de datos maestros?
La Gestión de Datos Maestros (MDM) es una metodología integral que se centra en identificar, gobernar y mantener los activos de datos más críticos de una organización. No se trata sólo de una solución tecnológica, sino de una combinación de herramientas, procesos y marcos de gobierno diseñados para crear una visión única y fiable de la información crítica para el negocio. Este artículo habla en detalle sobre la gestión de datos maestros y su importancia.
Desglose de los datos maestros
Los datos maestros se refieren a las entidades de datos centrales, no transaccionales, que son esenciales para las operaciones de una organización. Normalmente incluyen:
Datos del material - Materias primas, componentes, especificaciones, normas de sustitución, información sobre conformidad, etc.
Datos del cliente - Nombres, información de contacto, preferencias, historial de compras y datos demográficos
Datos del producto - SKU, descripciones, especificaciones, precios y categorizaciones
Datos de los empleados - Información sobre el personal, funciones, estructuras jerárquicas y credenciales
Datos de proveedores/vendedores - Información sobre la empresa, contratos e historial de relaciones
Datos financieros - Plan de cuentas, centros de coste, centros de beneficio, entidades jurídicas, jerarquías financieras, etc.
La idea misma de implantar un sistema de datos maestros, que se base en un "registro de oro" como única fuente de verdad, es mejorar la eficiencia, suavizar y simplificar los procesos internos a medida que se amplían.
En términos generales, los retos a los que nos enfrentamos pueden bifurcarse en varios grupos no excluyentes, como se detalla a continuación.
1. Desafíos al introducir un sistema ERP o migrar a una nueva versión de un sistema fuente existente
2. Dificultades propias del mantenimiento de la sanidad de los datos durante las fases operativas.
3. Retos técnicos y de procesos
4. Retos estratégicos y de gestión inherentes a las grandes empresas
El objetivo de este artículo es enumerar algunas de estas limitaciones específicas de la implantación o ampliación de MDM y ofrecer las mejores soluciones posibles y el curso de acción que las organizaciones pueden considerar para remediar los problemas.
A continuación se exponen los principales retos técnicos a los que pueden enfrentarse las organizaciones con sus datos maestros existentes:
Retos técnicos
Debido al enorme volumen de datos que las grandes organizaciones generan a diario, los conjuntos de datos del maestro de ERP pueden llegar a ser enormes, lo que da lugar a varios retos que son en gran medida de naturaleza técnica
1. Normalización de datos con uso intensivo de recursos
Las organizaciones que desean corregir la mala calidad de los datos a menudo se encuentran con que no existe una lógica única que pueda normalizar los complejos datos maestros, especialmente en el caso de materiales y piezas MRO con hojas de datos únicas y ricas en propiedades.
Sin una gobernanza clara, los problemas de datos varían mucho y no pueden resolverse a escala sólo con reglas tradicionales. Como resultado, las empresas dependen en gran medida de la normalización manual y humana. Los matices específicos de cada sector complican aún más la situación y exigen enfoques de procesamiento personalizados.
Por eso, las empresas de MDM heredadas suelen depender de grandes equipos de analistas manuales, normalmente basados en regiones de bajo coste, para gestionar y normalizar los datos con eficacia.
En el span de cinco años, el uso de la Inteligencia Artificial en los procesos empresariales ha fundamentalmente cambiado Gestión de datos maestros. Sí, hay varios problemas como Alucinaciones y los retos naturales de entrenar un modelo de IA en varios datos de proveedores, piezas y productos de diversas industrias, pero esto está cambiando rápidamente.
Estos cambios se están produciendo tan rápidamente que, en el breve plazo de un año, en Verdantis hemos trasladado nuestras operaciones de limpieza de datos maestros de las dirigidas por humanos a las dirigidas por IA y aprobadas por humanos.
Esto significa que el modelo no sólo garantiza que la normalización de los datos sea mucho más eficiente, sino que también se entrena continuamente sobre la forma adecuada de gestionar los registros de datos maestros individuales.
En cualquier caso, he aquí algunos retos de normalización de datos que requieren muchos recursos y que son inherentes a la mayoría de los ERP
1. Identificación por duplicado - Identificación de duplicados L1 en el maestro de proveedores, clientes y MRO mediante el uso de propiedades como el número de pieza del fabricante, el TIN (número de identificación fiscal) del proveedor y los correos electrónicos de los clientes. Identificación de duplicados L2 mediante una puntuación de confianza generada por la IA.
2. Normalización de datos - Estructurar texto suelto en campos claros y predefinidos para obtener datos normalizados, limpios y listos para la automatización. Por ejemplo, normalizar los nombres de las empresas o las direcciones de los sitios web en un formato estándar final o normalizar las unidades de medida de las piezas de recambio en una unidad de medida global.
3. Extracción de atributos - Extracción de información clave de un registro maestro determinado. Por ejemplo: extracción de la ciudad del proveedor a partir de la dirección, extracción de las especificaciones de las piezas a partir de la descripción del producto, etc.
Ejemplo: Normalización de los datos de piezas de recambio MRO en una empresa de fabricación global
Una empresa de fabricación mundial que opera en Norteamérica, Europa y Asia mantiene más de 300.000 registros maestros de materialesLos registros de piezas de repuesto, incluidas las piezas de repuesto MRO, proceden de miles de proveedores. A lo largo de los años, estos registros han sido introducidos por diferentes equipos en distintas regiones, cada uno con sus propias convenciones de nomenclatura, unidades de medida (por ejemplo, "mm" frente a "pulgadas") e idiomas. Una sola pieza, como un válvula hidráulica podría figurar como:
HYD. VLV 2IN ACERO
Válvula, hidráulica, 2
Válvula hidráulica de 2 pulgadas, SS
Sin un formato o taxonomía estándar, la empresa tenía dificultades para identificar duplicados, lo que provocaba exceso de existencias, gasto inconformistay retrasos por mantenimiento.
2. Sistemas dispares
Es habitual que muchos asuman que las empresas suelen trabajar únicamente con un sistema ERP, por lo que una integración con dicho sistema garantizará una armonía total de las operaciones.
Sin embargo, esto no es así, ya que muchas empresas utilizan varios sistemas ERP, sobre todo en distintas zonas geográficas, porque cada uno de ellos ofrece ventajas diferentes en función de la ubicación, el idioma y los requisitos del sistema.
Además, no es infrecuente que las empresas den soporte tanto a sistemas más antiguos como a sistemas más recientes del mismo ERP o sistema EAM, lo que amplifica el problema.
Dado que los datos maestros de cada uno de estos sistemas de origen pueden haberse configurado de forma diferente, la única solución lógica en estos casos es integrar todas las bases de datos en un software central de gestión de datos maestros.
Por ejemplo: Una empresa internacional puede utilizar SAP en Europa, Oracle en EE.UU. y una herramienta propia en Asia. Sin una gestión unificada de los datos maestros, el mismo material podría aparecer tres veces con ligeras variaciones, lo que provocaría niveles de inventario inexactos, retrasos en los pedidos y errores en los informes financieros.
3. Gestión de datos y sensibilidad
1. Conformidad con el GDPR - La gestión de los datos maestros, especialmente los específicos de clientes y clientes potenciales, puede ser complicada, dadas las leyes regionales y nacionales como CAN SPAM, GDPR
2. Legislación sobre datos - Los registros de datos clave, especialmente en algunas industrias que utilizan muchos activos, se rigen por políticas específicas de la empresa para evitar el robo de propiedad.
3. Datos sensibles - Los registros de datos maestros de algunos sectores y empresas son especialmente sensibles, como la defensa, las organizaciones gubernamentales, etc., lo que hace que la gestión de los datos sea especialmente compleja.
Las cosas se complican aún más cuando es necesario consolidar la información de primera mano procedente de múltiples sistemas no ERP, como un software CRM, un software de mantenimiento de activos de terceros, plataformas de datos, etc.
Por ejemplo: Mala gestión de datos confidenciales de clientes en una empresa minorista internacional
Una empresa mundial de venta al por menor laminado fuera datos de los clientes en el regiones donde ellos operado pero hizo no poner el apropiado controles de acceso en Lugar a el datos. Para ejemplo, sensible campos como las preferencias de exclusión y el historial de compras todos accesible a varios equipos. Por lo tantoun cliente europeo que optó por la exclusión en virtud del GDPR terminado arriba recibiendo a marketing correo electrónico de su Sistema estadounidense, que entonces lanzado una investigación de conformidad. En pago vendedor's los datos bancarios eran activo en departamentos no relacionados. En otros palabras, allí fue a falta de acceso basado en funciones y propiedad de los datos, que revelado normativa y principal riesgo interno.
4. Información que falta
Debido a errores humanos o a la falta de disponibilidad de la información, es posible que algunos registros de datos maestros simplemente no contengan información o datos que deberían haber sido obligatorios.
Muchos otros registros pueden no contener información sobre campos que podrían haber sido útiles pero no obligatorios.
Esto significa que, para que los datos tengan alguna utilidad tangible, habría que enriquecer los registros con la información y los datos pertinentes.
Al igual que la normalización de los datos, antes de la llegada de la Inteligencia Artificial, esta tarea también exigía muchos recursos, generaba sobrecostes y era difícil de resolver en un plazo breve.
Vea este breve vídeo para obtener más información sobre nuestra tecnología de IA Auto Enrich AI
Ahora, los modelos de IA como Auto Enrich AI pueden rastrear y analizar de forma autónoma la web abierta, varias hordas de catálogos de proveedores y los datos internos de la organización para enriquecer los registros individuales de datos a escala.
5. Silos de datos y problemas de integración de sistemas
La mayoría de las organizaciones crecen orgánicamente, acumulando diferentes sistemas para diversas funciones: CRM para ventas, ERP para operaciones, herramientas especializadas para marketing, etcétera. Cada sistema se convierte en un silo potencial, que almacena su propia versión de la información sobre clientes, productos o proveedores.
El reto consiste en integrar estos sistemas dispares para crear una visión unificada de los datos sin alterar los procesos empresariales existentes. En un caso real, una empresa de telecomunicaciones con la que trabajamos descubrió que tenía los mismos clientes representados en siete sistemas diferentes, cada uno con información de contacto y detalles de servicio contradictorios. Esto provocaba esfuerzos de marketing redundantes y confusión en el servicio de atención al cliente.
Ejemplo: Silos de datos de proveedores en la fabricación
Una empresa de fabricación global que utilizaba diferentes sistemas ERP en las distintas regiones tenía registros de proveedores fragmentados: los mismos proveedores aparecían con nombres, contactos y condiciones diferentes. Esta falta de integración provocaba pagos duplicados, retrasos en el aprovisionamiento y escasa visibilidad del rendimiento de los proveedores. La ausencia de una visión unificada de los datos maestros provocaba ineficiencias operativas y un aumento de los costes.
Retos estratégicos y de gestión
Podría decirse que se trata de uno de los problemas más difíciles de resolver en MDM. Estos problemas se deben principalmente a protocolos de gobernanza deficientes y a errores naturales debidos a errores humanos y a la ausencia de flujos de trabajo de aprobación claramente definidos.
1. Administración de datos
Las empresas en fase de crecimiento están plagadas de normas y protocolos de gestión de datos deficientes. La mera idea de establecer un procedimiento operativo estándar para algo tan rudimentario como los datos de proveedores o vendedores puede parecer un concepto extraño y rudimentario.
Sin embargo, es una medida inteligente que puede eliminar la necesidad de correcciones de datos repetitivas y costosas.
Sin embargo, el proceso comienza de arriba abajo: una organización centrada en la toma de decisiones basadas en datos impulsará de forma natural la "gestión de datos" de arriba abajo y en todos los ámbitos; una organización que la considere simplemente como un elemento de una lista de comprobación es mucho más probable que se encuentre en medio de un desastre de ERP debido a problemas de gestión de datos.
Una vez definidos, las soluciones basadas en la tecnología pueden imponer la tutela de los datos obligando a incluirlos en los campos obligatorios, validando los mismos, convirtiendo los formatos y unidades de medida en conjuntos de datos normalizados.
1. Taxonomías incoherentes
2. Fichas técnicas contradictorias
3. U-O-Ms poco claros
2. Complicaciones de gobernanza y propiedad
¿Quién "posee" los datos de los clientes: marketing, ventas o atención al cliente? ¿Quién decide cómo debe estructurarse la información sobre los productos: el equipo de merchandising o el de la cadena de suministro?
El reto reside en establecer marcos claros de gobernanza de datos que definan la propiedad y creen responsabilidad sobre la calidad de los datos. Sin esta claridad, las iniciativas de gestión de datos suelen fracasar porque ningún equipo se siente responsable de garantizar la exactitud e integridad de los datos.
3. Compromiso del equipo empresarial
Es fácil para periodistas, vendedores y empresas de software afirmar que "los datos son el nuevo petróleo". Sin embargo, la realidad es que a la mayoría de los equipos empresariales les cuesta ver de primera mano el valor de unos datos abundantes, relevantes y completos.
Aunque las ventajas de disponer de datos claros, fiables y coherentes son bien conocidas, los equipos empresariales no suelen ser capaces de ver el valor a vista de pájaro.
Los datos maestros, especialmente en los sectores con gran volumen de activos, tienden a ser omnipresentes en todas las funciones organizativas y afectan a los equipos de mantenimiento, aprovisionamiento, producción, cadena de suministro, productos, ventas y gestión de la demanda.
Que cada uno de ellos cargue, actualice y se responsabilice de lo que parece una tarea redundante y repetitiva parece mucho pedir. Contratar personal independiente para ello es otra inversión que despierta la ira de los equipos financieros y de RRHH.
Sin embargo, dado que la tecnología está más democratizada hoy en día, los equipos empresariales comprenden cada vez mejor el valor de crear conjuntos de datos fiables que puedan entrenarse para mejorar resultados tangibles. Las organizaciones pueden programar de forma proactiva demostraciones, debates, talleres y casos de éxito que validen claramente el valor de invertir en una cultura de data-first.
Desgraciadamente, este es uno de los retos que requiere liderazgo y la implicación de los directivos, y ninguna solución tecnológica o basada en software puede agilizarlo o resolverlo.
1. Alineación entre los equipos empresariales y de TI
2. Calendario de despliegue
3. Resistente al cambio
4. Aprobaciones y revisiones
Los procesos de aprobación y las revisiones son esenciales para mantener la calidad de los datos maestros, pero a menudo crean cuellos de botella operativos y estratégicos. Los retrasos se deben a la falta de claridad en las funciones, la falta de urgencia y la ambigüedad en la propiedad, sobre todo cuando se necesitan actualizaciones críticas, como nuevas entradas de proveedores o la creación de artículos.
Sin un marco coherente, las distintas unidades de negocio gestionan las aprobaciones y validaciones de forma diferente, lo que da lugar a una calidad de datos desigual y debilita la gobernanza empresarial. Además, la ausencia de registros de auditoría, documentación y claridad de funciones aumenta los riesgos de cumplimiento y reduce la visibilidad sobre quién aprobó los cambios y por qué.
Para superar estos problemas, las organizaciones deben adoptar flujos de trabajo estandarizados y automatizados que apliquen las normas empresariales y garanticen la responsabilidad. Cuando el gobierno de los datos maestros se integra en un sistema centralizado, se crean procesos trazables con revisiones y aprobaciones coherentes y oportunas en todos los departamentos.
Estas soluciones no sólo agilizan la toma de decisiones, sino que también mejoran la precisión de los datos y el cumplimiento de la normativa. Las herramientas de software específicas para el gobierno de los datos maestros contribuyen a ello fomentando la gestión estructurada, la trazabilidad y la transparencia, aspectos fundamentales para obtener datos fiables y de alta calidad a gran escala.
5. Eficacia de los datos maestros multidominio
Como se ha comentado anteriormente, unos datos maestros gestionados de forma centralizada ayudan a la optimización de procesos y a la eficacia en todos los equipos, y el valor que aportan, incluso en silos, es indiscutible.
Sin embargo, para generar valor real y tangible en virtud de unos Datos Maestros limpios, su eficacia reside en fusionar la información disponible en múltiples disciplinas de datos maestros.
Desafortunadamente, muy pocas empresas están lo suficientemente equipadas para dar sentido a los datos maestros en todas las funciones empresariales, mientras que la mayoría adopta estas prácticas en unas pocas disciplinas seleccionadas, como compras, cadena de suministro o maestro de proveedores.
Estas son algunas de las principales y más destacadas dificultades de la gestión de datos maestros. A continuación presentamos una lista más completa de los retos a los que se enfrentan las empresas.
Cómo superar estos retos
Empezar poco a poco y escalar estratégicamente
En lugar de intentar implantar MDM en toda la empresa de una sola vez, considere la posibilidad de hacerlo:
- Empezar con un dominio de datos crítico (como datos de clientes o productos)
- Centrarse en procesos empresariales de gran impacto
- Demostrar el valor antes de ampliar
Invertir en herramientas y procesos de calidad de datos
Las plataformas modernas de gestión de datos ofrecen potentes funciones para:
Deduplicación automatizada
Normalización de formatos y valores
Enriquecimiento de datos a partir de fuentes fiables
Control continuo de la calidad de los datos
Establecer estructuras de gobierno claras
Una MDM eficaz requiere:
- Funciones y responsabilidades definidas sobre la propiedad de los datos
- Procedimientos claros para la modificación y actualización de datos
- Revisiones periódicas de la calidad de los datos
- Comités interfuncionales de gobernanza de datos
Equilibrar las mejoras tecnológicas y de procesos
Recuerde que MDM no es sólo un reto tecnológico:
- La tecnología permite gestionar mejor los datos
- Pero los procesos y las personas determinan el éxito
- La formación y la gestión del cambio son componentes esenciales
Vincular MDM a los resultados empresariales
Las iniciativas de MDM de mayor éxito conectan directamente con los objetivos empresariales:
- Mejora de la experiencia del cliente
- Marketing más eficaz
- Mayor eficacia operativa
- Mejor cumplimiento de la normativa
- Informes y análisis más precisos
Conclusiones: El camino a seguir
Retos de la gestión de datos maestros puede sea complicado. Que dijo, ellos son no imposible a superar. Si su organización toma a estratégico enfoque a MDM (gobernanza, tecnología y enfoque en los resultados empresariales), entonces usted puede convertir datos de un carga en una ventaja competitiva.
MDM es una necesidad para todas las empresas que manejan datos. Y ello a pesar de los retos habituales que plantea la gestión de datos maestros. Sin embargo, si conocía qué retos que podrías enfrentar en el proceso de aplicación, usted sería able a identificar y prevenir esos cuestiones antes de que gire a en problemas.
En un medio ambiente que escucha datos remitido a como ‘el nuevo petróleo‘MDM se sea la refinería girando el en bruto datos en negocios valiosos información. Por aprender acerca de, y abordar el siguiente retos, organizaciones se tallar fuera a borrar ruta así que ellos puede maximizar el valor de sus datos a escriba a mejor, decisiones más seguras.
En a menudo–difícil viaje hacia Gestión eficaz de datos maestros es a merece la pena esfuerzo para organizaciones que superar su retos y realizar más claro datos, más delgado operaciones, y mayor adhesión a iniciativas de transformación digital.
Retos de la gestión de datos maestros puede sea complicado. Que dijo, ellos son no imposible a superar. Si su organización toma a estratégico enfoque a MDM (gobernanza, tecnología y enfoque en los resultados empresariales), entonces usted puede convertir datos de un carga en una ventaja competitiva.
MDM es una necesidad para todas las empresas que manejan datos. Y ello a pesar de los retos habituales que plantea la gestión de datos maestros. Sin embargo, si conocía qué retos que podrías enfrentar en el proceso de aplicación, usted sería able a identificar y prevenir esos cuestiones antes de que gire a en problemas.
En un medio ambiente que escucha datos remitido a como ‘el nuevo petróleo‘MDM se sea la refinería girando el en bruto datos en negocios valiosos información. Por aprender acerca de, y abordar el siguiente retos, organizaciones se tallar fuera a borrar ruta así que ellos puede maximizar el valor de sus datos a escriba a mejor, decisiones más seguras.
En a menudo–difícil viaje hacia Gestión eficaz de datos maestros es a merece la pena esfuerzo para organizaciones que superar su retos y realizar más claro datos, más delgado operaciones, y mayor adhesión a iniciativas de transformación digital.
