Medición de la comprensibilidad de datos en analítica de negocio: el framework B-DataCom
Palabras clave:
Comprensibilidad, Analítica de Datos , Desarrollo de software , Calidad de los datos , MediciónBarra lateral del artículo
Contenido principal del artículo
Objetivos: Este artículo presenta el mapeo sistemático sobre la medición de la comprensibilidad de los datos en entornos de la analítica de datos. El propósito de esta investigación es analizar cómo ha sido abordada la comprensibilidad en investigaciones previas y cuál es el impacto que genera esta característica en la toma de decisiones organizacionales.
Metodología: Se realizó un mapeo sistemático de la literatura; a partir de los resultados obtenidos, se identificaron tanto aspectos descriptivos como parte de su caracterización, como elementos de medición de calidad del dato, evidenciando una ausencia de ambas para esta característica.
Resultados: Los hallazgos de este trabajo refuerzan que existe una brecha investigativa sobre la medición de la comprensibilidad de los datos en procesos analíticos. También, se evidencia la importancia de la calidad de datos para fortalecer la analítica de datos y la toma de decisiones empresariales.
Conclusiones: Los estudios primarios de la literatura no presentan una medición definida para la comprensibilidad. Tampoco existe una conceptualización y caracterización formal de esta, lo que ha dificultado establecerla como un atributo medible. Por ende, se propone el modelo conceptual del framework B-DataCom, que busca servir como mecanismo para que las organizaciones puedan medir la comprensibilidad de los datos de negocio, con el fin de respaldar el análisis de datos para la toma de decisiones organizacionales.
1. Merino J, Caballero I, Rivas B, Serrano M, Piattini M. A Data Quality in Use model for Big Data. Future Gener Comput Syst. el 1 de octubre de 2016;Modeling and Management for Big Data Analytics and Visualization63:123–30. doi:10.1016/j.future.2015.11.024
2. Badshah A, Daud A, Alharbey R, Banjar A, Bukhari A, Alshemaimri B. Big data applications: overview, challenges and future. Artif Intell Rev. el 16 de septiembre de 2024;57(11):290. doi:10.1007/s10462-024-10938-5
3. Yeh YT, Eden R, Fielt E, Syed R. The role of use for the business value of big data analytics. J Strateg Inf Syst. el 1 de junio de 2025;34(2):101888. doi:10.1016/j.jsis.2025.101888
4. Willetts M, Atkins AS. Evaluation of a software positioning tool to support SMEs in adoption of big data analytics. J Electron Sci Technol. el 1 de marzo de 2024;22(1):100229. doi:10.1016/j.jnlest.2023.100229
5. Software engineering — Software product Quality Requirements and Evaluation (SQuaRE) — Data quality model. ISO; 2008.
6. López L, Manzano M, Gómez C, Oriol M, Farré C, Franch X, et al. QaSD: A Quality-aware Strategic Dashboard for supporting decision makers in Agile Software Development. Sci Comput Program. el 1 de febrero de 2021;202:102568. doi:10.1016/j.scico.2020.102568
7. Putrama IM, Martinek P. Heterogeneous data integration: Challenges and opportunities. Data Brief. el 1 de octubre de 2024;56:110853. doi:10.1016/j.dib.2024.110853
8. Martínez-Fernández S, Vollmer AM, Jedlitschka A, Franch X, López L, Ram P, et al. Continuously Assessing and Improving Software Quality With Software Analytics Tools: A Case Study. IEEE Access. 2019;7:68219–39. doi:10.1109/ACCESS.2019.2917403
9. Petersen K, Feldt R, Mujtaba S, Mattsson M. Systematic Mapping Studies in Software Engineering. Proc 12th Int Conf Eval Assess Softw Eng. el 26 de junio de 2008;17.
10. Likert R. A technique for the measurement of attitudes. Arch Psychol. 1932;22 140:55–55.
11. Fannouch A, Gharib J, Gahi Y. Enhancing DataOps practices through innovative collaborative models: A systematic review. Int J Inf Manag Data Insights. el 1 de junio de 2025;5(1):100321. doi:10.1016/j.jjimei.2025.100321
12. Dai C, Füllgrabe A, Pfeuffer J, Solovyeva EM, Deng J, Moreno P, et al. A proteomics sample metadata representation for multiomics integration and big data analysis. Nat Commun. el 6 de octubre de 2021;12(1):5854. doi:10.1038/s41467-021-26111-3
13. Kozik R, Choraś M, Puchalski D, Renk R. Q-Rapids framework for advanced data analysis to improve rapid software development. J Ambient Intell Humaniz Comput. el 1 de mayo de 2019;10(5):1927–36. doi:10.1007/s12652-018-0784-5
14. Goble C, Cohen-Boulakia S, Soiland-Reyes S, Garijo D, Gil Y, Crusoe MR, et al. FAIR Computational Workflows. Data Intell. el 13 de agosto de 2024;2(1–2):108–21. doi:10.1162/dint_a_00033
15. Kusumawardhani FK, Ratmono D, Wibowo ST, Darsono D, Widyatmoko S, Rokhman N. The impact of digitalization in accounting systems on information quality, cost reduction and decision making: Evidence from SMEs. Int J Data Netw Sci. el 1 de marzo de 2024;8(2):1111–6. doi:10.5267/j.ijdns.2023.11.023
16. Liberatore MJ, Pollack-Johnson B, Clain SH. Analytics Capabilities and the Decision to Invest in Analytics. J Comput Inf Syst. el 2 de octubre de 2017;57(4):364–73. doi:10.1080/08874417.2016.1232995
17. Bayram F, Ahmed BS, Hallin E, Engman A. DQSOps: Data Quality Scoring Operations Framework for Data-Driven Applications. En: Proceedings of the 27th International Conference on Evaluation and Assessment in Software Engineering [Internet]. New York, NY, USA: Association for Computing Machinery; 2023 [citado el 2 de octubre de 2025]. p. 32–41. (EASE ’23). Disponible en: https://doi.org/10.1145/3593434.3593445 doi:10.1145/3593434.3593445
18. Elouataoui W, El Mendili S, Gahi Y. An Automated Big Data Quality Anomaly Correction Framework Using Predictive Analysis. Data. diciembre de 2023;8(12):182. doi:10.3390/data8120182
19. Tu D, He Y, Cui W, Ge S, Zhang H, Han S, et al. Auto-Validate by-History: Auto-Program Data Quality Constraints to Validate Recurring Data Pipelines. En: Proceedings of the 29th ACM SIGKDD Conference on Knowledge Discovery and Data Mining [Internet]. New York, NY, USA: Association for Computing Machinery; 2023 [citado el 2 de octubre de 2025]. p. 4991–5003. (KDD ’23). Disponible en: https://doi.org/10.1145/3580305.3599776 doi:10.1145/3580305.3599776
20. Lee B, Ahmed-Kristensen S. D3 framework: An evidence-based data-driven design framework for new product service development. Comput Ind. el 1 de enero de 2025;164:104206. doi:10.1016/j.compind.2024.104206
21. Kim Y, Kim J, Jeon H, Kim YH, Song H, Kim B, et al. Githru: Visual Analytics for Understanding Software Development History Through Git Metadata Analysis. IEEE Trans Vis Comput Graph. febrero de 2021;27(2):656–66. doi:10.1109/TVCG.2020.3030414
22. Řezník T, Raes L, Stott A, De Lathouwer B, Perego A, Charvát K, et al. Improving the documentation and findability of data services and repositories: A review of (meta)data management approaches. Comput Geosci. el 1 de diciembre de 2022;169:105194. doi:10.1016/j.cageo.2022.105194
23. Leipzig J, Nüst D, Hoyt CT, Ram K, Greenberg J. The role of metadata in reproducible computational research. Patterns. el 10 de septiembre de 2021;2(9). doi:10.1016/j.patter.2021.100322 PubMed PMID: 34553169.
24. Bandara M, Rabhi FA, Bano M. A knowledge-driven approach for designing data analytics platforms. Requir Eng. el 1 de junio de 2023;28(2):195–212. doi:10.1007/s00766-022-00385-5
25. Ahmad MO, Ahmad I, Rana NP, Khan IS. An Empirical Investigation on Business Analytics in Software and Systems Development Projects. Inf Syst Front. el 1 de abril de 2023;25(2):917–27. doi:10.1007/s10796-022-10253-w
26. Sompolgrunk A, Banihashemi S, Golzad H, Le Nguyen K. Strategic alignment of BIM and big data through systematic analysis and model development. Autom Constr. el 1 de diciembre de 2024;168:105801. doi:10.1016/j.autcon.2024.105801
27. Ryzhakova G, DSc, Professor, Head of Department of Management in Construction, Kyiv National University of Construction and Architecture, 31, Povitroflotsky Avenue, Kyiv, 03037, Ukraine, Malykhina O, Pokolenko V, Rubtsova O, Homenko O, et al. Construction Project Management with Digital Twin Information System. Int J Emerg Technol Adv Eng. el 1 de octubre de 2022;12(10):19–28. doi:10.46338/ijetae1022_03
28. Rique T, Perkusich M, Dantas E, Albuquerque D, Gorgônio K, Almeida H, et al. On Adopting Software Analytics for Managerial Decision-Making: A Practitioner’s Perspective. IEEE Access. 2023;11:73145–63. doi:10.1109/ACCESS.2023.3294823
29. Zhu J, Zhuang E, Fu J, Baranowski J, Ford A, Shen J. A Framework-Based Approach to Utility Big Data Analytics. c. mayo de 2016;31(3):2455–62. doi:10.1109/TPWRS.2015.2462775
30. Buitrón Ruiz SL. Marco de trabajo para la elicitación de requisitos no funcionales basada en la gestión del conocimiento Merlinn [Internet]. 2016 [citado el 10 de octubre de 2025]. Disponible en: http://repositorio.unicauca.edu.co:8080/xmlui/handle/123456789/1291
31. Montesi M, Lago P. Software engineering article types: An analysis of the literature. Journal of Systems and Software, 81(10), 1694-1714. J Syst Softw. el 1 de octubre de 2008;81:1694–714. doi:10.1016/j.jss.2007.11.723
32. Ferreira M, Garcia F, Ruiz F, Bertoa M, Calero C, Vallecillo A, et al. Medición del Software Ontología y Metamodelo [Informe Técnico]. noviembre de 2006. Informe Técnico UCLM-TSI-001.
33. Basili V, Trendowicz A, Kowalczyk M, Heidrich J, Seaman C, Münch J, et al. Aligning Organizations Through Measurement: The GQM+Strategies Approach. Cham, Suiza: Springer; 2014.
Downloads
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-CompartirIgual 4.0.
Los autores que publican en esta revista están de acuerdo con los siguientes términos:
Los autores ceden los derechos patrimoniales a la revista y a la Universidad del Valle sobre los manuscritos aceptados, pero podrán hacer los reusos que consideren pertinentes por motivos profesionales, educativos, académicos o científicos, de acuerdo con los términos de la licencia que otorga la revista a todos sus artículos.
Los artículos serán publicados bajo la licencia Creative Commons 4.0 BY-NC-SA (de atribución, no comercial, sin obras derivadas).