Limpieza de datos en el análisis financiero
DOI:
https://doi.org/10.5377/reice.v1i2.18869Palabras clave:
Herramientas de análisis, Métodos y Técnicas de Limpiezas de datos, Análisis FinancieroResumen
La limpieza de bases de datos fue crucial para un análisis financiero efectivo, mejorando la calidad de los datos, reduciendo errores y optimizando recursos. Este proceso incluyó la identificación y eliminación de datos irrelevantes y duplicados, así como la corrección de errores y datos inconsistentes. Se usaron herramientas de gestión de bases de datos, duplicadores y validadores de datos, respetando la privacidad y protección de datos personales según regulaciones aplicables. Los resultados mostraron que la limpieza de bases de datos es esencial para la integridad y calidad de los datos en el análisis financiero, fundamental para la sostenibilidad del negocio. Al finalizar, se mejoró la comodidad con el análisis y la información obtenida, aumentando la eficiencia y productividad en los análisis financieros. Se descubrió que muchos datos no estaban estructurados, dificultando la optimización del procesamiento. La generación continua de datos complicó la recopilación y administración. El análisis permitió descomponer y sintetizar la definición de limpieza de datos, métodos y técnicas para su ejecución y mecanismos de procesamiento. También se presentaron herramientas diversas para administrar la información, aportando ideas para innovar, crecer a largo plazo y crear estrategias más efectivas, mejorando la eficiencia y productividad en los análisis financieros.
Descargas
184
Citas
Ahmed, I., & Aziz, A. (2010). Dynamic Approach for Data Scrubbing Process. (Enfoque dinámico para el proceso de depuración de datos) International Journal on Computer Science and Engineering, 2 (2), 416-423.
Castillo Noguera María José, Santos Solares José Adolfo. Limpieza de Datos (2015).
Fayyad, U., Piatetsky-Shapiro, G., & Smyth, P. (1996). From Data Mining to Knowledge Discovery in Databases. (De la minería de datos al descubrimiento de conocimientos en bases de datos) American Association for Artificial Intelligence, 37-54.
Han, J., Kamber, M., & Pei, J. (2012). Data Mining: Concepts and Techniques. (Minería de datos: conceptos y técnicas) Estados Unidos: Elsevier.
Hernández Orallo José, María José Ramírez Quintana, & María Adela Gutiérrez Díaz. Pearson Educación, 2014. "Minería de datos: Conceptos y técnicas"
Information Builders. (2011). Data Quality: It’s no joke. (Calidad de datos: no es una broma) Obtenido de Insights - Trends & Technologies: - http://informationbuilders.co.uk/new/insights/UKNewsletterQ1.html (constructores de información).
Kitlas, J. (2012). Dirty Data. (Datos sucios) Obtenido de Subject Guides - Syracuse University Library: http://researchguides.library.syr.edu/content.php?pid=156265&sid=2578897
Laia Subirats Maté Diego Oswaldo Pérez Trenard Mireia Calvo González (2019). Introducción a la limpieza y análisis de los datos.
Maletic, J. I., & Marcus, A. (2000). Data Cleansing: (Limpieza de datos) Beyond Integrity Analysis. Obtenido de Proceedings of the Conference on Information Quality (IQ2000), Boston, October 2000: http://citeseerx.ist.psu.edu/viewdoc/summary?doi=10.1.1.37.5212
Maletic, J., & Marcus, A. (2010). Data Cleansing: ((Limpieza de datos) A prelude to knowledge discovery. En O. Maimon, & L. Rokach, Data Mining and Knowledge Discovery -Handbook (págs. 21-36). New York: Springer.
Mar Pérez Sanagustín & José A. Ruipérez Valiente. Editorial Universitat Oberta de Catalunya, 2019. "Data Science: Limpieza, análisis y visualización de datos".
Maydanchik, A. (2007). Data Quality Assessment. (Evaluación de la calidad de los datos) Estados Unidos: Technics Publications, LLC. Müller, H., & Freytag, J.-C. (2003). Problems, Methods, and Challenges in Comprehensive. Data Cleansing. Berlin: Humboldt University Berlin.
Pipino, L. L., Lee, Y. W., & Wang, R. Y. (2002). Data Quality Assessment. Communications of the ACM, 211-218. (Evaluación de la calidad de los datos).
Rahm, E., & Do, H. H. (2000). Data Cleaning: (Limpieza de datos) Problems and Current Approaches. Bulletin of the IEEE Computer Society Technical Committee on Data Engineering , 1-11. Recuperado desde http://www.acm.org/sigs/sigmod/disc/disc01/out/websites/deb_december/rahm.pdf.
Sánchez González Jorge Jesús. Editorial Marcombo, 2018. "Análisis de Datos con Excel: Una guía práctica para la limpieza y análisis de datos".
Van den Broeck, J., Argeseanu Cunningham, S., Eeckels, R., & Herbst, K. (2005). Data cleaning: Detecting,diagnosing, and editing data abnormalities. PLoS Medicine, 2 (10), e267. (Limpieza de datos: detección, diagnóstico y edición de anomalías en los datos).
Descargas
Publicado
Cómo citar
Número
Sección
Licencia
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-CompartirIgual 4.0.
Copyright (c) Revista Electronica de Investigacion en Ciencias Economicas
Los derechos sobre los artículos publicados en REICE son de la revista, a los efectos de poder gestionar su mejor difusión. No obstante, puesto que la finalidad de la misma es la difusión del conocimiento, esta revista provee acceso libre inmediato a su contenido, bajo el principio de que hacer disponible gratuitamente la investigación al público, lo cual fomenta un mayor intercambio de conocimiento global.
Las opiniones expresadas por los autores no necesariamente reflejan la postura de la editora de la publicación ni de la UNAN-Managua Se autoriza su reproducción y distribución (en cualquier tipo de soporte) siempre que se cumpla las siguientes indicaciones:
- La autoría del trabajo
- Que se indique su origen (revista REICE, volumen, número y dirección electrónica del documento)
