Reto
Los datos de clientes divergían entre cuatro sistemas, mientras que unas reglas basadas en informes ocultaban los fallos y distorsionaban las puntuaciones.
Un marco gobernado en Snowflake comprueba los datos de clientes de cuatro sistemas y ofrece a los responsables de los datos puntuaciones y evidencias a nivel de registro sobre las que actuar.

Reto
Los datos de clientes divergían entre cuatro sistemas, mientras que unas reglas basadas en informes ocultaban los fallos y distorsionaban las puntuaciones.
Solución entregada
Vistas SQL de entidades, un catálogo de reglas probado, un motor de evaluación en Snowflake y reporting con DirectQuery.
Valor de negocio
Reglas gobernadas, puntuaciones honestas y evidencias a nivel de fila que los responsables de los datos pueden utilizar para corregir registros.
Una empresa de nutrición clínica gestiona los datos de sus clientes profesionales sanitarios en cuatro sistemas: una plataforma de identidad digital, un CRM, una plataforma de automatización de marketing y una tienda de comercio electrónico. Cada sistema guarda su propia versión del cliente, de modo que los nombres, los correos electrónicos, las direcciones y los consentimientos pueden acabar divergiendo.
El informe de calidad de datos existente había crecido de forma orgánica. Sus reglas estaban repartidas entre fórmulas del informe y transformaciones de datos, y sus puntuaciones se calculaban una vez por actualización, por lo que no respondían a los filtros. Algunos registros se filtraban antes de medirse, lo que hacía que las puntuaciones parecieran mejores de lo que eran. Además, el informe podía indicar que un porcentaje era bajo, pero no qué registros estaban mal ni por qué.
Empezamos por hacer ingeniería inversa del informe existente: se documentó cada fuente, transformación y medida, y se enumeró cada problema de la lógica. Así obtuvimos una línea base clara y una lista de lo que había que cambiar.
Después reconstruimos la calidad de datos como un marco y no como un informe:
Cuatro sistemas de origen alimentan vistas SQL de entidades de negocio en Snowflake sin filtrar lagunas, marcadores de posición ni duplicados. Un catálogo probado de más de 120 reglas dirige la evaluación de las filas. El motor separa errores y advertencias y genera estadísticas de ejecución segmentadas, además de evidencias de fallo a nivel de fila. Una única vista de estadísticas alimenta Power BI mediante DirectQuery. Una conservación programada purga los resultados de ejecuciones y los detalles de errores antiguos y sin uso.
Resultados cualitativos del proyecto; no se afirma ningún ahorro medido.
Un único lugar gobernado para las reglas de calidad de datos, en vez de una lógica repartida por un informe
Puntuaciones honestas: nada se elimina antes de medirse
Evidencias a nivel de fila para cada fallo, de modo que los responsables de los datos pueden corregir registros en lugar de discutir porcentajes
Coherencia entre sistemas hecha visible: si el mismo cliente aparece igual en la plataforma de identidad y en el CRM
Resultados desglosados por país y segmento de clientes, con totales correctos para calcular las tasas de error
Las nuevas comprobaciones se añaden como una fila en el catálogo; no hacen falta cambios de código
Sin copias de los datos de clientes en la herramienta de reporting y sin acumulación de resultados obsoletos: los datos permanecen en Snowflake y se conservan solo mientras son necesarios
Áreas de solución: Fundamentos de datos · Gobierno del dato
Elija una conversación de 30 minutos o envíenos una breve consulta, lo que le resulte más cómodo.