Respuesta breve: Defina primero la decisión que tomará la dirección; luego registre los eventos de campo con identidad única, momento y responsable. Genere los indicadores con granularidad fija, puerta de calidad de datos y aprobación humana.
¿Por qué el dato de campo no es directamente un valor de indicador?
Cada fila de un formulario en tableta es un evento medible; pero por sí sola no es una respuesta de gestión. Abrir una orden de trabajo, iniciar la visita de campo, completar el punto de control, verificar una no conformidad y publicar el informe son eventos de negocio distintos. Reunirlos en un único campo “completado” confunde velocidad con calidad y carga de trabajo con resultado.
La guía de esquemas en estrella de Microsoft indica que las tablas de hechos almacenan observaciones o eventos, mientras que las dimensiones permiten filtrar y agrupar. La misma guía exige especialmente que las tablas de hechos se carguen con una granularidad coherente. La conclusión técnica es clara: orden de trabajo, visita, punto de control e informe no deben contarse como si fueran el mismo tipo de fila.
Un buen indicador explica primero qué decisión respalda; luego qué eventos cuenta, en qué ventana temporal y con qué regla.
Primer paso: elija una única pregunta de gestión
El diseño de un panel no empieza eligiendo gráficos. Primero se escribe la pregunta de decisión: “¿En qué etapa se acumulan los trabajos retrasados?”, “¿Cuál es la causa común de los trabajos que requieren visita repetida?” o “¿Por qué se desvía de la fecha planificada la publicación del informe?”. Cada una de estas preguntas exige eventos, alcance y responsables distintos.
La sección Measure 2.5 del NIST AI RMF Playbook aborda, en el contexto de la validez de constructo, la verificación de que un indicador mida realmente el concepto que afirma medir. El equivalente en el diseño de Vizyon AI es no aceptar como verdad, por sí solo, el resultado producido por el modelo o la regla. El indicador debe presentarse junto con los registros de origen, la regla de cálculo, el límite de uso y la revisión humana autorizada.
Rellene la ficha del KPI antes de calcularlo
| Campo | Pregunta a formular | Ejemplo |
|---|---|---|
| Decisión | ¿Qué acción dispara este indicador? | El responsable de planificación cambia la distribución del trabajo. |
| Evento | ¿Qué registro se cuenta? | Visita de campo cerrada por un usuario autorizado. |
| Granularidad | ¿Qué representa una fila? | Una única visita de campo dentro de una orden de trabajo. |
| Tiempo | ¿Qué inicio, fin y franja horaria se usan? | Inicio planificado y cierre real, hora de Estambul. |
| Alcance | ¿Qué registros se incluyen o excluyen? | Los trabajos cancelados se informan por separado del denominador. |
| Propietario | ¿Quién aprueba la definición y el umbral? | El gerente de operaciones y el responsable de datos. |
| Evidencia | ¿A qué registros se retrotrae el resultado? | Las identidades de la orden de trabajo, la visita y el historial de operaciones. |
Construya el modelo de eventos sobre una columna inmutable
Cada evento de campo debe guardarse al menos con identidad única del evento, identidad de la orden de trabajo, tipo de evento, hora de ocurrencia, hora de registro, rol responsable, fuente e historial de estado. Si se requiere una corrección, en lugar de sobrescribir silenciosamente el evento antiguo debe establecerse un enlace de versión o corrección nueva. Así puede explicarse después por qué cambió un indicador de gestión.
El modelo de datos de métricas estable de OpenTelemetry trata como conceptos separados el evento en el momento del registro, la serie temporal almacenada y el flujo de métricas transportado. Esta distinción también se aplica a las operaciones de campo: el evento bruto es la prueba, la métrica es una vista calculada con una ventana y una unidad determinadas, y el panel es la presentación para decidir. Un contador, un estado instantáneo y una distribución de duraciones no deben usarse como si fueran el mismo número.
Ejecute la puerta de calidad de datos antes del cálculo del KPI
Los datos faltantes no significan bajo rendimiento; una sincronización retrasada tampoco equivale a un retraso operativo. La norma ISO 8000-8:2015 define los conceptos de calidad de la información y de los datos, así como los requisitos previos necesarios para su medición dentro de la gestión de la calidad. La norma fue publicada en 2015 y se confirmó su vigencia en 2022. Este fundamento respalda la creación de una puerta de calidad de datos medible antes de cada indicador.
La documentación de Microsoft Purview aborda la calidad de los datos en dimensiones separadas como exactitud, completitud, idoneidad, coherencia, actualización y unicidad. En lugar de comprimir todas estas dimensiones en una única puntuación artificial en la pantalla de operaciones, haga visibles las que son críticas para la decisión:
- Completitud: La existencia de los campos obligatorios y de los vínculos de evidencia.
- Unicidad: Que el mismo evento no se cuente dos veces por sincronización sin conexión o reintentos.
- Coherencia: Que el estado de la orden de trabajo no contradiga los estados de la visita y del informe.
- Actualización: El momento del último flujo de datos correcto y la ventana de latencia aceptada.
Si no se supera la puerta de calidad de datos, Vizyon AI no debe mostrarlo como un KPI normal; debe indicar el número de registros fuera de alcance, la hora de la última actualización y la necesidad de revisión. Así, el directivo puede distinguir entre una mala operación y una cobertura de datos débil.
¿Cómo debe delimitarse la capa de análisis de Vizyon AI?
Vizyon AI puede utilizarse para detectar patrones en eventos de negocio definidos, priorizar excepciones y ordenar el examen de posibles causas. Sin embargo, una predicción o recomendación no sustituye a la decisión de conformidad ni al informe publicado. En particular, condiciones como muestras pequeñas, cambios en el formulario de campo, equipos nuevos o flujos de datos retrasados deben mostrarse junto con el resultado.
Este enfoque es coherente con las funciones de gobernanza, mapeo, medición y gestión del NIST AI RMF 1.0. En la implementación técnica, para cada salida de análisis se conserva el siguiente rastro:
- La ventana de datos utilizada y los filtros,
- La versión del diccionario de indicadores,
- La versión del modelo o de la regla,
- El momento en que se generó la recomendación,
- El rol que revisa y la decisión tomada,
- La justificación de la corrección realizada posteriormente.
Para evaluar además los límites de las tareas entre la inteligencia artificial y la aprobación humana, puede consultar la guía inteligencia artificial y aprobación humana en procesos de inspección . Si es necesario proteger las identidades de integración, el artículo transferencia de datos a ERP y contabilidad sin doble registro completa la columna técnica.
Elija un alcance pequeño y auditable para el primer panel
En la primera versión, en lugar de trasladar toda la operación a una sola pantalla, elija un ciclo de decisión. Por ejemplo, supervise conjuntamente las visitas de campo planificadas y completadas, los motivos de espera y la completitud de los datos. Verifique que desde cada tarjeta se pueda descender hasta la orden de trabajo de origen y la lista de eventos.
Lista de comprobación previa a la publicación
- ¿Está cada KPI vinculado a una única pregunta de decisión?
- ¿Están documentados el numerador, el denominador, la ventana temporal, la zona horaria y las exclusiones?
- ¿Es la granularidad del evento la misma en todos los periodos?
- ¿Se muestran por separado los datos faltantes, duplicados y retrasados?
- ¿Puede el usuario descender del total agregado al registro de origen?
- ¿Se presenta la recomendación de IA con fuente, límites y advertencia de confianza?
- ¿La aprobación técnica y la decisión operativa recaen en una persona autorizada?
- Cuando cambia la definición o el modelo, ¿puede reproducirse el resultado anterior?
Este control convierte el panel de un informe decorativo en una herramienta de decisión auditable. Para evaluar el modelo de datos y el flujo de análisis específicos de su organización, puede explorar las soluciones de inteligencia artificial de VizyonTech o definir un alcance piloto a partir de su proceso de campo actual.
Fuentes
- NIST — Marco de Gestión de Riesgos de la Inteligencia Artificial (AI RMF 1.0), 26 de enero de 2023.
- NIST AI Resource Center — Manual del AI RMF, versión completa 30 de marzo de 2023.
- ISO — ISO 8000-8:2015, Calidad de los datos — Conceptos y medición, noviembre de 2015; confirmada en 2022.
- OpenTelemetry — Modelo de datos de métricas, documentación estable actualizada del modelo.
- Microsoft Learn — Comprender el esquema de estrella y su importancia para Power BI, última actualización 30 de diciembre de 2024.
- Microsoft Learn — Informe de estado de la calidad de datos en Unified Catalog, documentación actualizada.