BLOG

Data Quality vuelve a liderar las prioridades tecnológicas en 2026

En plena expansión de la inteligencia artificial, la calidad de datos recupera el primer puesto entre las principales prioridades de Data & Analytics. El informe Data, BI and Analytics Trend Monitor 2026, de BARC, revela por qué las organizaciones siguen apostando por la confiabilidad de la información y qué distingue a las empresas que logran convertir sus datos en valor para el negocio.

Mientras buena parte de la conversación tecnológica gira alrededor de la inteligencia artificial generativa, los agentes autónomos y las nuevas capacidades de automatización, las organizaciones siguen considerando que su mayor prioridad es mucho más fundamental: contar con datos confiables.

Así lo revela el informe Data, BI and Analytics Trend Monitor 2026, elaborado por BARC (Business Application Research Center), a partir de una encuesta a 1.579 profesionales de diferentes industrias, tamaños de empresas y regiones.

El estudio analiza veinte tendencias en datos, Business Intelligence y analítica, y permite comparar cómo evoluciona su importancia dentro de las organizaciones.

Su conclusión es significativa: la gestión de calidad de datos (Data Quality Management) recupera la primera posición del ranking, después de haber sido superada por la seguridad y privacidad de los datos.

Ambas prioridades alcanzan una valoración de 7,9 puntos sobre 10, confirmando que la confiabilidad y la protección de la información siguen ocupando un lugar central en las estrategias tecnológicas.

Lejos de perder relevancia frente al avance de la IA, la calidad de datos se reafirma como uno de los fundamentos necesarios para aprovecharla.

El ranking general de BARC muestra que las organizaciones otorgan las puntuaciones más altas a capacidades vinculadas con la confianza, la seguridad y el uso responsable de la información.

PrioridadPuntuación
Gestión de calidad de datos7,9/10
Seguridad y privacidad de los datos7,9/10
Cultura basada en datos7,3/10
Gobierno de datos e IA6,9/10
Alfabetización en datos e inteligencia artificial6,5/10

Fuente: BARC, Data, BI and Analytics Trend Monitor 2026.

El orden resulta especialmente interesante cuando se compara con el posicionamiento de las tecnologías emergentes.

Mientras IA, Machine Learning y analítica avanzada obtienen 6,4 puntos, la IA generativa aplicada a datos y análisis alcanza 5,5, y la IA agéntica registra 4,5.

Esto no significa que las organizaciones estén dejando de invertir en inteligencia artificial.

Por el contrario, el ranking refleja que la innovación necesita apoyarse en capacidades organizacionales y tecnológicas que permitan sostenerla.

Una empresa puede incorporar modelos avanzados, herramientas analíticas y automatizaciones, pero su capacidad para utilizarlos de forma confiable dependerá también de cómo administra, protege, integra y verifica la información.

Durante años, muchas iniciativas de transformación digital estuvieron enfocadas en incorporar nuevas plataformas, digitalizar procesos y ampliar la capacidad de análisis.

La inteligencia artificial acelera esa evolución y agrega nuevas exigencias.

Los modelos ya no se limitan a procesar información para generar reportes. Cada vez más, sus resultados intervienen en recomendaciones, segmentaciones, priorización de operaciones y decisiones empresariales.

Al mismo tiempo, los sistemas utilizan información procedente de múltiples fuentes: plataformas transaccionales, CRM, aplicaciones digitales, documentos, bases externas y contenidos no estructurados.

En este contexto, la calidad de datos adquiere una dimensión adicional.

No alcanza con que la información esté disponible. Es necesario que sea correcta, consistente, relevante, actualizada y adecuada para el proceso en el que se utiliza.

BARC señala que la calidad de datos cobra especial importancia para la inteligencia artificial y los agentes de IA, debido a la necesidad de reducir el riesgo de recomendaciones incorrectas, sesgos y problemas asociados a la información utilizada.

El informe también incorpora un desafío que merece atención: la calidad de los datos no estructurados.

Documentos, archivos, textos y otras fuentes que antes quedaban fuera de muchos procesos tradicionales de Data Quality comienzan a participar de manera más activa en aplicaciones de inteligencia artificial.

Esto amplía el alcance de la gestión de calidad y exige combinar prácticas tradicionales de validación y normalización con políticas de gobierno, trazabilidad y controles adecuados a cada tipo de información.

En nuestra nota Cómo preparar los datos para el uso de IA generativa con herramientas de Data Quality profundizamos en los procesos de consolidación, limpieza, estandarización, validación y enriquecimiento que ayudan a preparar la información para estos entornos.

Uno de los hallazgos más valiosos del informe aparece cuando BARC compara las prioridades de las empresas con mejores resultados frente a las organizaciones rezagadas.

El estudio identifica a las empresas líderes a partir de los beneficios empresariales obtenidos con sus iniciativas de datos y análisis, considerando resultados como reducción de costos, satisfacción del cliente, incremento de ingresos y mejora de decisiones.

En ese grupo, la gestión de calidad de datos alcanza una puntuación de 8,5 sobre 10, superior al promedio general de 7,9.

Las siguientes prioridades también muestran un patrón claro:

  • Cultura basada en datos: 8,4/10.
  • Seguridad y privacidad: 8,3/10.
  • Gobierno de datos e IA: 7,6/10.
  • Análisis de autoservicio y descubrimiento de datos: 7,5/10.
  • IA, Machine Learning y analítica avanzada: 7,4/10.

çLa diferencia no reside únicamente en valorar más la calidad de los datos.

Las organizaciones líderes combinan fundamentos sólidos con una mayor orientación hacia la innovación y la generación de valor.

BARC encuentra diferencias particularmente amplias entre líderes y rezagados en inteligencia y automatización de decisiones, monetización de datos y analítica avanzada.

Esta combinación permite extraer una conclusión estratégica: las organizaciones más maduras no plantean una elección entre invertir en calidad o invertir en innovación.

Entienden que ambas capacidades deben evolucionar de manera coordinada.

La calidad aporta confiabilidad; el gobierno establece responsabilidades y criterios de uso; la cultura facilita la adopción; y las tecnologías analíticas permiten convertir esa base en acciones de negocio.

Otro aspecto relevante del estudio es la diferencia entre el enfoque de los proveedores tecnológicos y el de los usuarios de negocio y TI. BARC observa que los usuarios otorgan especial importancia a calidad, seguridad y cultura de datos, mientras que los proveedores ponen mayor énfasis en tecnologías como la nube, IA y Machine Learning.

Esta diferencia ayuda a entender una situación habitual en los proyectos de transformación digital.

Las organizaciones pueden incorporar soluciones cada vez más sofisticadas, pero quienes necesitan utilizarlas diariamente siguen enfrentando problemas relacionados con la confiabilidad de la información.

  • Una campaña puede disponer de herramientas avanzadas de segmentación, pero su desempeño se verá limitado si los datos de contacto son incorrectos.
  • Un proceso de onboarding puede estar automatizado, pero necesitará verificar correctamente la información de identidad.
  • Un sistema de análisis crediticio puede utilizar modelos predictivos, pero requiere consistencia entre los datos asociados a una misma persona o empresa.
  • Y una estrategia omnicanal puede integrar múltiples aplicaciones sin llegar a construir una visión unificada del cliente.

Estos ejemplos muestran por qué la calidad de datos debe dejar de tratarse exclusivamente como una tarea técnica o correctiva.

Su valor se manifiesta cuando permite reducir errores operativos, mejorar la experiencia del cliente, fortalecer decisiones y aprovechar mejor las inversiones tecnológicas.

La conversación, por lo tanto, no debería limitarse a cuánto cuesta mejorar una base de datos, sino también a cuánto le cuesta al negocio operar con información que no puede utilizar de manera confiable.

El estudio de BARC recoge respuestas de distintas regiones, aunque su muestra tiene una fuerte representación europea. Por eso, sus resultados no deben interpretarse como un ranking exclusivo de América Latina.

Sin embargo, las prioridades identificadas permiten plantear preguntas relevantes para organizaciones que operan en mercados latinoamericanos.

Bancos, fintech, aseguradoras, retailers, marketplaces, empresas de telecomunicaciones y operadores logísticos necesitan intercambiar información entre sistemas y canales, muchas veces con diferentes formatos, criterios de captura y niveles de actualización.

En estos entornos, la calidad de datos puede intervenir directamente sobre procesos críticos.

  • En servicios financieros, validar identidades y enriquecer información ayuda a construir perfiles más completos para determinadas operaciones, dentro de los requisitos regulatorios y criterios de riesgo correspondientes.
  • En retail y ecommerce, normalizar y deduplicar registros permite reducir inconsistencias entre canales y facilitar una visión más unificada del cliente.
  • En logística, trabajar con domicilios normalizados y validados contribuye a mejorar la información utilizada para planificar y ejecutar entregas.
  • En marketing y gestión comercial, verificar teléfonos y correos electrónicos permite reducir errores en la ejecución de campañas y mejorar la calidad de las bases utilizadas.

La prioridad no consiste necesariamente en incorporar más herramientas.

Consiste en revisar si la información que circula entre los sistemas tiene la calidad necesaria para sostener los objetivos del negocio.

Reconocer la importancia de Data Quality es el primer paso. El desafío siguiente es transformarla en una práctica sostenida.

El informe BARC destaca que una gestión de calidad madura requiere métricas, reglas, estandarización, monitoreo, detección de anomalías y procesos de mejora continua. También subraya la importancia de definir responsabilidades y generar transparencia sobre el impacto de la mala calidad de los datos.

Para las organizaciones, esto implica trabajar sobre distintas dimensiones.

Prevenir errores desde el origen: Aplicar controles de validación en formularios, registros, altas de clientes y procesos de incorporación de información permite reducir inconsistencias antes de que se propaguen a otros sistemas.

Estandarizar e integrar información: La normalización facilita que distintas aplicaciones puedan utilizar criterios consistentes para representar nombres, domicilios, teléfonos y otros campos.

Consolidar registros y reducir duplicados: Identificar registros repetidos permite disminuir la fragmentación de información y contribuir a la construcción de una visión única de clientes y empresas.

Incorporar contexto relevante: El enriquecimiento de datos permite complementar la información disponible con variables que pueden mejorar determinados análisis, segmentaciones y procesos de decisión.

Medir la calidad y sostenerla en el tiempo: La definición de indicadores y controles recurrentes permite detectar degradación, evaluar mejoras y establecer prioridades de gestión.

Estos procesos forman parte de una estrategia integral. En nuestro artículo 5 procesos necesarios para garantizar la calidad de datos explicamos cómo conectar la captura, la limpieza, la integración, la evaluación y el gobierno de la información.

El liderazgo de Data Quality en el ranking de BARC puede relacionarse con otro desafío que está ganando protagonismo: demostrar el valor económico de las inversiones en inteligencia artificial.

Las organizaciones ya no buscan únicamente experimentar con modelos o incorporar nuevas funcionalidades.

Necesitan traducir esas iniciativas en mejoras de eficiencia, ingresos, experiencia y productividad.

BARC señala, entre sus recomendaciones, que las empresas deben avanzar desde los pilotos hacia aplicaciones operativas capaces de generar impacto medible.

En ese proceso, la calidad de datos funciona como una capacidad habilitadora.

No garantiza por sí sola el retorno de una inversión en IA, pero contribuye a reducir errores y mejorar la confiabilidad de la información sobre la que operan modelos y automatizaciones.

Esta relación merece un análisis específico. En nuestra nota sobre ROI de la IA y calidad de datos abordamos cómo conectar las mejoras de confiabilidad de la información con indicadores de eficiencia y resultados empresariales.

La evolución del mercado apunta así hacia una visión más integrada: tecnología, datos, procesos y objetivos de negocio deben funcionar como parte de una misma estrategia.

El informe de BARC reafirma una tendencia que resulta central para Merlin: la calidad de datos no pierde protagonismo frente al avance tecnológico; se vuelve cada vez más relevante para aprovecharlo.

En Merlin Data Quality ayudamos a las organizaciones de América Latina a mejorar la información que utilizan en sus procesos comerciales, financieros, operativos y digitales mediante soluciones de:

Estas capacidades pueden integrarse en distintas etapas del ciclo de vida del dato, acompañando tanto procesos de mejora de bases existentes como operaciones que requieren información validada y actualizada.

Porque el liderazgo de la calidad de datos en las prioridades tecnológicas de 2026 refleja algo más profundo que una tendencia de mercado.

¿Tu organización está preparada para convertir la calidad de datos en una ventaja competitiva?

Fuente: BARC, Data, BI and Analytics Trend Monitor 2026, © BARC 2025. Estudio basado en una encuesta internacional realizada durante 2025 a 1.579 participantes. Los resultados corresponden a valoraciones de importancia de tendencias y no a porcentajes de adopción tecnológica.

En plena expansión de la inteligencia artificial, la calidad de datos recupera el primer puesto entre las principales prioridades de Data & Analytics. El informe Data, BI and Analytics Trend Monitor 2026, de BARC, revela por qué las organizaciones siguen apostando por la confiabilidad de la información y qué distingue a las empresas que logran convertir sus datos en valor para el negocio.

Mientras buena parte de la conversación tecnológica gira alrededor de la inteligencia artificial generativa, los agentes autónomos y las nuevas capacidades de automatización, las organizaciones siguen considerando que su mayor prioridad es mucho más fundamental: contar con datos confiables.

Así lo revela el informe Data, BI and Analytics Trend Monitor 2026, elaborado por BARC (Business Application Research Center), a partir de una encuesta a 1.579 profesionales de diferentes industrias, tamaños de empresas y regiones.

El estudio analiza veinte tendencias en datos, Business Intelligence y analítica, y permite comparar cómo evoluciona su importancia dentro de las organizaciones.

Su conclusión es significativa: la gestión de calidad de datos (Data Quality Management) recupera la primera posición del ranking, después de haber sido superada por la seguridad y privacidad de los datos.

Ambas prioridades alcanzan una valoración de 7,9 puntos sobre 10, confirmando que la confiabilidad y la protección de la información siguen ocupando un lugar central en las estrategias tecnológicas.

Lejos de perder relevancia frente al avance de la IA, la calidad de datos se reafirma como uno de los fundamentos necesarios para aprovecharla.

El ranking general de BARC muestra que las organizaciones otorgan las puntuaciones más altas a capacidades vinculadas con la confianza, la seguridad y el uso responsable de la información.

PrioridadPuntuación
Gestión de calidad de datos7,9/10
Seguridad y privacidad de los datos7,9/10
Cultura basada en datos7,3/10
Gobierno de datos e IA6,9/10
Alfabetización en datos e inteligencia artificial6,5/10

Fuente: BARC, Data, BI and Analytics Trend Monitor 2026.

El orden resulta especialmente interesante cuando se compara con el posicionamiento de las tecnologías emergentes.

Mientras IA, Machine Learning y analítica avanzada obtienen 6,4 puntos, la IA generativa aplicada a datos y análisis alcanza 5,5, y la IA agéntica registra 4,5.

Esto no significa que las organizaciones estén dejando de invertir en inteligencia artificial.

Por el contrario, el ranking refleja que la innovación necesita apoyarse en capacidades organizacionales y tecnológicas que permitan sostenerla.

Una empresa puede incorporar modelos avanzados, herramientas analíticas y automatizaciones, pero su capacidad para utilizarlos de forma confiable dependerá también de cómo administra, protege, integra y verifica la información.

Durante años, muchas iniciativas de transformación digital estuvieron enfocadas en incorporar nuevas plataformas, digitalizar procesos y ampliar la capacidad de análisis.

La inteligencia artificial acelera esa evolución y agrega nuevas exigencias.

Los modelos ya no se limitan a procesar información para generar reportes. Cada vez más, sus resultados intervienen en recomendaciones, segmentaciones, priorización de operaciones y decisiones empresariales.

Al mismo tiempo, los sistemas utilizan información procedente de múltiples fuentes: plataformas transaccionales, CRM, aplicaciones digitales, documentos, bases externas y contenidos no estructurados.

En este contexto, la calidad de datos adquiere una dimensión adicional.

No alcanza con que la información esté disponible. Es necesario que sea correcta, consistente, relevante, actualizada y adecuada para el proceso en el que se utiliza.

BARC señala que la calidad de datos cobra especial importancia para la inteligencia artificial y los agentes de IA, debido a la necesidad de reducir el riesgo de recomendaciones incorrectas, sesgos y problemas asociados a la información utilizada.

El informe también incorpora un desafío que merece atención: la calidad de los datos no estructurados.

Documentos, archivos, textos y otras fuentes que antes quedaban fuera de muchos procesos tradicionales de Data Quality comienzan a participar de manera más activa en aplicaciones de inteligencia artificial.

Esto amplía el alcance de la gestión de calidad y exige combinar prácticas tradicionales de validación y normalización con políticas de gobierno, trazabilidad y controles adecuados a cada tipo de información.

En nuestra nota Cómo preparar los datos para el uso de IA generativa con herramientas de Data Quality profundizamos en los procesos de consolidación, limpieza, estandarización, validación y enriquecimiento que ayudan a preparar la información para estos entornos.

Uno de los hallazgos más valiosos del informe aparece cuando BARC compara las prioridades de las empresas con mejores resultados frente a las organizaciones rezagadas.

El estudio identifica a las empresas líderes a partir de los beneficios empresariales obtenidos con sus iniciativas de datos y análisis, considerando resultados como reducción de costos, satisfacción del cliente, incremento de ingresos y mejora de decisiones.

En ese grupo, la gestión de calidad de datos alcanza una puntuación de 8,5 sobre 10, superior al promedio general de 7,9.

Las siguientes prioridades también muestran un patrón claro:

  • Cultura basada en datos: 8,4/10.
  • Seguridad y privacidad: 8,3/10.
  • Gobierno de datos e IA: 7,6/10.
  • Análisis de autoservicio y descubrimiento de datos: 7,5/10.
  • IA, Machine Learning y analítica avanzada: 7,4/10.

çLa diferencia no reside únicamente en valorar más la calidad de los datos.

Las organizaciones líderes combinan fundamentos sólidos con una mayor orientación hacia la innovación y la generación de valor.

BARC encuentra diferencias particularmente amplias entre líderes y rezagados en inteligencia y automatización de decisiones, monetización de datos y analítica avanzada.

Esta combinación permite extraer una conclusión estratégica: las organizaciones más maduras no plantean una elección entre invertir en calidad o invertir en innovación.

Entienden que ambas capacidades deben evolucionar de manera coordinada.

La calidad aporta confiabilidad; el gobierno establece responsabilidades y criterios de uso; la cultura facilita la adopción; y las tecnologías analíticas permiten convertir esa base en acciones de negocio.

Otro aspecto relevante del estudio es la diferencia entre el enfoque de los proveedores tecnológicos y el de los usuarios de negocio y TI. BARC observa que los usuarios otorgan especial importancia a calidad, seguridad y cultura de datos, mientras que los proveedores ponen mayor énfasis en tecnologías como la nube, IA y Machine Learning.

Esta diferencia ayuda a entender una situación habitual en los proyectos de transformación digital.

Las organizaciones pueden incorporar soluciones cada vez más sofisticadas, pero quienes necesitan utilizarlas diariamente siguen enfrentando problemas relacionados con la confiabilidad de la información.

  • Una campaña puede disponer de herramientas avanzadas de segmentación, pero su desempeño se verá limitado si los datos de contacto son incorrectos.
  • Un proceso de onboarding puede estar automatizado, pero necesitará verificar correctamente la información de identidad.
  • Un sistema de análisis crediticio puede utilizar modelos predictivos, pero requiere consistencia entre los datos asociados a una misma persona o empresa.
  • Y una estrategia omnicanal puede integrar múltiples aplicaciones sin llegar a construir una visión unificada del cliente.

Estos ejemplos muestran por qué la calidad de datos debe dejar de tratarse exclusivamente como una tarea técnica o correctiva.

Su valor se manifiesta cuando permite reducir errores operativos, mejorar la experiencia del cliente, fortalecer decisiones y aprovechar mejor las inversiones tecnológicas.

La conversación, por lo tanto, no debería limitarse a cuánto cuesta mejorar una base de datos, sino también a cuánto le cuesta al negocio operar con información que no puede utilizar de manera confiable.

El estudio de BARC recoge respuestas de distintas regiones, aunque su muestra tiene una fuerte representación europea. Por eso, sus resultados no deben interpretarse como un ranking exclusivo de América Latina.

Sin embargo, las prioridades identificadas permiten plantear preguntas relevantes para organizaciones que operan en mercados latinoamericanos.

Bancos, fintech, aseguradoras, retailers, marketplaces, empresas de telecomunicaciones y operadores logísticos necesitan intercambiar información entre sistemas y canales, muchas veces con diferentes formatos, criterios de captura y niveles de actualización.

En estos entornos, la calidad de datos puede intervenir directamente sobre procesos críticos.

  • En servicios financieros, validar identidades y enriquecer información ayuda a construir perfiles más completos para determinadas operaciones, dentro de los requisitos regulatorios y criterios de riesgo correspondientes.
  • En retail y ecommerce, normalizar y deduplicar registros permite reducir inconsistencias entre canales y facilitar una visión más unificada del cliente.
  • En logística, trabajar con domicilios normalizados y validados contribuye a mejorar la información utilizada para planificar y ejecutar entregas.
  • En marketing y gestión comercial, verificar teléfonos y correos electrónicos permite reducir errores en la ejecución de campañas y mejorar la calidad de las bases utilizadas.

La prioridad no consiste necesariamente en incorporar más herramientas.

Consiste en revisar si la información que circula entre los sistemas tiene la calidad necesaria para sostener los objetivos del negocio.

Reconocer la importancia de Data Quality es el primer paso. El desafío siguiente es transformarla en una práctica sostenida.

El informe BARC destaca que una gestión de calidad madura requiere métricas, reglas, estandarización, monitoreo, detección de anomalías y procesos de mejora continua. También subraya la importancia de definir responsabilidades y generar transparencia sobre el impacto de la mala calidad de los datos.

Para las organizaciones, esto implica trabajar sobre distintas dimensiones.

Prevenir errores desde el origen: Aplicar controles de validación en formularios, registros, altas de clientes y procesos de incorporación de información permite reducir inconsistencias antes de que se propaguen a otros sistemas.

Estandarizar e integrar información: La normalización facilita que distintas aplicaciones puedan utilizar criterios consistentes para representar nombres, domicilios, teléfonos y otros campos.

Consolidar registros y reducir duplicados: Identificar registros repetidos permite disminuir la fragmentación de información y contribuir a la construcción de una visión única de clientes y empresas.

Incorporar contexto relevante: El enriquecimiento de datos permite complementar la información disponible con variables que pueden mejorar determinados análisis, segmentaciones y procesos de decisión.

Medir la calidad y sostenerla en el tiempo: La definición de indicadores y controles recurrentes permite detectar degradación, evaluar mejoras y establecer prioridades de gestión.

Estos procesos forman parte de una estrategia integral. En nuestro artículo 5 procesos necesarios para garantizar la calidad de datos explicamos cómo conectar la captura, la limpieza, la integración, la evaluación y el gobierno de la información.

El liderazgo de Data Quality en el ranking de BARC puede relacionarse con otro desafío que está ganando protagonismo: demostrar el valor económico de las inversiones en inteligencia artificial.

Las organizaciones ya no buscan únicamente experimentar con modelos o incorporar nuevas funcionalidades.

Necesitan traducir esas iniciativas en mejoras de eficiencia, ingresos, experiencia y productividad.

BARC señala, entre sus recomendaciones, que las empresas deben avanzar desde los pilotos hacia aplicaciones operativas capaces de generar impacto medible.

En ese proceso, la calidad de datos funciona como una capacidad habilitadora.

No garantiza por sí sola el retorno de una inversión en IA, pero contribuye a reducir errores y mejorar la confiabilidad de la información sobre la que operan modelos y automatizaciones.

Esta relación merece un análisis específico. En nuestra nota sobre ROI de la IA y calidad de datos abordamos cómo conectar las mejoras de confiabilidad de la información con indicadores de eficiencia y resultados empresariales.

La evolución del mercado apunta así hacia una visión más integrada: tecnología, datos, procesos y objetivos de negocio deben funcionar como parte de una misma estrategia.

El informe de BARC reafirma una tendencia que resulta central para Merlin: la calidad de datos no pierde protagonismo frente al avance tecnológico; se vuelve cada vez más relevante para aprovecharlo.

En Merlin Data Quality ayudamos a las organizaciones de América Latina a mejorar la información que utilizan en sus procesos comerciales, financieros, operativos y digitales mediante soluciones de:

Estas capacidades pueden integrarse en distintas etapas del ciclo de vida del dato, acompañando tanto procesos de mejora de bases existentes como operaciones que requieren información validada y actualizada.

Porque el liderazgo de la calidad de datos en las prioridades tecnológicas de 2026 refleja algo más profundo que una tendencia de mercado.

¿Tu organización está preparada para convertir la calidad de datos en una ventaja competitiva?

Fuente: BARC, Data, BI and Analytics Trend Monitor 2026, © BARC 2025. Estudio basado en una encuesta internacional realizada durante 2025 a 1.579 participantes. Los resultados corresponden a valoraciones de importancia de tendencias y no a porcentajes de adopción tecnológica.

Artículos relacionados que pueden ser de tu interés

Calidad de Datos

Perfil crediticio y calidad de datos

En escenarios de mayor morosidad, las empresas necesitan interpretar mejor a quién otorgan crédito, cómo priorizan cobranzas y qué señales de riesgo deben mirar. La calidad de datos permite transformar perfiles incompletos en información confiable y accionable.

Leer el artículo »

¿Querés ver todos nuestros artículos?