Framework B-DataCom: métricas para la comprensibilidad de los datos en entornos de analítica de negocio
DOI:
https://doi.org/10.36825/RITI.14.35.004Palabras clave:
Comprensibilidad de los Datos, Goal-Question-Metric (GQM), Toma de Decisiones, Calidad de los DatosResumen
En las organizaciones desarrolladoras de software existen procesos técnicos misionales enfocados en la construcción del producto de software, pero también existen otros procesos de negocio, no menos relevantes, que soportan dicha construcción como la toma de decisiones organizacionales. En este contexto, la calidad de los datos de negocio se ha vuelto cada vez más relevante, sin embargo, existe una brecha sobre la comprensibilidad de esto datos, debido a la ausencia tanto de su conceptualización, como de mecanismos formales para la medición de su calidad; limitando de esta manera su aprovechamiento para los procesos de análisis y toma de decisiones organizacionales. Este trabajo presenta el framework B-DataCom, el cual propone métricas para la medición de la comprensibilidad de los datos de negocio en organizaciones desarrolladoras de software. Se realiza un mapeo sistemático de la literatura para identificar elementos viables de medición con respecto a la calidad del dato en un contexto empresarial; lo que fundamentó el framework, considerando además una extensión en la Ontología de la medición para su conceptualización integrada de la semántica de la comprensibilidad. B-DataCom define las características descriptivas de la comprensibilidad del dato, un modelo conceptual que representa la teoría valorada en la investigación y un conjunto de 11 métricas GQM (Goal-Question-Metric). Luego de un ejercicio de instanciación de las métricas, sobre el proceso MPS (Mejora de Procesos) referenciado en COMPETISOFT, se concluye que las métricas propuestas pueden ser escaladas a través de futuros estudios de caso.
Citas
Merino, J., Caballero, I., Rivas, B., Serrano, M., Piattini, M. (2016). A data quality in use model for Big Data. Future Generation Computer Systems, 63, 123–130. https://doi.org/10.1016/j.future.2015.11.024
Badshah, A., Daud, A., Alharbey, R., Banjar, A., Bukhari, A., Alshemaimri, B. (2024). Big data applications: Overview, challenges and future. Artificial Intelligence Review, 57 (11), 1-49. https://doi.org/10.1007/s10462-024-10938-5
Yeh, Y.-T., Eden, R., Fielt, E., Syed, R. (2025). The role of use for the business value of big data analytics. The Journal of Strategic Information Systems, 34 (2), 1-36. https://doi.org/10.1016/j.jsis.2025.101888
Willetts, M., Atkins, A. S. (2024). Evaluation of a software positioning tool to support SMEs in adoption of big data analytics. Journal of Electronic Science and Technology, 22 (1), 1-11. https://doi.org/10.1016/j.jnlest.2023.100229
International Organization for Standardization. (2008). Software engineering — Software product Quality Requirements and Evaluation (SQuaRE) — Data quality model (ISO/IEC Standard No. 25012:2008). https://www.iso.org/standard/35736.html
López, L., Mazano, M., Gómez, C., Oriol, M., Franch, X., Martínez-Fernández, S., Vollmer, A. M. (2020). QaSD: A quality-aware strategic dashboard for supporting decision makers in Agile software development. Science of Computer Programming, 202, 1-10. https://doi.org/10.1016/j.scico.2020.102568
Putrama, I. M., Martinek, P. (2024). Heterogeneous data integration: Challenges and opportunities. Data in Brief, 56, 1-23. https://doi.org/10.1016/j.dib.2024.110853
Martínez-Fernández, S., Vollmer, A. M., Jedlitschka, A., Franch, X., López, L., Ram, P. (2019). Continuously assessing and improving software quality with software analytics tools: A case study. IEEE Access, 7, 68219–68239. https://doi.org/10.1109/ACCESS.2019.2917403
Molina España, S. A., Buitrón Ruiz, S. L., Pino Correa, F. J. (2026). Medición de la comprensibilidad de datos en analítica de negocio: El framework B-DataCom. Ingeniería y Competitividad, 28 (2), 1-19. https://revistaingenieria.univalle.edu.co/index.php/ingenieria_y_competitividad/article/view/15823
Grupo Alarcos. (s. f.). COMPETISOFT. Universidad de Castilla-La Mancha. https://alarcos.esi.uclm.es/competisoft/Framework/
Petersen, K., Feldt, R., Mujtaba, S., Mattsson, M. (2008). Systematic mapping studies in software engineering. 12th International Conference on Evaluation and Assessment in Software Engineering, Italy. https://doi.org/10.14236/ewic/EASE2008.8
Likert, R. (1932). A technique for the measurement of attitudes. Archives of Psychology, 22 (140), 1–55. https://legacy.voteview.com/pdf/Likert_1932.pdf
Lee, B., Ahmed-Kristensen, S. (2025). D3 framework: An evidence-based data-driven design framework for new product service development. Computers in Industry, 164, 1-14. https://doi.org/10.1016/j.compind.2024.104206
Dai, C., Füllgrabe, A., Pfeuffer, J., Solovyeva, E. M., Deng, J., Moreno, P…. Perez-Riverol, Y. (2021). A proteomics sample metadata representation for multiomics integration and big data analysis. Nature Communications, 12 (1), 5854. https://doi.org/10.1038/s41467-021-26111-3
Goble, C., Cohen-Boulakia, S., Soiland-Reyes, S., Garijo, D., Gil, Y., Crusoe, M. R., Peters, K., Schober, D., (2024). FAIR computational workflows. Data Intelligence, 2 (1–2), 108–121. https://doi.org/10.1162/dint_a_00033
Kim, Y., Kim, J., Jeon, H., Kim, Y., Song, H., Kim, B. (2021). Githru: Visual analytics for understanding software development history through Git metadata analysis. IEEE Transactions on Visualization and Computer Graphics, 27 (2), 656–666. https://doi.org/10.1109/TVCG.2020.3030414
Řezník, T., Raes, L., Stott, A., De Lathouwer, B., Perego, A., Charvát, K., Kafka, Š. (2022). Improving the documentation and findability of data services and repositories: A review of (meta)data management approaches. Computers & Geosciences, 169, 1-28. https://doi.org/10.1016/j.cageo.2022.105194
Leipzig, J., Nüst, D., Hoyt, C. T., Ram, K., Greenberg, J. (2021). The role of metadata in reproducible computational research. Patterns, 2 (9), 1-28. https://doi.org/10.1016/j.patter.2021.100322
Bandara, M., Rabhi, F. A., Bano, M. (2023). A knowledge-driven approach for designing data analytics platforms. Requirements Engineering, 28, 195–212. https://doi.org/10.1007/s00766-022-00385-5
Fannouch, A., Gharib, J., Gahi, Y. (2025). Enhancing DataOps practices through innovative collaborative models: A systematic review. International Journal of Information Management Data Insights, 5 (1), 1-18. https://doi.org/10.1016/j.jjimei.2025.100321
Kozik, R., Choraś, M., Puchalski, D., Renk, R. (2019). Q-Rapids framework for advanced data analysis to improve rapid software development. Journal of Ambient Intelligence and Humanized Computing, 10, 1927–1936. https://doi.org/10.1007/s12652-018-0784-5
Kusumawardhani, F. K., Ratmono, D., Wibowo, S. T., Darsono, D., Widyatmoko, S., Rokhman, N. (2024). The impact of digitalization in accounting systems on information quality, cost reduction and decision making: Evidence from SMEs. International Journal of Data and Network Science, 8, 1111–1116. https://doi.org/10.5267/j.ijdns.2023.11.023
Liberatore, M. J., Pollack-Johnson, B., Clain, S. H. (2017). Analytics capabilities and the decision to invest in analytics. Journal of Computer Information Systems, 57 (4), 364–373. https://doi.org/10.1080/08874417.2016.1232995
Ahmad, M. O., Ahmad, I., Rana, N. P., Khan, I. S. (2023). An empirical investigation on business analytics in software and systems development projects. Information Systems Frontiers, 25, 917–927. https://doi.org/10.1007/s10796-022-10253-w
Sompolgrunk, A., Banihashemi, S., Golzad, H., Le Nguyen, K. (2024). Strategic alignment of BIM and big data through systematic analysis and model development. Automation in Construction, 168, 1-22. https://doi.org/10.1016/j.autcon.2024.105801
Ryzhakova, G., Malykhina, O., Pokolenko, V., Rubtsova, O., Homenko, O., Nesterenko, I., Honcharenko, T. (2022). Construction project management with Digital Twin Information System. International Journal of Emerging Technology and Advanced Engineering, 12 (10), 19–28. https://doi.org/10.46338/ijetae1022_03
Rique, T., Perkusich, M., Dantas, E., Alburquerque, D., Gorgônio, K, Almeida, H. (2023). On adopting software analytics for managerial decision-making: A practitioner’s perspective. IEEE Access, 11, 73145–73163. https://doi.org/10.1109/ACCESS.2023.3294823
Zhu, J., Zhuang, E., Fu, J., Baranowski, J., Ford, A., Shen, J. (2016). A framework-based approach to utility big data analytics. IEEE Transactions on Power Systems, 31 (3), 2455–2462. https://doi.org/10.1109/TPWRS.2015.2462775
Basili, V., Trendowicz, A., Kowalczyk, M., Heidrich, J., Seaman, C., Münch, J., Rombach, D. (2014). Aligning Organizations Through Measurement: The GQM+Strategies Approach. Springer. https://doi.org/10.1007/978-3-319-05047-8
Ferreira, M., García, F., Ruiz, F., Bertoa, M. F., Calero, C., Vallecillo, A., Piattini, M., Mora, B. (2006). Medición del Software Ontología y Metamodelo (Informe Técnico UCLM-TSI-001). Universidad de Castilla-La Mancha. https://n9.cl/izkla
Real Academia Española. (s. f.). Comprensible. En Diccionario de la lengua española (Edición del Tricentenario). https://dle.rae.es/comprensible
Descargas
Publicado
Cómo citar
Número
Sección
Licencia
Derechos de autor 2026 Revista de Investigación en Tecnologías de la Información
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial 4.0.
Esta revista proporciona un acceso abierto a su contenido, basado en el principio de que ofrecer al público un acceso libre a las investigaciones ayuda a un mayor intercambio global del conocimiento.
El texto publicado en la Revista de Investigación en Tecnologías de la Información (RITI) se distribuye bajo la licencia Creative Commons (CC BY-NC
), que permite a terceros utilizar lo publicado citando a los autores del trabajo y a RITI, pero sin hacer uso del material con propósitos comerciales.
