ANEXO 6

Auditoría de datos disponibles

Este anexo corresponde a la Fase 0 — Análisis previo, etapa “Auditoría de datos disponibles” y también se conecta con la etapa “Mapa de datos disponibles” de la tabla maestra FARO Connect. En la tabla, esta etapa busca saber qué datos existen, cuáles faltan y cuáles son confiables, usando como base el Diccionario FARO de datos mínimos por módulo, estimado inicialmente en 250 a 400 campos base.

1. Objetivo del anexo

El objetivo de la Auditoría de datos disponibles es determinar si la empresa tiene la información necesaria para que FARO Connect pueda funcionar con seriedad.

No alcanza con que la empresa diga:

“Tenemos ERP.” “Tenemos Excel.” “Tenemos reportes.” “Tenemos todo cargado.”

Eso no significa nada todavía.

FARO debe verificar:

Qué datos existen.
Dónde están.
Quién los carga.
Cada cuánto se actualizan.
Qué tan completos son.
Qué tan confiables son.
Qué campos faltan.
Qué datos están duplicados.
Qué datos están mal clasificados.
Qué datos sirven para KPIs.
Qué datos sirven para tensiones.
Qué datos sirven para acciones.
Qué datos sirven para FARO Score.

La pregunta central es:

¿La empresa tiene datos suficientes, confiables y trazables para transformar información en dirección ejecutiva?

2. Tesis de la auditoría de datos

La tesis es simple:

FARO Connect no puede generar dirección confiable si los datos de base son incompletos, débiles o no trazables.

La IA puede explicar mejor. Los dashboards pueden verse más lindos. Los gráficos pueden tener mejores colores.

Pero si el dato está mal, la conclusión también está mal.

En lenguaje directo:

Dato basura → KPI basura → alerta basura → decisión peligrosa.

O peor: decisión muy segura, pero equivocada. Esa es la más cara.

3. Diferencia entre dato existente, dato usable y dato confiable

Ejemplo:

Existe:
“Cem x50”

Usable:
“CEMENTO_BOLSA_50KG”

Confiable:
Producto ID PROD-001, costo actualizado, precio lista, stock actual, proveedor, rotación y margen esperado.

FARO no debe conformarse con que el dato exista. Debe saber si sirve para dirigir.

4. Qué debe auditar FARO

La auditoría debe revisar cinco grandes bloques.

5. Fuentes de datos a relevar

6. Diccionario FARO de datos mínimos por módulo

La auditoría debe comparar lo que la empresa tiene contra el Diccionario FARO de datos mínimos.

Una base inicial razonable puede tener:

250 a 400 campos base

Distribuidos así:

7. Campos mínimos por módulo

7.1 Comercial

Si falta costo unitario, FARO puede calcular ventas, pero no margen. Y sin margen, no hay lectura comercial seria.

7.2 Finanzas

7.3 Stock

7.4 Compras

7.5 RRHH

7.6 Operaciones / Workflow

8. Dimensiones de calidad de datos

FARO debe evaluar la calidad de cada fuente y módulo según estas dimensiones.

9. Fórmulas de calidad de datos

9.1 Completitud

Completitud = campos completos / campos requeridos

def completitud(campos_completos, campos_requeridos):
    if campos_requeridos == 0:
        return 0
    return campos_completos / campos_requeridos

9.2 Tasa de error

Tasa de error = registros con error / registros totales

def tasa_error(registros_error, registros_totales):
    if registros_totales == 0:
        return 0
    return registros_error / registros_totales

9.3 Tasa de duplicados

Tasa de duplicados = registros duplicados / registros totales

def tasa_duplicados(duplicados, registros_totales):
    if registros_totales == 0:
        return 0
    return duplicados / registros_totales

9.4 Score de calidad FARO

Score calidad =
Completitud × 35%
+ Consistencia × 25%
+ Validez × 15%
+ Actualización × 10%
+ Trazabilidad × 10%
+ Unicidad × 5%

def score_calidad_datos(completitud, consistencia, validez, actualizacion, trazabilidad, unicidad):
    score = (
        completitud * 0.35 +
        consistencia * 0.25 +
        validez * 0.15 +
        actualizacion * 0.10 +
        trazabilidad * 0.10 +
        unicidad * 0.05
    )
    return round(score, 2)

10. Semáforo de calidad de datos

Ejemplo:

Ventas: 0.91 → confiable.
Stock: 0.64 → débil.
RRHH: 0.78 → usable con observaciones.
Finanzas: 0.86 → confiable.

11. Matriz de brecha de datos

La auditoría debe producir una matriz clara.

12. Impacto de datos faltantes sobre FARO

13. Auditoría por muestra

Cuando hay muchos datos, FARO puede auditar una muestra.

Ejemplo:

Tomar últimos 90 días.
Revisar ventas, cobranzas, stock y gastos.
Validar 100 operaciones comerciales.
Validar 50 cobranzas.
Validar 50 productos de stock.
Validar 30 gastos relevantes.

Código simple para medir completitud en una muestra:

def auditar_muestra(registros, campos_requeridos):
    resultado = []

    for registro in registros:
        completos = sum(1 for campo in campos_requeridos if registro.get(campo) not in [None, ""])
        score = completos / len(campos_requeridos)
        resultado.append(score)

    return round(sum(resultado) / len(resultado), 2) if resultado else 0

14. Data profiling básico

FARO puede perfilar columnas para entender calidad.

def perfil_columna(valores):
    total = len(valores)
    vacios = sum(1 for v in valores if v in [None, ""])
    unicos = len(set(valores))

    return {
        "total": total,
        "vacios": vacios,
        "porcentaje_vacios": round(vacios / total, 2) if total else 0,
        "unicos": unicos,
        "duplicacion_aproximada": round(1 - (unicos / total), 2) if total else 0
    }

Ejemplo de salida:

{
  "campo": "cliente",
  "total": 10000,
  "vacios": 320,
  "porcentaje_vacios": 0.03,
  "unicos": 1840,
  "duplicacion_aproximada": 0.82
}

15. Validaciones mínimas por tipo de dato

Ejemplo:

def validar_venta(venta):
    errores = []

    if not venta.get("fecha"):
        errores.append("fecha_faltante")

    if venta.get("importe", 0) <= 0:
        errores.append("importe_invalido")

    if not venta.get("producto_id"):
        errores.append("producto_faltante")

    if venta.get("costo_unitario") is None:
        errores.append("costo_faltante")

    if venta.get("descuento", 0) > 0.30:
        errores.append("descuento_fuera_de_rango")

    return errores

16. Datos mínimos para detectar tensiones iniciales

Si faltan esos datos, FARO puede marcar la tensión como:

No detectable.
Detectable parcialmente.
Detectable con baja confianza.
Detectable con confianza alta.

17. Score de preparación por módulo

Además del score de calidad, conviene medir si un módulo está listo para implementarse.

Preparación módulo =
Disponibilidad de datos × 40%
+ Calidad de datos × 30%
+ Responsable definido × 15%
+ Proceso documentado × 15%

def score_preparacion_modulo(disponibilidad, calidad, responsable, proceso):
    return round(
        disponibilidad * 0.40 +
        calidad * 0.30 +
        responsable * 0.15 +
        proceso * 0.15,
        2
    )

Lectura:

18. Ejemplo: auditoría comercial

Datos encontrados

Ventas disponibles.
Cliente disponible.
Producto disponible.
Vendedor disponible.
Precio final disponible.
Descuento disponible.
Costo unitario incompleto.
Fecha de cobro no conectada.

Lectura FARO

Se pueden calcular ventas y descuentos.
El margen no es totalmente confiable.
No se puede relacionar correctamente venta con cobranza.
La tensión “crecimiento no rentable” puede detectarse con confianza media, no alta.

Acción recomendada

Integrar costo unitario desde compras o ERP.
Vincular ventas con cobranzas.
Normalizar productos.

19. Ejemplo: auditoría de stock

Datos encontrados

Stock actual disponible.
Producto disponible.
Sucursal disponible.
Stock mínimo incompleto.
Último movimiento incompleto.
Rotación no calculada.
Proveedor habitual no vinculado.

Lectura FARO

Se puede ver inventario actual.
No se puede anticipar stock crítico con precisión.
No se puede detectar stock inmovilizado con confianza alta.

Acción recomendada

Completar stock mínimo por producto.
Vincular ventas promedio por producto.
Registrar proveedor y plazo de reposición.

20. Ejemplo: auditoría de dirección / workflow

Datos encontrados

Decisiones se toman en reuniones.
No siempre se registran.
No siempre tienen responsable.
No siempre tienen vencimiento.
No se mide cierre ni resultado.

Lectura FARO

La empresa decide, pero no tiene trazabilidad de ejecución.
La tensión “dirección sin ejecución” es probable, pero requiere formalizar workflow.

Acción recomendada

Implementar registro de decisiones.
Asignar responsable.
Definir vencimiento.
Medir cierre.
Conectar acción con KPI o tensión.

21. Output final del Anexo 6

Al finalizar la auditoría de datos, FARO debe producir:

1. Inventario de fuentes de datos.
2. Mapa de datos disponibles por área.
3. Diccionario inicial de campos existentes.
4. Comparación contra Diccionario FARO de datos mínimos.
5. Brecha de datos por módulo.
6. Score de calidad por fuente.
7. Score de preparación por módulo.
8. Datos faltantes críticos.
9. Datos duplicados o inconsistentes.
10. Datos no trazables.
11. KPIs posibles de calcular hoy.
12. KPIs no calculables todavía.
13. Tensiones detectables hoy.
14. Tensiones no detectables todavía.
15. Recomendaciones de limpieza y normalización.
16. Prioridad de integración de fuentes.
17. Riesgos de implementación.
18. Roadmap de datos para FARO Connect.

22. Conexión con otros anexos

La auditoría de datos define si FARO Connect puede operar con información confiable. Releva fuentes, campos, calidad, trazabilidad, brechas y preparación por módulo. Con eso evita prometer KPIs, tensiones o scores que la empresa todavía no puede sostener con datos reales.