ISSN 0798 1015

Vol. 38 (Nº 51) Año 2017. Pág. 11

La gobernabilidad de datos como apoyo en la gestión de datos de instituciones de educación superior

Data governance as support in the data management of institutions of higher education

Mariutsi Alexandra OSORIO Sanabria 1; Carlos Andrés GUERRERO Alarcón 2; Mayda Patricia GONZÁLEZ-ZABALA 3;

Recibido: 06/06/2017 • Aprobado: 05/07/2017

Contenido

1. Introducción

2. Fundamentos teóricos

3. Metodología

4. Resultados

5. Discusión

6. Conclusiones

Referencias bibliográficas

1. Introducción

Actualmente, las organizaciones impulsan su desarrollo en el conocimiento e información generada tanto en su interior como en el contexto. Para lograr su aprovechamiento requieren fuentes de datos confiables, coherentes y disponibles que soporten la toma de decisiones y el mejoramiento de sus capacidades operativas (Otto, Wende, Schmidt, & Osl, 2007). A raíz del aumento en la generación de los datos, dentro y fuera de las entidades, y con el aumento de las posibilidades de acceso a los mismos, cada vez más organizaciones se han dado cuenta de la importancia de gestionar y gobernar sus datos como un recurso a nivel estratégico que optimicen sus procesos (Fu, Wojak, Neagu, Ridley, & Kim, 2011; Niemi, 2011), de ahí que sean apreciados como otro tipo de activo clave que genera valor tal como los recursos financieros y humanos (DGI, 2015a; Kooper, Maes, & Lindgreen, 2011; Rifaie, Alhajj, & Ridley, 2009). Así mismo, han buscado mejorar la calidad y el seguimiento que hacen de sus datos con el fin de contar con nuevas formas de gestionarlos para generar información.

Las Instituciones de Educación Superior (IES) como organizaciones generadoras de conocimiento no son ajenas a esta situación dado que necesitan insumos y herramientas que apoyen la gestión de sus procesos misionales, de manera que puedan responder a las demandas de su entorno (Osorio, 2016). Al igual que otras organizaciones, las IES soportan sus procesos administrativos, definen sus políticas y estrategias y basan sus decisiones en el análisis de sus datos, por tanto, se espera que estas instituciones utilicen las mejores prácticas para la gestión, intercambio, flexibilidad y control de calidad de sus datos.

No obstante, a pesar que las IES cuentan con plataformas tecnológicas que recopilan y almacenan sus datos, estos tienden a encontrarse dispersos, duplicados, incompletos o en diferentes formatos, pues son procesados en distintas aplicaciones. Esta situación hace que se puedan generar errores e inconsistencias en los reportes que son entregados a la comunidad interna y externa, quienes asumen la información recibida como cierta y veraz. Por esta razón, existen universidades que se han interesado en diseñar e implementar programas de Gobernabilidad de Datos (GD) que orienten a la alta dirección, sobre políticas, estándares, calidad y privacidad de datos, así como el desarrollo de Tecnologías de Información (TI) que permitan su uso y aprovechamiento, tales como aplicaciones de inteligencia de negocios, data marts, data warehouse, entre otras; buscando con ello mejorar la calidad de datos utilizados en la generación de informes, facilitar la rendición de cuentas, la seguridad y confidencialidad de los datos, el control y la distribución de información importante dentro de las universidades (New York University, 2015; Stanford University, 2015; Universidad of Cambrigde, 2014; University of Colorado, 2014; University of Michigan, 2016; University of Nevada Las Vegas, 2010; Young & McConkey, 2012).

Entre los aspectos para los cuales las IES han empezado a desarrollar planes de gestión de datos es para los relacionados con las actividades investigación, definiendo para ello el tratamiento que van a recibir los datos. La implementación de estos planes tiene como objetivos el garantizar que no se pierdan los datos, facilitar la correcta custodia desde su producción y permitir su preservación mediante documentación en el entorno tecnológico donde reposen (Preserva, 2013). De igual manera, se ha encontrado que uno de los factores que ha motivado el desarrollo de este tipo de planes es el hecho que los organismos financiadores de proyectos de investigación, establecen entre sus requerimientos la presentación de estos planes, tal como lo realiza la Unión Europea en su programa Horizonte 2020 (PAGODA, 2014).

Sin embargo, pese a los avances en materia de la formulación de iniciativas para gestionar los datos de las IES, un estudio realizado por (Osorio, 2016) evidenció que en la literatura científica, existen documentos orientados hacia la definición de marcos de trabajo de gobierno de datos que apoyen la gestión de los datos, pero no precisan casos de implementación de planes de Gobernabilidad de Datos (GD) con un enfoque hacia la calidad de los datos. En ese sentido, se identificó la oportunidad de desarrollar una investigación orientada a definir el diseño de un Plan de Gobernabilidad de Datos (PGD) enfocado en la calidad de datos para los procesos de investigación en las IES, de tal manera que se lograra un mayor aprovechamiento de los datos, la disminución de los tiempos y costos en la preparación y difusión de sus reportes. Cabe destacar, que esta investigación fue financiada por el programa de Talento Digital del Ministerio de Tecnologías de la Información y Comunicación (MINTIC) de Colombia y desarrollada en el marco de la Maestría en Tecnologías de la Información y Comunicación (TIC) de la Universidad Pontificia Bolivariana y aplicada en la Universidad Cooperativa de Colombia.

2.1. Gestión, gobierno y calidad de datos

Teniendo en cuenta la importancia del valor de los datos y su incidencia en los diferentes aspectos humanos y en el desarrollo de las organizaciones, se llevó a cabo la revisión bibliográfica que permitió la identificación del alcance y la relación de los conceptos de gestión, gobierno y calidad de datos (Tabla 1).

Tabla 1 . Definición de gestión, gobernabilidad y calidad de datos

Fuente: Elaboración propia

Para guiar el proceso de implementación de GD, IBM, ORACLE, el Data Governance Institute (DGI) y el DAMA han definido marcos de trabajo y funciones que benefician a las organizaciones en la generación de valor y en la coordinación e integración de las áreas de negocio (Adler, 2007; DGI, 2015b; IBM, 2007; Mosley, M; Brackett, M; Earley , S; Henderson, 2009; Oracle, 2011), así mismo, investigadores han propuesto modelos de GD centrados en roles, la identificación de responsabilidades en la toma de decisiones y acciones con el objeto de apoyar la gestión y calidad de los datos (Khatri & Brown, 2010; Thompson, Ravindran, & Nicosia, 2015; Weber et al., 2009), y hacia el diseño de procesos y estrategias que faciliten el control de los datos en aspectos o temas específicos (Al-Ruithe, Benkhelifa, & Hameed, 2016; Fu et al., 2011). De igual forma, se han llevado a cabo trabajos que resaltan la importancia de mejorar la gestión, la calidad, disponibilidad y seguridad de los datos (Fu et al., 2011; Guerrero & Londoño, 2016; Otto et al., 2007; Wende, 2007), otras propuestas se han derivado de marcos de gobierno de TI enlazándose con tendencias tales como la computación en la nube, Big Data o inteligencia de negocios (Al-Ruithe et al., 2016; Groß & Schill, 2012; Thomas, 2006; Weber et al., 2009).

Los modelos, marcos de trabajo y casos de estudio mencionados, proponen elementos, procedimientos, actividades y productos de la Gobernabilidad y calidad de datos, los cuales se integraron y compararon tal como se presentan en la Tabla 2.

Tabla 2 . Elementos, funciones o actividades de la gobernabilidad y calidad de datos

Fuente: Elaboración propia basada en (Adler, 2007; DAMA-DMBOK, 2007; DGI,
2015a; IBM, 2007; Oracle, 2011; Serrano Alejo, 2015; Thomas, 2006)

3. Metodología

El proceso metodológico seguido para proponer el diseño del PGD contó con tres etapas basadas en los marcos de trabajo y modelos de implementación de gobierno y calidad de datos mencionados en la fundamentación teórica: 1) Definición del enfoque, 2) Selección de las dimensiones de calidad y 3) Validación y ajustes del plan (ver Figura 1).

Figura 1 . Etapas del proceso metodológico del trabajo

Fuente: Elaboración propia

3.1. Definición de enfoque

Oracle propone cinco enfoques para la GD desde una visión de la gestión empresarial de datos (Figura 2 ), teniendo en cuenta los conceptos de gobierno, gestión y calidad de datos presentados en la Tabla 1 , así como los elementos, procesos y actividades de la Tabla 2 se decidió que el diseño del PGD para una IES se realizara desde el enfoque de calidad de datos, entendiendo este proceso, como la idoneidad de los datos para servir a un propósito en un contexto dado, concepto relativo que toma diferentes significados de acuerdo al tipo de organización, las áreas específicas de aplicación y los usuarios (Fu et al., 2011; Ozmen-Ertekin & Ozbay, 2012).

Figura 2 . Enfoques y funciones claves dela GD bajo la visión de la gestión empresarial de datos

Fuente: Elaboración propia basada en (Oracle, 2011)

De acuerdo con el enfoque seleccionado, se requiere: 1) identificar y aclarar las responsabilidades las partes interesadas, y establecer niveles y derechos de decisión; 2) establecer la dirección de calidad de los datos; 3) Monitorear la calidad de los datos y 4) Generar el informe de las iniciativas centradas en la calidad (Oracle, 2011). De otra parte (DAMA-DMBOK, 2007; IBM, 2007; InfoTech, 2015; Oracle, 2011), proponen para el diseño la identificación de funciones, políticas, áreas de decisión y responsabilidades, y formulación de estrategias de mejora para la calidad, integración y gestión de datos.

3.2. Selección de las dimensiones de calidad

Uno de los aspectos que componen la calidad de datos, son las dimensiones, definidas como el agrupamiento de factores de calidad que tienen el mismo propósito y que precisan las características de los datos en formas medibles (Marotta, 2013; Ozmen-Ertekin & Ozbay, 2012). Sus definiciones y clasificaciones varían de acuerdo con su tipo de medición, categoría o propósito, es por esto que se realizó una búsqueda que permitió identificar y comparar aquellas dimensiones utilizadas para medir la calidad de los datos (Tabla 3).

Tabla 3 . Dimensiones de calidad de datos

Fuente: Elaboración propia basada en (Batini & Scannapieco, 2006; División de Estadística y Proyecciones Económicas CEPAL, 2003; “Global health elearning center”, 2011; Instituto Nacional de Estadísticas de Chile, 2007; Lee, Strong, Kahn, & Wang, 2002; Valverde, 2014; Valverde, Marotta, & Vallespir, 2012)

Con base en necesidad de mejorar la recopilación y tratamiento de datos, y la comparación realizada, de las 22 dimensiones identificadas se seleccionaron tres para el enfoque establecido del PGD: exactitud, consistencia y completitud.

3.3. Validación y ajuste del plan

Para el desarrollo de la investigación se seleccionó como escenario y caso de estudio la Universidad Cooperativa de Colombia (UCC), universidad Multicampus (con presencia en 18 ciudades de Colombia y más de 50.000 estudiantes) que cuenta en su estructura organizativa con las direcciones de gestión tecnológica, investigación y planeación, lo cual facilitó la formulación, validación y ajuste del PGD.

Se diseñó el PGD basado en las dimensiones de calidad de datos (exactitud, consistencia y completitud), siendo sus componentes:  A) Estructura, B) Procesos, C) Estrategias y D) Comunicación, para su construcción se siguió el proceso de diseño ilustrado en la Figura 3 el cual contó con la validación de funcionarios de la Universidad tomada como caso de estudio (UCC). El PGD tiene como fin orientar los procesos, responsables y funciones de la gestión y calidad de los datos de investigación, para contar con un mayor aprovechamiento de los mismos en la preparación y difusión de reportes para la toma de decisiones. A continuación, se presenta cada componente del PGD diseñado y contextualizado para el caso de la UCC.

Figura 3 . Proceso del diseño del PGD

Fuente: Elaboración propia

4.1. Análisis del entorno

Para realizar la planificación es necesario comprender los objetivos y metas institucionales, e identificar de qué manera los activos de datos apoyan el cumplimiento de estos objetivos, para esto es necesario tener en cuenta que la GD se impulsa por el valor de los datos, la rendición de cuentas, la medición del desempeño y la gestión de riesgos, aspectos que deben ser abordados en un proceso de gestión de datos (Rifaie et al., 2009). Para elaborar el PGD se recomienda llevar a cabo el análisis de los procesos institucionales en relación con la recopilación, almacenamiento y tratamiento de los datos. Es necesario identificar y evaluar las fuentes de información a través de un diagnóstico de la calidad de los datos. De igual forma se requiere identificar el personal disponible, los recursos e infraestructura tecnológica con que cuenta la institución, y los que puede vincular o adquirir para ser tenidos en cuenta en la implementación. En la Tabla 4 se presentan los elementos considerados en el análisis del entorno para el caso de la UCC.

Tabla 4 . Elementos para el análisis del entorno en la UCC

Fuente: Elaboración propia

4.2. Evaluación de la gobernabilidad y calidad de los datos

Se recomienda realizar la evaluación de la GD que se aplica en la entidad, en relación con la administración y riesgos de los datos asociados al proceso de investigación, esta evaluación permitirá identificar el impacto en los objetivos y metas institucionales, lo cual facilitará la definición de políticas, estándares y estrategias que faciliten la administración, el control y la calidad de los datos. Además, se recomienda evaluar las fuentes de información identificadas, realizando para ello el perfilamiento de datos que permita obtener el diagnóstico del estado de la calidad de los datos, donde se evidencien problemas y causas de la baja calidad, con el fin de identificar oportunidades de mejora.

En el caso de la UCC se diagnosticó la calidad de datos de dos fuentes de información de las seis identificadas (Sistema de información de planes de trabajo CRONO y bases de datos de la dirección de investigación), seleccionadas al evaluar cada fuente respecto a los indicadores de investigación de la Universidad (talento humano, producción académica, científica y tecnológica, estructuras de apoyo, proyectos e internacionalización de la investigación). Para identificar los problemas y causas de la baja calidad, se utilizaron las técnicas de perfilamiento de datos y vinculación de registros, lo cual permitió la definición de soluciones a los problemas de datos y estrategias de mejora (Tabla 5 ).

Tabla 5 . Problemas de datos, causas, propuestas de solución y estrategias de mejora

Fuente: Elaboración propia

4.3. Diseño del plan de gobernabilidad de datos

Con base en el análisis del entorno y las evaluaciones de GD y calidad de datos, se procedió a la elaboración del plan, es así como se recomienda que sea documentado con ayuda de alguna plantilla. En el plan se deberá declarar explícitamente su alcance y cómo se llevará acabo cada actividad. Además, se debe describir los elementos para cada uno de los componentes de la propuesta (estructura, procesos y comunicación) los cuales deberán articularse con los procesos de investigación y de la unidad responsable de gestionar los recursos tecnológicos de la de la institución.

4.3.1. Estructura (funciones y responsabilidades)

En este componente se definió:

• La visión, metas y estrategias del programa de GD a implementar, así como las estrategias y objetivos de TI, identificando sus responsables.
• El equipo de trabajo con sus objetivos y responsabilidades, teniendo en cuenta su interacción con los procesos y sistemas de información dela institución. El personal podrá asumir los roles de acuerdo a sus áreas decisión o por su participación en algún comité o consejo (data steward, propietario o productor de datos, comité directivo de la gestión de los datos o consejo de gobierno de datos).
• Las políticas y normas necesarias relacionadas con la creación, adquisición, integridad, seguridad, cumplimiento y calidad de los datos de acuerdo a las necesidades del proceso de investigación, así mismo, se establecen sus objetivos y responsables, quienes deberán comunicarlas y realizar seguimiento de su aplicación y resultados. En la Tabla 6 se presentan las políticas de datos y responsables establecidos para la UCC.

Tabla 6 . Política de datos UCC

Fuente: Elaboración propia

4.3.2. Procesos (procedimientos)

Como parte del plan se deben incluir los procesos y procedimientos que permitan gestionar eficazmente los datos almacenados en las fuentes de información institucionales garantizando su calidad. Los procesos propuestos se orientan hacia:

• Supervisión y el seguimiento: se recomienda definir indicadores que midan el desempeño de conjuntos específicos de datos, además se determina la métrica, meta, objetivo y responsable. En la UCC, se definieron los indicadores reportados en la Tabla 7 .

Tabla 7 . Indicadores de seguimiento del desempeño de un conjunto de datos

Fuente: Elaboración propia

• Resolución de problemas: Se recomienda definir los temas que podrían ser tratados por cada grupo equipo de trabajo, de acuerdo a su nivel de decisión, así como las reglas para los pasos de este procedimiento. En la Tabla 8 se presentan los temas clasificados en la UCC por nivel de decisión.

Tabla 8 . Temas a resolver por nivel de decisión

Fuente: Elaboración propia

• Auditoría y Monitoreo de datos: Se recomienda definir el procedimiento para llevar a cabo un proceso una auditoría anual orientada al seguimiento de los datos, que permita revisar y mejorar las prácticas, los procesos y procedimientos que se desarrollan en el marco de la gestión y tratamiento de los datos dentro de la IES. Además, se debe establecer el conjunto de datos, herramientas y frecuencia del monitoreo de calidad de los datos.

4.3.3. Estrategias (proyectos y servicios)

Se recomienda definir estrategias, proyectos y servicios que apoyen la GD, para el caso de estudio en la Tabla 9 se presentan las iniciativas definidas en el PGD de la UCC:

Tabla 9 . Estrategias, proyectos y servicios definidos para el PGD de la UCC

Fuente: Elaboración propia

4.3.4. Procesos de Comunicación

Se recomienda definir los métodos y responsables del proceso de comunicación y cualificación entre la comunidad universitaria y grupos de interés, de acuerdo con los tipos de cambios que se generen o afecten la gestión de los datos de investigación, los cuales se pueden derivar por actualizaciones o nuevas políticas de datos, roles, procedimientos, reportes, resultados y evaluaciones. Para la UCC se definieron métodos y responsables del proceso de comunicación, a través de los cuales se informará al equipo de trabajo los cambios presentados en el PGD (Tabla 10 ).

Tabla 10 . Métodos y responsables de comunicación del PGD

Fuente: Elaboración propia

4.4. Validación

El PGD requiere la validación de parte de funcionarios adscritos a las unidades que lideran el proceso de investigación y de gestión de TI de la Institución, de manera que puedan liderar y promover su implementación en la institución. En la UCC, se validó la propuesta del PGD ante responsables y funcionarios de las Direcciones de gestión tecnológica, Investigación y planeación (Tabla 11 ).

Tabla 11 . Funcionarios que validaron la propuesta de PGD de la UCC

Fuente: Elaboración propia

Actualmente, las organizaciones necesitan contar con la gestión eficaz y eficiente de sus datos, con el fin de aprovechar nuevos modelos de negocio y mejorar sus capacidades operativas (Otto et al., 2007). El creciente interés en el tema de GD se debe a la importancia y ventajas del uso de los datos dentro y fuera de las organizaciones, dado que la GD brinda elementos para la mejora de la calidad de los datos almacenados, la reducción de costos y tiempo en la interpretación de información, así como en la construcción, difusión y entrega de reportes; además, aporta al acceso de datos precisos y al análisis de altos volúmenes por medio de herramientas de minería de datos, BI y Big Data (Osorio, 2016). Para lograrlo es necesario superar algunas barreras tales como la falta de políticas, procesos y funciones institucionales orientadas hacia la gestión de los datos, así como la falta de recursos, financiación, tecnología, habilidades, experiencia y conocimiento especializado de parte de los distintos actores que participan en este proceso (Al-Ruithe et al., 2016; Groß & Schill, 2012).

Se ha presentado el proceso para diseñar un PGD enfocado hacia la calidad de datos, que puede ser utilizado por IES como primer paso hacia la consolidación de un programa de GD, con el interés que cada vez más los datos sean tratados como un activo clave de la organización. En este diseño se han considerado cuatro etapas y cuatro componentes, a los cuales se les describen sus elementos con el fin de facilitar su aplicación. Si bien el plan se orientó hacia la calidad de datos por la importancia de contar con información confiable y oportuna, es posible que pueda tener otros enfoques lo cual dependerá de las necesidades de las instituciones, siendo el propósito que se pueda contribuir en intercambio de información y generación de conocimiento.

Esta propuesta fue validada con la implementación en la Universidad Cooperativa de Colombia, IES de carácter privado, la cual no cuenta con un programa de GD, pero que demandaba mejorar sus procesos de gestión de datos para la generación de indicadores e informes de investigación que permitieran el seguimiento de los objetivos de su plan estratégico nacional y atender las demandas de información de entidades externas. En dicha institución se siguió el procedimiento presentado en este trabajo para la construcción y puesta en marcha de algunos procedimientos, estrategias y proyectos establecidos en el PGD, permitiendo que la institución mejorará sus procedimientos de captura, limpieza y reporte de datos requeridos para la medición de sus capacidades en investigación, abordando los problemas de calidad de datos identificados. Cabe mencionar que a través de esta validación se realimentó la propuesta de este trabajo, al contar con los aportes de los funcionarios de la Universidad que participaron en su implementación.

Con base en el escenario de prueba de la propuesta, se identificó la importancia de GD para mejorar la calidad e integración de las fuentes de datos, considerando que las IES disponen de varios sistemas de información que almacenan sus datos en diferentes formas y formatos, lo cual hace que el seguimiento de la procedencia de los datos y su combinación se convierta en una tarea compleja que demanda la coordinación y cooperación de las instancias que los administran, lo cual es requerido para la gestión de información.

De otra parte, la calidad de datos en las fuentes o repositorios, generalmente muestra la falta de aplicación de procedimientos que garanticen la completitud, consistencia y exactitud de los datos, así como su integración, genera costos en los procesos de construcción de reportes. Contar con estos atributos permite realizar una adecuada evaluación de la calidad de los datos, así como que estos sean compartidos con facilidad, en formatos compatibles con normas claramente definidas. Pese a esto, hay un factor que no se puede controlar, y es que estas evaluaciones se basan en la experiencia humana, y aunque existen técnicas que apoyan este proceso de manera automática, se hace necesario que los resultaos sean analizados por expertos en el tema. Es así como se requiere contar con mecanismos y sistemas de información que integren los datos bajo criterios de calidad, de manera que esta pueda ser percibida sin tener que realizar procesos reiterativos de limpieza de los datos.

Se debe tener en cuenta las limitaciones de la propuesta, si bien se diseñó el PGD para IES que no cuentan con procesos formales de GD, no todas las instituciones cuentan con procesos definidos de gobierno de TI, lo cual hace que este tipo de ejercicios demande personal técnico y con experiencia, así como otros recursos no programados, siendo uno de los factores que puede incidir en la no implementación de lo establecido en el plan. Se espera que trabajos futuros orienten procesos que garanticen la seguridad y privacidad de los datos. Además, se espera que se deriven investigaciones posteriores que aborden temas relacionados con las métricas y mediciones de calidad.

Con este trabajo, se pretende principalmente reflexionar sobre la importancia de la GD en las IES, así como contribuir con elementos que faciliten su implementación como parte del fortalecimiento de las capacidades de análisis y planificación en las instituciones. Se espera que esta propuesta, sea un primer paso que oriente la implementación de un programa de GD en una IES y contrarreste los actuales problemas de calidad de datos, de manera que posteriormente se construya un marco de referencia de GD para IES alineado con la gobernabilidad de Tecnologías de Información (TI).

El diseño de un PGD es un primer paso hacia la implementación de un programa de GD en cualquier entidad, este proceso requiere el consenso de las diferentes áreas que intervienen para que posteriormente se sigan las políticas, lineamientos y se lleven a cabo los mismos procedimientos que se han establecido, con el fin de garantizar la seguridad, la privacidad y la calidad de los datos, además de reducir los costos de la gestión de datos y los tiempos de entrega y análisis de información. El éxito de la implementación de un PGD, es posible si se cuenta responsabilidades claramente definidas, con procesos, procedimientos y herramientas apoyadas en TI que faciliten y guíen su gestión, así como que se cuente con el apoyo a nivel directivo y la disposición de los actores involucrados (investigadores, entidades financiadoras, participantes, IES, beneficiarios, etc.).

En la revisión de la literatura, se evidenció que la GD es objeto de estudio a nivel internacional y como proceso ha sido implementado en organizaciones que manejan grandes volúmenes de datos, pese a esto, en Colombia y en especial en el contexto universitario, la temática no es abordada con el mismo interés, lo cual incide en que las Direcciones de TI, no hayan adoptado e implementado estrategias, que promuevan la gestión de datos y con ella su gobernabilidad, situación que se presenta en la Universidad Cooperativa de Colombia. Por lo anterior, se recomienda que las instituciones dediquen esfuerzos que permitan crear una cultura dónde los datos, la información y el conocimiento puedan ser gestionados y así contribuir al aprendizaje individual y colectivo entre los involucrados.

Finalmente, este trabajo aporta al área de gobierno de TI, en especial a las direcciones de tecnología de las IES, como guía para la configuración de los procesos que faciliten la implementación de un programa de GD centrado en la calidad de los datos. Como trabajo futuro, un grupo de investigación se encuentra desarrollando un marco conceptual para diseñar programas de GD, el cual se espera sea validado en otros escenarios por medio de estudios de caso, teniendo en cuenta que los resultados de la primera validación mostraron que es un recurso útil para estructurar y coordinar las responsabilidades del proceso de calidad, gestión y GD.

Adler, S. (2007). A Flash-light into the Dark : The Starters Guide to Data Governance. Recuperado a partir de http://www-07.ibm.com/events/au/iod/downloads/IPS6_Data-Governance.pdf

Al-Ruithe, M., Benkhelifa, E., & Hameed, K. (2016). A conceptual framework for designing data governance for cloud computing. Procedia Computer Science, 94(MobiSPC), 160–167. https://doi.org/10.1016/j.procs.2016.08.025

Alvarado, J. V. (2011). Calidad de datos en las organizaciones.

Batini, C., & Scannapieco, M. (2006). Data Quality Concepts, Methodologies and Techniques (Springer). Springer-Verlag Berlin Heidelberg. https://doi.org/10.1007/3-540-33173-5

DAMA-DMBOK. (2007). Entidad de Conocimiento para la Gestión de Datos (DAMA-DMBOK © ) Marco de Trabajo Funcional.

DGI. (2015a). The Data Governance Institute. Recuperado 1 de enero de 2015, a partir de http://www.datagovernance.com/the-dgi-framework/

DGI. (2015b). The Data Governance Institute. Recuperado 9 de mayo de 2015, a partir de http://www.datagovernance.com/dgi-data-governance-framework/

División de Estadística y Proyecciones Económicas CEPAL. (2003). Estudios estadisticos y prospectivos. Santiago de Chile. Recuperado a partir de http://repositorio.cepal.org/bitstream/handle/11362/4725/1/S0311768_es.pdf

Fu, X., Wojak, A., Neagu, D., Ridley, M., & Kim, T. (2011). Data governance in predictive toxicology: A review. Journal of Cheminformatics, 3(7), 1–16. https://doi.org/10.1186/1758-2946-3-24

Global health elearning center. (2011). Recuperado 15 de junio de 2014, a partir de https://www.globalhealthlearning.org/course/data-use-program-managers

Groß, S., & Schill, A. (2012). Towards User Centric Data Governance and Control in the Cloud. Lecture Notes in Computer Science, 7039, 132–144. https://doi.org/10.1007/978-3-642-27585- 2_11

Guerrero, C. A., & Londoño, J. M. (2016). Revisión de la Problemática de la Calidad del Software para el Desarrollo de Aplicaciones de Computación en la Nube. Información tecnológica, 27(3), 61–80. https://doi.org/10.4067/S0718-07642016000300007

IBM. (2007). The IBM Data Governance Council Maturity Model : Building a roadmap for effective data governance. Governance An International Journal Of Policy And Administration.

InfoTech. (2015). Info Tech Research Group. Recuperado 8 de febrero de 2015, a partir de https://www.infotech.com/research/data-governance-implementation-plan-template

Instituto Nacional de Estadísticas de Chile. (2007). Dimensiones de la calidad según OECD y EUROSTAT. Reencuentro (Vol. 51). Recuperado a partir de http://www.ine.cl/canales/menu/publicaciones/estudios_y_documentos/estudios/dimensionesdecalidad_4.pdf

Khatri, V., & Brown, C. V. (2010). Designing data governance. Communications of the ACM, 53(1), 148. https://doi.org/10.1145/1629175.1629210

Kooper, M. N., Maes, R., & Lindgreen, E. E. O. R. (2011). On the governance of information: Introducing a new concept of governance to support the management of information. International Journal of Information Management, 31(3), 195–200. https://doi.org/10.1016/j.ijinfomgt.2010.05.009

Lee, Y. W., Strong, D. M., Kahn, B. K., & Wang, R. Y. (2002). AIMQ: A methodology for information quality assessment. Information and Management, 40(2), 133–146. https://doi.org/10.1016/S0378-7206(02)00043-5

Marotta, A. (2013). Dimensiones de Calidad. Montevideo. Recuperado a partir de https://www.fing.edu.uy/inco/cursos/caldatos/Transparencias/2-Dimensiones de calidad.pdf

Mosley, M; Brackett, M; Earley , S; Henderson, D. (2009). The DAMA Guide to the Data Management Body of Knowledge. DAMA.

New York University. (2015). New York University. Recuperado 16 de febrero de 2015, a partir de http://www.nyu.edu/employees/resources-and-services/administrative-services/university-data-warehouse-plus/data-management.html

Niemi, E. (2011). Designing a Data Governance Framework. Recuperado a partir de https://www.researchgate.net/publication/257194534_Working_Paper_Designing_a_Data_Governance_Framework

Oracle. (2011). Enterprise Information Management: Best Practices in Data Governance. An Oracle White Paper in Entreprise Architecture. Recuperado a partir de http://www.oracle.com/technetwork/articles/entarch/oea-best-practices-data-gov-400760.pdf

Osorio, M. (2016). Diseño de un plan de gobernablidad de datos de investigación para la Universidad Cooperativa de Colombia. Universidad Pontificia Bolivariana.

Otto, B., Wende, K., Schmidt, A., & Osl, P. (2007). Towards a Framework for Corporate Data Quality Management Towards a Framework for Corporate Data Quality Management. ACIS 2007 Proceedings.

Ozmen-Ertekin, D., & Ozbay, K. (2012). Dynamic data maintenance for quality data, quality research. International Journal of Information Management, 32(3), 282–293. https://doi.org/10.1016/j.ijinfomgt.2011.11.003

PAGODA. (2014). PAGODA. Recuperado 18 de octubre de 2014, a partir de http://www.consorciomadrono.es/pagoda/

Preserva. (2013). Preserva. Recuperado 15 de febrero de 2015, a partir de http://bd.ub.edu/preservadigital/node/180

Rifaie, M., Alhajj, R., & Ridley, M. (2009). Data governance strategy: A key issue in building enterprise data warehouse. iiWAS2009 - The 11th International Conference on Information Integration and Web-based Applications and Services, 587–591. https://doi.org/10.1145/1806338.1806449

Serrano Alejo, S. (2015). Herramienta de soporte para la auditoría de la madurez organizacional de la gestión de datos. Escuela Superior de Informática. Universidad de Castilla - La Mancha. Recuperado a partir de https://ruidera.uclm.es/xmlui/bitstream/handle/10578/5085/TFG_Sergio Serrano.pdf?sequence=1&isAllowed=y

Stanford University. (2015). Getting Started with Stanford Data Governance. Recuperado a partir de Getting Started with Stanford Data Governance

Thomas, G. (2006). The DGI data governance framework. Recuperado a partir de http://scholar.google.com/scholar?hl=en&btnG=Search&q=intitle:The+DGI+Data+Governance+Framework#0

Thompson, N., Ravindran, R., & Nicosia, S. (2015). Government data does not mean data governance: Lessons learned from a public sector application audit. Government Information Quarterly, 32(3), 316–322. https://doi.org/10.1016/j.giq.2015.05.001

Universidad of Cambrigde. (2014). University of Cambridge. Recuperado 10 de octubre de 2014, a partir de http://www.data.cam.ac.uk/

University of Colorado. (2014). Data Governance. Recuperado a partir de http://www.cu.edu/sites/default/files/6010.pdf

University of Michigan. (2016). Information technology stratetyc plan. Recuperado a partir de http://cio.umich.edu/system/files/IT Strategic Plan - 2016.pdf

University of Nevada Las Vegas. (2010). UNLV_Data_Governance_Policy.pdf. Recuperado a partir de https://ir.unlv.edu/IAP/Files/UNLV_Data_Governance_Policy.aspx

Valverde, C. (2014). Calidad de Datos en Experimentos de Ingeniería de Software. Universidad de la República. Recuperado a partir de https://www.fing.edu.uy/sites/default/files/biblio/22369/tesis carolina valverde - cd en exp de is.pdf

Valverde, C., Marotta, A., & Vallespir, D. (2012). Análisis de la calidad de datos en experimentos en ingeniería de software. XVIII Congreso Argentino de Ciencias de la Computación. Recuperado a partir de http://sedici.unlp.edu.ar/handle/10915/23711

Weber, K., Otto, B., Osterle, H., Schneider, B., McManus, J., Kooper, M., … Boff, S. O. (2009). One Size Does Not Fit All — A Contingency Approach to Data Governance. ACM Journal of Data and Information Quality, 1(1), 4:1-4:27. https://doi.org/10.1145/1515693.1515696.http

Wende, K. (2007). A model for data governance–Organising accountabilities for data quality management. 18th Australasian Conference on Information Systems, 417–425. Recuperado a partir de http://www.alexandria.unisg.ch/export/DL/Kristin_Wende/204799.pdf

Young, A., & McConkey, K. (2012). Data governance and data quality – is it on your agenda? Journal of Institutional Research, 17.1(November 2011), 69–77.

1. Estudiante Doctorado en Ingeniería. Magíster en TIC becada Cv. Talento Digital del MINTIC. Universidad Cooperativa de Colombia. Bucaramanga, Colombia. Mariutsi.osorio@upb.edu.co

2. Doctor(c) en Ingeniería. Universidad Santo Tomás. Tunja, Colombia. carlos.guerrero@usantoto.edu.co

3. Doctora en Ingeniería. Universidad del Magdalena. Santa Marta, Colombia. mpgonzalez@unimagdalena.edu.co