DATOS. Tratamiento de datos

Naturaleza del dato y su tratamiento

Datos estructurados, semi-estructurados y no estructurados

Como resultado de la aplicación de las tecnologías y procedimientos descritos en el bloque anterior, los datos han sido localizados, extraídos e incorporados desde sus respectivas fuentes de origen. Independientemente del soporte, formato o sistema del que procedan, el objetivo alcanzado en esa fase consiste en disponer de un conjunto de datos accesibles sobre los que poder trabajar.

El acceso a los datos, sin embargo, no implica que éstos se encuentren en condiciones adecuadas para su utilización. Es frecuente que presenten inconsistencias, formatos heterogéneos, información redundante o elementos que dificultan su procesamiento posterior. Antes de poder analizarlos, integrarlos o utilizarlos en procedimientos de automatización o inteligencia artificial, resulta necesario aplicar sobre ellos un conjunto de operaciones destinadas a mejorar su calidad, adecuar su representación y prepararlos para su explotación. Ese conjunto de operaciones constituye el objeto de este bloque y es lo que, de forma general, denominaremos tratamiento de los datos.

La naturaleza de dicho tratamiento depende, en gran medida, del tipo de datos con el que se trabaje. Desde esta perspectiva, resulta conveniente distinguir tres grandes categorías:

• Datos estructurados, organizados conforme a un esquema explícito, normalmente en forma de tablas, donde las columnas representan campos definidos y las filas contienen registros homogéneos. Su tratamiento se orienta principalmente hacia la validación, normalización, transformación e integración de valores y estructuras.
• Datos no estructurados, constituidos por contenidos que no responden a un modelo formal de organización, como ocurre con el texto libre y, en un sentido más amplio, con imágenes, audio o vídeo. En estos casos el tratamiento persigue reducir la ambigüedad del contenido, enriquecerlo con información adicional y transformarlo progresivamente en representaciones susceptibles de ser procesadas por sistemas informáticos.
• Datos semiestructurados, que ocupan una posición intermedia entre las dos categorías anteriores. Aunque disponen de determinados elementos organizativos, éstos no son suficientes para permitir un tratamiento plenamente estructurado. Es el caso de documentos que combinan tablas con bloques textuales o de formatos en los que la estructura responde más a criterios de presentación que de organización lógica de la información. En estos casos suele ser necesario aplicar procedimientos previos que permitan identificar, separar y transformar cada tipo de contenido según su naturaleza.

Esta clasificación no responde únicamente a una finalidad descriptiva, sino que condiciona las técnicas y procedimientos que pueden aplicarse en cada caso. Mientras que los datos estructurados admiten procesos clásicos de depuración, transformación e integración, los datos no estructurados requieren técnicas específicas de procesamiento lingüístico, extracción de información y representación computacional. Los datos semiestructurados, por su parte, combinan características de ambos mundos y exigen estrategias de tratamiento híbridas.

En esta sección se estudiarán los procedimientos aplicables a cada una de estas categorías, manteniendo así su separación metodológica respecto a la fase precedente (fases de acceso) y la que sigue (fase de explotación o uso del dato).