Transformar los datos en oportunidades: métrica del mes, nivel de madurez 2, calidad esperada
Los datos de alta calidad son más que una referencia: son una necesidad estratégica. Invertir en la calidad de los datos puede transformar los riesgos en oportunidades y las ineficiencias en ventajas. En esta nueva serie, Zornitsa Manolova, directora de gestión de la calidad de los datos y ciencia de datos de la GLEIF, explora métricas clave en el Sistema Global de LEI. En este blog, Zornitsa examina el modelo de madurez definido en el marco de calidad de los datos de la GLEIF, centrándose en el papel crucial que desempeña el nivel de madurez 2, o la calidad esperada de los datos, a la hora de reforzar la integridad de los datos y garantizar la confianza en todo el ecosistema financiero mundial.
Autor: Zornitsa Manolova
Fecha: 2025-03-07
Visualizaciones:
En una economía global cada vez más interconectada, la capacidad de las organizaciones para confiar y utilizar los datos de manera eficaz es la base de la innovación, el crecimiento y la competitividad.
Esto significa que la calidad de los datos es ahora más que un punto de referencia: es una necesidad estratégica. Un ecosistema de datos de alta calidad es un motor de cambio e innovación que permite a las organizaciones identificar y aprovechar nuevas oportunidades, mientras que la baja calidad de los datos puede generar ineficiencias y exposición a riesgos regulatorios y para la reputación.
La GLEIF tiene el compromiso de optimizar la calidad, la fiabilidad y la capacidad de uso de los datos de LEI. Desde 2017, ha publicado informes mensuales específicos para demostrar de forma transparente el nivel general de calidad de los datos alcanzado en el Sistema Global de LEI.
Para contribuir a una mayor comprensión y concienciación en la industria acerca de las iniciativas sobre la calidad de los datos de la GLEIF, esta nueva serie de blogs explora las métricas clave que se incluyen en los informes, destacando cómo la inversión en la calidad de los datos puede transformar los riesgos en oportunidades y las ineficiencias en ventajas.
El blog de este mes examina el nivel de madurez 2.
Comprender los niveles de madurez en la calidad de datos de LEI
La madurez de los datos es una medida clave que refleja la eficacia con la que se utilizan los recursos de datos disponibles para maximizar su valor y fiabilidad. Para mantener los más altos estándares de calidad de datos de LEI, GLEIF emplea un modelo de madurez de datos.
En este modelo de tres niveles, cada control de la calidad de los datos se asigna a un único nivel de madurez. Esta metodología sistemática refuerza la fiabilidad y la confianza en los datos al garantizar un enfoque progresivo y gradual hacia la mejora continua, lo que convierte al Sistema Global de LEI en una fuente fiable para los ecosistemas financieros y normativos de todo el mundo:
Nivel de madurez 1: calidad requerida es la base de la calidad de los datos y garantiza que las comprobaciones de validación básicas se apliquen de forma sistemática. En esta fase, los datos se someten a comprobaciones de formato para garantizar que están estructurados correctamente y a comprobaciones de elementos obligatorios para confirmar que todos los campos obligatorios están debidamente cumplimentados.
Nivel de madurez 2: para fortalecer la fiabilidad de los datos, calidad esperada introduce medidas avanzadas de garantía de calidad, que incluyen:
Comprobaciones de plausibilidad: verificar que las entradas de datos sean lógicas y creíbles.
Comprobaciones de normas comerciales: garantizar el cumplimiento normativo de los estándares de gobernanza establecidos.
Comprobaciones de la integridad de las relaciones: confirmar la exactitud de las relaciones entre entidades.
Comprobaciones de elementos opcionales: evaluar la exactitud de campos de datos no obligatorios pero valiosos.
Nivel de madurez 3: calidad excelente representa el estándar más alto de calidad de datos de LEI, lo que garantiza que los datos no solo sean precisos sino también oportunos y estén bien mantenidos. En esta fase, los controles de representación confirman que los datos de las entidades son coherentes en todos los registros, y los controles de actualidad garantizan que la información se actualiza periódicamente y sigue vigente. Las comprobaciones del ciclo de vida y de los registros históricos validan que los registros de LEI históricos y activos se mantienen correctamente.
En la GLEIF, comparamos el modelo de madurez de datos de tres niveles con las clases de cabina de un vuelo. La calidad requerida representa la expectativa fundamental de que se cumplan los estándares mínimos, de forma similar a llegar a su destino de manera segura. La calidad esperada refleja una experiencia mejorada, como la comodidad y los servicios añadidos de un billete de clase preferente. La calidad excelente ofrece el máximo nivel de fiabilidad y sofisticación, comparable al lujo de viajar en primera clase.
¿Por qué es importante el nivel de madurez 2 (calidad esperada)?
Al introducir medidas avanzadas de aseguramiento de la calidad, la calidad esperada desempeña un papel crucial para reforzar la integridad de los datos y garantizar la confianza en el ecosistema financiero.
He aquí por qué es importante:
Evita errores en los datos
Un marco de calidad estructurado elimina los datos de entidades erróneos, incompletos o incoherentes de los sistemas financieros mundiales.
Garantiza el cumplimiento normativo
Alcanzar el nivel de calidad esperada indica que los datos de LEI cumplen los parámetros de calidad esenciales, lo que los hace adecuados para presentar información reglamentaria, evaluar los riesgos financieros y tomar decisiones empresariales informadas.
Favorece la mejora continua
La estructura progresiva de los niveles de madurez impulsa avances continuos en la precisión de los datos y las metodologías de validación. Por ejemplo, los emisores de LEI que alcanzan el índice de calidad esperada en febrero de 2025 han mostrado un rendimiento constante desde diciembre de 2024. Este progreso sostenido refleja los esfuerzos continuos hacia una mayor calidad y fiabilidad de los datos. En 2024, nos estabilizamos en el 50 % de los emisores de LEI, alcanzando sistemáticamente la calidad requerida, lo que supone un salto significativo respecto a 2020 y 2021, cuando solo el 22 % y el 28 % de los emisores cumplían este nivel de madurez, respectivamente.
Sienta las bases de la excelencia
El nivel esperado es un requisito previo para alcanzar el nivel excelente, el estándar más alto de calidad de los datos. Sin alcanzar primero el nivel esperado, la plena integridad de los datos y la fiabilidad del sistema del LEI serían inalcanzables.
Transformar datos en oportunidades
Como punto de referencia clave en la excelencia de los datos de LEI, el nivel de madurez 2 respalda un enfoque estructurado de mejora continua, que permite a los emisores de LEI potenciar la calidad de los datos y aumentar la confianza, la precisión y la transparencia en todo el ecosistema financiero. Esto beneficia a las organizaciones a través de una mayor eficiencia operativa y una mejor mitigación de riesgos, al tiempo que, en última instancia, contribuye a impulsar el crecimiento económico aumentando la transparencia del mercado y permitiendo un comercio internacional sin fisuras.
Si quiere hacer comentarios sobre algún artículo del blog, identifíquese con su nombre y sus apellidos. Su nombre aparecerá junto a su comentario. No se publicarán las direcciones de correo electrónico. Tenga en cuenta que, mediante su acceso al foro de debate o su contribución en él, acuerda cumplir los términos de las Directrices sobre los blogs de la GLEIF, por lo que le pedimos que los lea detenidamente.
Zornitsa Manolova dirige el equipo de Gestión de la Calidad de los Datos y Ciencia de la Global Legal Entity Identifier Foundation (GLEIF). Desde abril de 2018, se encarga de mejorar y perfeccionar el marco establecido para la calidad de los datos y la gobernanza de los datos mediante la introducción de enfoques innovadores de análisis de datos. Anteriormente, Zornitsa dirigió proyectos de análisis de datos forenses en investigaciones financieras internacionales en PwC Forensics. Es licenciada en Ciencias de la Computación, con la especialidad de Aprendizaje Automático, por la Universidad Philipps en Marburg, Alemania.
