LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, Asunción, Paraguay.
ISSN en línea: 2789-3855, octubre, 2025, Volumen VI, Número 5 p 1476.

DOI: https://doi.org/10.56712/latam.v6i5.4684

Tendencias en la gestión de calidad de datos y aplicación de
marcos y sus dimensiones: Revisión sistemática de literatura
Trends in data quality management and the application of frameworks and

their dimensions: Systematic literature review

Roswin Javier León Gonzales
roswin.leon@unmsm.edu.pe

https://orcid.org/0009-0009-5602-1736
Universidad Nacional Mayor de San Marcos

Lima – Perú

Artículo recibido: 29 de junio de 2025. Aceptado para publicación: 21 de octubre de 2025.
Conflictos de Interés: Ninguno que declarar.

Resumen

La gestión de la calidad de datos es crucial en la era digital y se ha consolidado como un factor
estratégico en la toma de decisiones. Sin embargo, la multiplicidad de técnicas y marcos existentes
dificulta su aplicación y plantea el desafío de seleccionar enfoques adecuados para garantizar
estándares óptimos. Este artículo estableció una revisión sistemática de literatura entre el 2019 al
2024, para evaluar los marcos de gestión de calidad de datos y el uso de sus dimensiones. El análisis
se desarrolló siguiendo el método PRISMA, resultando 38 artículos indexados en Science Direct,
Scopus y ProQuest Central. Los hallazgos evidenciaron la utilización de frameworks, modelos y
metodologías aplicados a entornos tecnológicos y de salud entre los más relevantes, siendo las
dimensiones de completitud (completeness), exactitud (accuracy), consistencia (consistency) y
actualidad (timeliness) las más utilizadas como ejes centrales de evaluación. Asimismo, se identificó
a Europa, con Alemania como líder, como la región con mayor producción científica en este campo.
Esta investigación aporta una síntesis clara de los marcos y dimensiones más utilizados en la gestión
de calidad de datos, facilitando su aplicación práctica y ofreciendo una base comparativa que orienta
futuras investigaciones y el desarrollo de nuevos enfoques metodológicos. No obstante, se
recomienda avanzar hacia nuevos métodos aplicables en entidades públicas, donde la calidad de
datos no solo impacta en la eficiencia administrativa, sino también en la confiabilidad de las
decisiones estratégicas y optimización de servicios al ciudadano.

Palabras clave: modelo, evaluación de calidad de datos, marco de trabajo, organización
conducida por datos

Abstract
Data quality management is crucial in the digital age and has become a strategic factor in decision-
making. However, the multiplicity of existing techniques and frameworks makes its application difficult
and poses the challenge of selecting appropriate approaches to ensure optimal standards. This article
conducted a systematic review of the literature between 2019 and 2024 to evaluate data quality
management frameworks and the use of their dimensions. The analysis was carried out using the
PRISMA method, resulting in 38 articles indexed in Science Direct, Scopus, and ProQuest Central. The
findings showed the use of frameworks, models, and methodologies applied to technological and
health environments among the most relevant, with the dimensions of completeness, accuracy,
consistency, and timeliness being the most widely used as central axes of evaluation. Likewise,

LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, Asunción, Paraguay.
ISSN en línea: 2789-3855, octubre, 2025, Volumen VI, Número 5 p 1477.

Europe, with Germany as the leader, was identified as the region with the highest scientific production
in this field. This research provides a clear synthesis of the most widely used frameworks and
dimensions in data quality management, facilitating their practical application and offering a
comparative basis that guides future research and the development of new methodological
approaches. However, it is recommended to move towards new methods applicable in public entities,
where data quality not only affects administrative efficiency, but also the reliability of strategic
decisions and the optimization of services to citizens.

Keywords: model, data quality assessment, framework, data-driven organization

Todo el contenido de LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades,
publicado en este sitio está disponibles bajo Licencia Creative Commons.

Cómo citar: León Gonzales, R. J. (2025). Tendencias en la gestión de calidad de datos y aplicación de
marcos y sus dimensiones: Revisión sistemática de literatura. LATAM Revista Latinoamericana de
Ciencias Sociales y Humanidades 6 (5), 1476 – 1494. https://doi.org/10.56712/latam.v6i5.4684

LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, Asunción, Paraguay.
ISSN en línea: 2789-3855, octubre, 2025, Volumen VI, Número 5 p 1478.

INTRODUCCIÓN

La calidad de datos implica la capacidad que poseen los datos para responder a las necesidades y
expectativas de una empresa u organización (Ridzuan y Zainon, 2024). Para cualquier organización,
sea pública o privada, la toma de decisiones estratégicas basadas en datos de calidad es un tema
crucial del que no pueden ser ajenos. Y es que calidad de datos como tal, se ha convertido en unos de
los temas de investigación mayormente estudiados (Zhang et al., 2021). Conservar la calidad de datos
es un requerimiento crítico para cualquier gestión de datos correcta y de largo plazo (Abuhalimeh,
2022). Debido a que los datos son activos importantes para una empresa para procesos como el logro
de objetivos, deben estar en la capacidad de realizar todo el proceso de evaluación que esto conlleva
(Wahyudi e Isa, 2023), y sobre todo que obliga a las entidades gubernamentales a garantizar que sus
sistemas de información a través del procesamiento de datos, incorporen de manera anticipada
parámetros que finalmente aseguren la calidad de los mismos, priorizando con ello la necesidad inicial
de las organizaciones de contar con datos e información como piezas clave de habilitación de toma
de decisiones (Carrizo et al., 2021), en vez que elijan guiarse en base a intuiciones, comentarios u
opiniones; aunque el proceso de transición para convertirse en una entidad impulsada por datos o data-
driven involucre transformarse en razón de adopción de nuevas herramientas, técnicas y metodologías
(Sdiri et al., 2023). En la actualidad, los problemas y la mala calidad de datos tienen una crítica
relevancia (Gu et al., 2021) que imposibilita cumplir con las metas u objetivos de la empresas u
organizaciones, impidiendo con la demanda con la que se necesita un buen nivel de calidad de datos
para coadyuvar en afrontar retos y nuevas competencias que tengan que ver con el gobierno y gestión
de los datos (Fuentes et al., 2021). Técnicamente, si se diagnostica la calidad de los datos de manera
cuantificable, se podrá observar que existe la probabilidad de cometer errores, así como considerar la
data con poca precisión como si fuese altamente confiable (Tobalina y González, 2020).

Viendo una gran necesidad por comprender la problemática de la calidad de los datos como insumo
para la toma de decisiones estratégicas, se ha determinado en esta investigación, realizando una
recopilación y síntesis de las publicaciones primarias disponibles, a través de una Revisión Sistemática
de Literatura (RSL), sobre la elección y uso de dimensiones o características en la gestión y mejora de
la calidad de datos y su influencia, ya que estas últimas significan atributos de la calidad de datos y
que, cuando se evalúan dan como resultado el nivel de calidad de datos en la organización (Cichy y
Rass, 2019). Esta RLS contó con una planificación adecuada y anticipada para prevenir sesgos,
evitando literatura intrascendente y de baja calidad (Linares et al., 2018) y comprende la siguiente
estructura: Sección 1: Introducción, la Sección 2: Metodología, Sección 3: Resultados y discusión, 4:
Conclusiones, y 5: Referencias. Finalmente, la investigación tiene como objetivo analizar e identificar
las posibles modelos, frameworks, y otros artefactos de gestión de calidad de datos en función a
características o dimensiones específicas, a partir de la literatura científica disponible.

METODOLOGÍA

Se realizó una RSL sobre el tema en cuestión ya que, ésta resulta completamente imprescindible por la
gran cantidad en volumen de estudios científicos en formato digital del cual se es posible acceder en
gran medida (García, 2022). Asimismo, se eligió el protocolo PRISMA (Preferred Reporting Items for
Systematic Reviews and Meta-Analyses) para mejorar la información contenida de las RSL y los meta-
análisis ya que es el marco de evaluación crítica recomendado para RSL (Salazar y Sossa, 2015).

Formulación de preguntas de investigación

LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, Asunción, Paraguay.
ISSN en línea: 2789-3855, octubre, 2025, Volumen VI, Número 5 p 1479.

El objetivo o interés de esta investigación está orientdo a los modelos u otros artefactos de gestión de
calidad de datos que se utilicen actualmente, por lo cual se han planteado tres preguntas de
investigación (PI):

PI.1. ¿Qué modelos, frameworks, metodologías u otras estrategias existen para la gestión o evaluación
para calidad de datos en las organizaciones?

PI.2. ¿Qué dimensiones o características son consideradas más relevantes dentro de los modelos de
gestión para la definición de calidad de datos?

PI.3. ¿Cómo contribuye sobre la organización, la aplicación de la calidad de datos basado en artefactos
de gestión y sus dimensiones?

Estrategias de búsqueda

Se ha efectuado una búsqueda exhaustiva de publicaciones en 3 bases de datos electrónicas y
repositorios teniendo en consideración instrucciones y artefactos para minimizar el sesgo y así poder
obtener información de calidad. La estrategia de búsqueda consistió en una combinación de palabras
clave afines con gestión de calidad de datos, dando como resultado la estregia de búsqueda que quedó
plasmada en 4 cadenas de búsqueda que se detallan en el siguiente apartado.

Términos y cadenas de búsqueda

Para efectos de la búsqueda de estudios se definieron los términos de búsqueda en idioma inglés:
“Data quality”, “Managemente model”, “Framework”, “Standard”, “Model”, “Decision Making” y
“Organization”. Asimismo, se usaron los operadores booleanos AND, OR, por lo que se establecieron
las siguientes cadenas de búsqueda (CB):

Tabla 1

Cadenas de búsqueda de la investigación

Id Cádena de búsqueda
Cb1 (“Management model” OR “framework” OR “standard”) AND (“data quality”) AND (“decision

making”) AND “organisation”
Cb2 (“Data quality”) AND “model” AND (“decision making”) AND (“organisation”)
Cb3 (“Data quality”) AND “framework” AND (“organisation”)
Cb4 (“Management model”) AND (“Data quality”) AND (“decision making”)

Criterios de elegibilidad de inclusión

La búsqueda se limitó a publicaciones de las fuentes de investigación en inglés: 5 últimos años a la
actualidad (enero 2019 – junio 2024), con la finalidad de obtener los artículos más actuales del tema
en investigación, considerando solo estudios primarios, como artículos científicos que estén
completos los cuales contienen las palabras clave relacionadas con el tema de investigación. Sobre
las fuentes bibliográficas, se realizó la navegación en 3 bases de datos indexadas de prestigio: Science
Direct, Scopus y ProQuest.

Criterios de elegibilidad de exclusión

No se han considerado tesis doctorales, de maestría, de pregrado, tipos de fuentes y documentos
secundarios, artículos duplicados, publicaciones de conferencia, revistas, periódicos, documentos de
trabajo, documentos de prensa, revisiones sistemáticas de literatura, informes, estudios de casos o en

LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, Asunción, Paraguay.
ISSN en línea: 2789-3855, octubre, 2025, Volumen VI, Número 5 p 1480.

contexto diferente al objetivo de la investigación. En adición, no se han considerado algunas bases de
datos por ser de pago (por ejemplo, IEE, Wiley).

Documentación de búsqueda

Se realizó la selección de literatura utilizando el método PRISMA. Primero se realizó una búsqueda de
acuerdo a las cadenas de búsqueda, eliminando resultados repetidos. Posteriormente la etapa del
cribado o selección, aplicando los criterios de inclusión, exclusión, descartando investigaciones en
base al análisis del título, resumen o abstract y palabras clave. Como último filtro, se revisó todo el
documento del artículo. Posteriormente, una vez que se obtuvieron las búsquedas en 3 bases de datos
se obtuvieron como resultados: “Cb1” dieciocho (18), para “Cb2” siete (7), para “Cb3” diez (10) y para
“Cb4” tres (3) estudios respectivamente.

Diseño de formato de extracción

Se diseñó un formulario estándar con la herramienta de Microsoft Excel, en base a un formato de
extracción de datos, el cual permitió realizar el proceso de análisis de forma independiente. Se divieron
en tres aspectos principales, que comprende “Información principal”, el cual consideró los campos de
título, autor(es), año de publicación, país de publicación y palabras clave. Como segundo aspecto se
consideró el “Análisis de investigación”, que comprende los campos de objetivo, problema de
investigación y el tipo de industria donde se aplicó la investigación. Como último aspecto se abordó el
“Análisis de los resultados de investigación” que almacenó los métodos y/o técnicas, modelo de
gestión de calidad empleado y dimensiones o características utilizadas.

RESULTADOS Y DISCUSIÓN

El proceso de RLS, arrojó 38 artículos orientados a la gestión de la calidad de datos, tal como se
presentan en la Tabla 1. En base a las fuentes de búsqueda de literatura científica, de Science Direct
se obtuvieron 23 artículos, de Scopus 8 y ProQuest 7. Science Direct es una de las principales bases
de datos que aporta valioso contenido en cada una de sus publicaciones científicas (Salazar y Sossa,
2015). Los resultados muestran que, en el año 2019, se publicaron11 investigaciones que cumplieron
con los criterios de selección, 5 en el 2020, 7 en el 2021, 5 en el año 2022, 6 en el 2023 y 4 hasta junio
del 2024.

Gráfico 1

LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, Asunción, Paraguay.
ISSN en línea: 2789-3855, octubre, 2025, Volumen VI, Número 5 p 1481.

Distribución de artículos por continente en el periodo de estudio

En resumen, se evidenció que el continente de Europa tiene la mayor cantidad de literatura, con un total
de 21 artículos, seguido de Asia, con 9 publicaciones. Sin embargo, ocurre lo contrario con el continente
de África con un total de tres 3 documentos, al igual que América, rescatando solo la participación de
América del Norte con 3 ensayos. Por otro lado, el 2019 fue el año donde se produjeron una mayor
producción científica relacionada al tema principal de investigación representando un 29%, seguido del
año 2021 con un 18% y 2023 con un 16%. Asimismo, conforme a la Figura 2 relacionada a las
publicaciones realizadas por países, se pudo notar que Alemania, con cinco 5 artículos científicos
lideró el ranking, seguido de China, España y Francia con tres 3 producciones de literatura científica
cada uno. Esto demuestra que, al ser países desarrollados, siempre están buscando lograr los más
altos índices de calidad, que en este caso es respecto a los datos aplicado a diversos entornos.

Gráfico 2

A
le

m
an

ia
A

ra
b

ia
S

au
d

it
a

A
rg

el
ia

A
u

st
ra

lia
A

u
st

ri
a

B
él

gi
ca

C
an

ad
á

C
h

in
a

EE
.U

U
.

Es
p

añ
a

Es
to

n
ia

Fr
an

ci
a

G
re

ci
a

In
d

ia
In

d
o

n
es

ia
Ir

la
n

d
a

M
al

as
ia

M
ar

ru
ec

o
s

P
ak

is
tá

n
P

o
rt

u
ga

l
R

ei
n

o
U

n
id

o
Su

d
áf

ri
ca

Su
ec

2
1 1 1 1 1 1 1 1 1

1 11

1 1

1 1 1

1 1

P
U

B
LI

C
A

C
IO

N
ES

2019 2020 2021 2022 2023 2024

LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, Asunción, Paraguay.
ISSN en línea: 2789-3855, octubre, 2025, Volumen VI, Número 5 p 1482.

Publicaciones por país entre el 2019 y 2024

Una vez mostrado y completado el análisis de la RSL en los párrafos precedentes, los alcances del
estudio se describen a continuación para responder a las preguntas de investigación planteadas en el
apartado de formulación de preguntas de investigación:

PI.1. ¿Qué modelos, frameworks, metodologías u otras estrategias existen para la gestión o evaluación
para calidad de datos en las organizaciones?

A pesar de que la calidad de datos y su investigación a través de diversas metodologías es un tema
crucial para el cumplimiento de los objetivos de las organizaciones, no todas lo toman en cuenta dentro
de los procesos de toma de decisiones (Günther et al., 2019). Ahora, la tabla 2 muestra que dentro del
rango de meses que se consideró en esta investigación (Enero 2019 - Junio 2024), se ha encontrado
que la mayoría de estudios proceden de frameworks o marco de trabajo aplicados a distintos tipos de
industrias, con un 39,47% del total. Para el caso de los modelos, se evidenció un total de 6 estudios
(15,79%), siendo la misma cantidad para los artículos que llevaron a cabo metodologías dentro del
desarrollo de su investigación. Asimismo, se pudo notar que existe un mayor número de
investigaciones relacionadas entre el uso de frameworks con el sector salud ya que proveen reglas o
métodos variados para evaluación de datos clínicos, independiente si pertenecen o no a conceptos o
dominios de calidad de datos (Pezoulas et al., 2019; Rajan et al., 2019). Sin embargo, con respecto a
uso de modelos de calidad de datos, se evidencia un patrón de preferencia para utilizar como guía los
estándares de calidad como el ISO IEC 25012, 25024 y 25010 (Barba et al., 2024; Ngueilbaye et al.,
2023). En el caso del uso de metodologías para la mejora de la calidad de los datos, se observa que se
han aplicado solo para el ámbito tecnológico y manufactura. También se demuestra la orientación de
otros autores para elegir diversos marcos de mejora de calidad de datos, como por ejemplo programas,
procesos, estudio, enfoque, directivas, evaluaciones, análisis, librerías y métodos. Esto evidencia que
cada framework, modelo u otro artefacto que se utilice para la gestión, evaluación o mejora de los
datos, varía de acuerdo a su enfoque que se le otorga, independientemente si dentro de su metodología,
incluya o excluya distintos atributos para la calidad de los datos (Cichy y Rass, 2019).

Tabla 2

Clasificación de las investigaciones consideradas

Europa Asia África América del
Norte

Oceanía

3 3
2

LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, Asunción, Paraguay.
ISSN en línea: 2789-3855, octubre, 2025, Volumen VI, Número 5 p 1483.

Tipo Referencia Método/ Herramienta
utilizada

Tipo industria

Met
odol
ogía

Metodología de requerimientos de
calidad de dato para aplicaciones de
detección de fallos (Omri et al., 2021)

-Evaluación y detección de
10 dataset a través de
algoritmos de Machine
Learning

Manufactura

Metodología de Evaluación de Calidad
de Datos (Günther et al., 2019)

-Casos de uso

Manufactura

Metodología DMN4DQ (Valencia et
al., 2021)

-Evaluación de un dataset Tecnología

Metodología DAQUAVORD basado en
el standard ISO/IEC 25012 (Guerra et
al., 2023)

-Casos de uso Tecnología

Metodología DQ (DQMeS) y Modelo
DQ (DQMoS) (Valverde et al., 2022)

-Experimentos de Ingeniería
de Software (SEE)

Tecnología

Metodología de evaluación de la
calidad de los datos empresariales
vinculados (Gürdür et al., 2019)

-Desarrollo de un tablero
(dashboard) para gestionar
la calidad de datos junto
con políticas y protocolos.

Manufactura

Fra
me
wor

TDQM - Framework de Gestión de la
Calidad Total de los Datos basado en
DAMA (Wahyudi e Isa, 2023)

-Entrevistas, observación
documental y perfilado de
datos de un data lake.

Tecnología

Framework de evaluación de Calidad
de Datos médicos (Pezoulas et al.,
2019)

-Validación de un dataset a
través de una herramienta
desarrollada en Python

Salud

cDQF- Framework computable de
Calidad de Datos (Rajan et al., 2019)

-Evaluación de literatura
para Extracción de
dimensiones de DQ

Salud

NQuIRE - Framework de calidad de
datos (Nursing Quality Indicators for
Reporting and Evaluation) (Naik et al.,
2020)

-Técnica focus group,
observación presenciales y
virtuales, método
denominado The Goal-
Question Metric.

Salud

IMA- Framework de evaluación de
madurez de infraestructura (Williams
et al., 2019)

-Evaluación de la aplicación
framework del modelo de
madurez de capacidades

Salud

Framework de Calidad de Datos (CSF)
para mejorar la calidad de datos en
los EMR (Makeleni y Cilliers, 2021)

-Entrevista, recopilación de
datos

Salud

Framework de la calidad de los datos
en la gestión operativa basado en el
standard ISO/IEC 25012 (Elsner et al.,
2024)

-Evaluación histórica de
datos

Manufactura

Framework de flujo de información
SAM basado en la cartera e integrado
basado en BIM (Fang et al., 2022)

-Evaluación de datos en
hoja de cálculo

Gestión de
proyectos

DQC -Framework Verificador de Data
Quality (Herrmann et al., 2022)

-Entrevista y cuestionario a
expertos

Manufactura

TESDQ - Framework de gestión de la
calidad de los datos de los servicios
de ingeniería a lo largo de toda su vida
útil (Camera et al., 2020)

-Entrevista y cuestionario a
expertos

Defensa

Framework de gestión DQ para la
estimación del riesgo de falla de
equipos. (Kang et al., 2024)

-Evaluación de datos a
través de herramientas de
Machine Learning

Manufactura

LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, Asunción, Paraguay.
ISSN en línea: 2789-3855, octubre, 2025, Volumen VI, Número 5 p 1484.

Framework de corrección de
anomalías de calidad de Big Data
(Elouataoui et al., 2023)

-Evaluación de datos a
través de herramientas de
Machine Learning

Tecnología

Framework de Evaluación de Calidad
de Datos (Imran y Ahmad, 2021)

-Recolección,
almacenamiento, pre-
procesamiento, análisis de
los datos para presentarlo
en reportes.

Tecnología

Framework de calidad de Big Data
(Labeeb et al., 2020)

-Recolección,
almacenamiento, pre-
procesamiento, análisis y
modelado de Big Data.

Ambiental

Framework de gestión de calidad de
datos (DQMPF) (Mao et al., 2019)

-Evaluación de literatura
para Extracción de
dimensiones de DQ

Comercio

Mod
elo

Modelo de gestión de calidad de
datos SparkDQ (Gu et al., 2021)

-Evaluación de datos a
través de herramientas de
Machine Learning

Tecnología

Modelo ontológico BIGOWL 4DQ
basado en ISO IEC 25012 y 25024
(Barba et al., 2024)

-Evaluación de Big data Agricultura

DQM - Modelo de calidad de datos
basado en el standard ISO/IEC 25010
(Ngueilbaye et al., 2023)

-Evaluación de datos a
través de herramientas de
Machine Learning.

Salud

Modelo de investigación (Côrte-Real
et al., 2020)

-Encuesta por SAP a
expertos

Diversos

Modelo conceptual para aplicaciones
Big Data Analytics (Wook et al., 2021)

-Cuestionario y Encuesta a
30 participantes

Tecnología

Modelo básico de calidad de los datos
de la historia clínica electrónica (EMR)
de la atención primaria de salud (Terry
et al., 2019)

-Evaluación de datasets Salud

Otro
s

Programa de Gestión de Calidad de
Datos (Schuh et al., 2019)

-Casos de uso Manufactura

Programa de calidad de datos (Daniel
et al., 2019)

-Evaluación de data set Salud

LODQuMa - Un novedoso proceso de
ontología libre (Salem y Benchikha,
2022)

-Evaluación de data set Tecnología

Estudio cuasi experimental (Abbar y
Alshammari, 2024)

-Entrevista a 60 personas
en 2 grupos

Manufactura

Enfoque alternativo basado en costos
para el análisis de la calidad de datos
(Timmerman et al., 2023)

-Revisión de data set por
expertos

Tecnología

Directiva basada en 7 características
de la DQM (Abdolkhani et al., 2023)

-Entrevista y encuesta a
especialistas y pacientes

Salud

Evaluación de completitud de Data
Sets abiertos (Ali et al., 2019)

-Evaluación de data set a
través de una herramienta

Tecnología

TAQIH- Herramienta de Evaluación y
mejora de calidad de datos basado en
DAMA (Álvarez et al., 2019)

-Evaluación de data set a
través de una herramienta

Salud

Análisis de QA basado en SAGE (Rau
et al., 2022)

-Evaluación de data set a
través de una herramienta

Salud

DaQL– Librería de DQ (Lettner et al.,
2021)

-Validación de un dataset a
través de una herramienta
desarrollada en Python

Manufactura

LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, Asunción, Paraguay.
ISSN en línea: 2789-3855, octubre, 2025, Volumen VI, Número 5 p 1485.

Método Friday Afternoon
Measurement (FAM) (Nagle et al.,
2020)

-Revisión de data set por
expertos

Diversos

De acuerdo a lo mostrado en la Figura 3, de las 38 investigaciones recopiladas, existe una variedad de
campos de investigación relacionado a la mejora de la calidad de datos, lo que brinda un beneficio para
las organizaciones que deseen respaldarse en tomar decisiones asertivas basadas en datos (data-
driven), garantizando así la confiabilidad por su uso (Guerra et al., 2023). Si, por el contrario, los datos
que poseen las entidades contienen problemas respecto a su calidad, las decisiones que se adopten
podrían ser las menos asertivas y por ende traer malas decisiones (Valverde et al., 2022). Esto significa
que la dificultad en la gestión de datos dentro de las empresas aumenta por los problemas que se
encuentran previo análisis (Camera et al., 2020).

Gráfico 3

Industrias donde se realizaron investigaciones sobre calidad de datos

Otro hallazgo indicó que, tanto el sector salud como el tecnológico, son campos de investigación

constante, evidenciándose un 29% del total en ambas categorías. En tercera posición figura la
manufactura con un 24%. Sin embargo, el incremento constante de los datos y rápido avance de las
tecnologías disruptivas como el Internet de las Cosas (IoT), Inteligencia Artificial (IA) aplicadas en este
sector, refuerza hipótesis que hace que se necesite contar con modelos y herramientas basados en
datos con la ayuda de, por ejemplo, la aplicación de machine learning para la estimación de riesgos de
fallos en componentes industriales (Lettner et al., 2021; Kang et al., 2024).

PI.2. ¿Qué dimensiones o características son consideradas más relevantes dentro de los modelos de
gestión para la definición de calidad de datos?

Las dimensiones son un grupo de propiedades que caracteriza un aspecto en particular sobre la calidad
del dato (Wang y Strong, 1996) y suelen denominarse con otros sinónimos, como por ejemplo
características (Gualo et al., 2021) o métricas (Kang et al., 2024). Este estudio evaluó cuantitativamente
las dimensiones clave para asegurar la calidad de datos en diversas organizaciones y se resaltan por
su coincidencia cuantivativa el concepto de las 4 dimensiones o características que más han sido

2% 2% 3%
3%

5% 3%

24%

29%

Agricultura

Ambiental

Comercio

Defensa

Diversas

Gestión de proyectos

Manufactura

Salud

Tecnología

LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, Asunción, Paraguay.
ISSN en línea: 2789-3855, octubre, 2025, Volumen VI, Número 5 p 1486.

empleadas en la presente RSL. En la Tabla 3, se describen las dimensiones que se utilizaron para la
gestión de calidad de datos por cada artículo seleccionado. En primera ubicación se encontró
completeness citada en 33 artículos, luego acuracy con 27, consistency con 23 y timeliness,
referenciada en 17 investigaciones. Por completo se entiende que, una entidad o variable debe contar
con todos los valores para todos sus atributos en un contexto determinado (Krishna et al., 2023; ISO,
2008). Por otro lado, acuracy y sus equivalentes como Free of Error, Correctness, Reliability (Camera et
al., 2020), representa el grado en el que los valores registrados de los atributos signifiquen el valor real
de acuerdo a un contexto (Krishna et al., 2023; ISO, 2008). Mientras que consistency y sus sinónimos
encontrados como consistent representation, Unambiguous, format (Camera et al., 2020), expresa el
grado en que los datos figuran de forma coherente y sin inconsistencias (Krishna et al., 2023; ISO,
2008). Por otro lado, timeliness y currency presentan un significado equivalente (Camera et al., 2020).
Timeliness significa que los datos capturados tienen la antigüedad correcta sin desfasarse de acuerdo
con el contexto (Krishna et al., 2023; ISO, 2008). Sin embargo, para que un investigador o stakeholder
pueda definir y establecer las dimensiones a usarse para gestionar la calidad de datos, debe analizar
el tipo del contexto, relevancia e importancia para cada organización y por último, el tipo de datos que
alberga (Cichy y Rass, 2019).

Tabla 3

Dimensiones encontradas en los 38 artículos de investigación

Autores C
o
m
pl
et
en
es
s

C
on
si
st
en
cy

A
cc
ur
ac
y

C
ur
re
nc
y

Ti
m
eli
ne
ss

Un
iq
ue
ne
ss

Otras dimensiones aplicadas

(Wahyudi e Isa,
2023)

X X X X X Validity

(Gu et al., 2021) X X validity, integrity
(Barba et al.,
2024)

X X

(Omri et al., 2021) X X Data volume
(Günther et al.,
2019)

X X X X Relevance, Plausibility

(Pezoulas et al.,
2019)

X X X Relevance

(Rajan et al.,
2019)

X X X X Concordance, redundancy

(Naik et al., 2020) X X X X
(Williams et al.,
2019)

X Availability, usability, reliability,
relevancy/relevance

(Makeleni y
Cilliers, 2021)

X X X X Conformity, integrity

(Ngueilbaye et al.,
2023)

X X X

(Valencia et al.,
2021)

X X X

(Guerra et al.,
2023)

X X X X Confidentiality, accesibility, compliance
tracebility, availability, credibility, precisión

(Valverde et al.,
2022)

X X X X representation, interpretability

LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, Asunción, Paraguay.
ISSN en línea: 2789-3855, octubre, 2025, Volumen VI, Número 5 p 1487.

(Gürdür et al.,
2019)

X X X X Accesibility, traceability availability, security,
usefulness, reuse

(Schuh et al.,
2019)

X Credibility, reliability, Interpretability, Operability,
sufficiency

(Daniel et al.,
2019)

X Conformance, Plausibility

(Salem y
Benchikha, 2022)

X X Conciseness

(Abbar y
Alshammari,
2024)

X X

(Timmerman et
al., 2023)

X X

(Abdolkhani et al.,
2023)

X X X X Accesibility, relevance/relevancy,
interoperability

(Ali et al., 2019) X
(Álvarez et al.,
2019)

X X Readability, redundancy

(Rau et al., 2022) X X Integrity, congruence
(Lettner et al.,
2021)

Validity, correctness

(Nagle et al.,
2020)

X X

(Elsner et al.,
2024)

X X X Accesibility, compliance, tracebility, precisión,
Attributability, metadata, time resolution, error
estimation

(Fang et al., 2022) X X X X Availability, credibility, usability, reliability,
relevance

(Herrmann et al.,
2022)

X X X

(Camera et al.,
2020)

X X X X Accesibility, relevancy/relevance, easy of input,
security & export controls

(Kang et al., 2024) X Data volumen
(Elouataoui et al.,
2023)

X X X X conformity, readability

(Imran y Ahmad,
2021)

X X X X X Availability, credibility, relevancy/relevance,
validity, Integrity, authenticity

(Labeeb et al.,
2020)

X Integrity

(Mao et al., 2019) X X X X X Accesibility, validity
(Côrte-Real et al.,
2020)

X X X

(Wook et al.,
2021)

X X X Believability, ease of operation

(Terry et al., 2019) X X Correctness, comparability

PI.3. ¿Cómo contribuye sobre la organización, la aplicación de la calidad de datos basado en artefactos
de gestión y sus dimensiones?

Sin datos, los directivos no podrían gestionar correctamente los recursos organizacionales para
mejorar los procesos actuales ni alcanzar los objetivos (Fang et al., 2022) ya que su calidad se valora

LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, Asunción, Paraguay.
ISSN en línea: 2789-3855, octubre, 2025, Volumen VI, Número 5 p 1488.

como un recurso de conocimiento que contribuye a las mejoras competitivas (Côrte-Real et al.,2020).
El tema de calidad de datos es un tema central y recurrente de investigación en todo tipo de entidad ya
que juega un papel muy importante (Elouataoui et al., 2023; Imran y Ahmad, 2021), considerándose un
tema en constante investigación y de mucha variedad ajustable (Labeeb, 2020), desde el ámbito de
salud, donde existen muchos retos (Naik et al., 2020), situación que conlleva por ejemplo, a que los
científicos necesitan datos de alta calidad para minimizar el riesgo de plasmar información errónea en
sus investigaciones (Terry, 2019), hasta el ámbito tecnológico donde, a causa del incremento de datos,
se originan datos inconsistentes y de baja calidad (Mao et al., 2019), inclusive para el sector
medioambiental, la calidad de datos se considera un factor crítico de evaluación (Elsner et al., 2024).
En efecto, la aplicabilidad de gestión de calidad de datos puede variar de organización en organización,
lo que puede resultar que se obtengan buenos resultados sobre algunas dimensiones, y bajos
resultados en otras (Herrmann et al., 2022), variando su alcance a través del empleo de nuevas
tecnologías como Big Data, siendo imprescindible estudiar y comprender la relación entre sus
indicadores y dimensiones de calidad de datos (Wook et al., 2021).

CONCLUSIONES

Esta Revisión Sistemática de la Literatura (RSL) permitió analizar en profundidad 38 estudios
relevantes que abordan tanto las definiciones de calidad de datos como los principales enfoques para
evaluarla y mejorarla. A lo largo del análisis, se identificaron cuatro dimensiones de calidad que
destacan por su frecuencia y relevancia en la literatura: completitud, exactitud, consistencia y
actualidad. Estas dimensiones son consideradas esenciales en la mayoría de los estudios, y
constituyen una base común para evaluar la calidad de los datos (Wang & Strong, 1996; Batini y
Scannapieco, 2016).

Asimismo, entre estos enfoques se encuentran modelos, marcos conceptuales, metodologías, y
herramientas que se utilizan en distintos contextos para asegurar que los datos sean confiables y
útiles. Los campos donde se observó una mayor concentración de investigaciones fueron el
sector salud y el tecnológico. Esto no es casual, ya que en ambos sectores los datos tienen un impacto
directo en decisiones críticas, desde diagnósticos médicos hasta el desarrollo de sistemas
inteligentes. Por ejemplo, en el área de salud, contar con datos completos y precisos puede marcar la
diferencia en el tratamiento de un paciente (Weiskopf y Weng, 2013). Mientras tanto, en el ámbito
tecnológico, la calidad de los datos es clave para entrenar modelos de inteligencia artificial y garantizar
que funcionen correctamente (Provost & Fawcett, 2013). Sin embargo, también se identificaron vacíos
importantes en la investigación aplicada a otros sectores. Áreas como el sector público en temas
económicos y financieros, el medioambiente o incluso el sector Defensa, no presentan el mismo nivel
de desarrollo en cuanto a estudios sobre calidad de datos. Esto sugiere una oportunidad clara para
futuras investigaciones que amplíen el enfoque hacia estas áreas, donde también se toman decisiones
relevantes basadas en datos, y donde una mala calidad podría tener consecuencias importantes.

Por otro lado, los métodos utilizados para evaluar la calidad de los datos varían ampliamente. Algunos
estudios utilizaron métodos tradicionales, como entrevistas o cuestionarios aplicados a expertos,
mientras que otros adoptan enfoques más automatizados, como algoritmos de machine
learning aplicados a grandes volúmenes de datos. Esta diversidad metodológica refleja cómo las
organizaciones están avanzando hacia formas más sofisticadas de gestionar y mejorar la calidad de
su información (Pipino et al., 2003).

Finalmente, esta RSL ofrece un panorama claro y organizado de los enfoques, dimensiones y
herramientas más utilizadas en el estudio de la calidad de datos. Esta recopilación puede ser de gran
utilidad para investigadores, profesionales o tomadores de decisiones que deseen identificar los
métodos más adecuados para sus propios contextos o áreas de interés. Por ende, el estudio no solo

LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, Asunción, Paraguay.
ISSN en línea: 2789-3855, octubre, 2025, Volumen VI, Número 5 p 1490.

REFERENCIAS

Abbar, A., & Alshammari, A. (2024). The Effect of Data Quality on Decision-Making. A Quasi
Experimental Study. Journal of Electrical Systems. Vol. 20, no. 3, pp. 1552-1566. e-ISSN11125209.
https://www.proquest.com/scholarly-journals/effect-data-quality-on-decision-making-
quasi/docview/3074172802/se-2

Abdolkhani, R., Gray, K., Borda, A. & Desouza, R. (2023). Recommendations for the Quality Management
of Patient-Generated Health Data in Remote Patient Monitoring: Mixed Methods Study. JMIR mHealth
and uHealth. Vol. 11. PMID: 36826986, PMCID: 10007009. https://doi.org/10.2196/35917

Abuhalimeh, A. (2022). Improving Data Quality in Clinical Research Informatics Tools. Frontiers in Big
Data. Vol. 5, 871897. https://doi.org/10.3389/fdata.2022.871897

Ali, A., Emran, N., Asmai, S. & Ismail, A. (2019). An Assessment of Open Data Sets Completeness.
International Journal of Advanced Computer Science and Applications(IJACSA). Vol. 10, no. 6. ISSN
2158-107X. http://dx.doi.org/10.14569/IJACSA.2019.0100672

Álvarez, R., Beristain, A., Epelde, G. & Carlin, P. (2019). TAQIH, a tool for tabular data quality assessment
and improvement in the context of health data. Computer Methods and Programs in Biomedicine. Vol.
181. ISSN 0169-2607. https://doi.org/10.1016/j.cmpb.2018.12.029

Barba, C., Caballero, I., Varela, A., Cruz, J., Gómez, M. & Navas, I. (2024). BIGOWL4DQ: Ontology-driven
approach for Big Data quality meta-modelling, selection and reasoning. Information and Software
Technology. Vol. 167, 107378. ISSN 0950-5849. https://doi.org/10.1016/j.infsof.2023.107378

Batini, C. & Scannapieco, M. (2016). Data Quality Dimensions. In: Data and Information Quality. Data-
Centric Systems and Applications. SPRINGER, CHAM. pp. 21-51. ISBN 978-3-319-24104-3.
https://doi.org/10.1007/978-3-319-24106-7_2

Camera, F., Erkoyuncu, J. & Wilding, S. (2020). Service Data Quality Management Framework to Enable
Through-life Engineering Services, Procedia Manufacturing. Vol. 49, pp. 206-210. ISSN 2351-9789.
https://doi.org/10.1016/j.promfg.2020.07.020

Carrizo, C., Caro, A., Salgado, C., Sánchez, A. & Peralta, M. (2021). Una Herramienta para la Definición y
Especificación Temprana de Requisitos de Calidad de Datos. Revista Ibérica De Sistemas e
Tecnologias De Informação. Pp. 660-674. ISSN 16469895. https://www.proquest.com/scholarly-
journals/una-herramienta-para-la-definición-y/docview/2647406592/se-2

Cichy, C. & Rass, S. (2019). An Overview of Data Quality Frameworks. IEEE Access. Vol.7, pp. 24634-
24648. https://doi.org/10.1109/ACCESS.2019.2899751

Côrte-Real, N., Ruivo, P. Y Oliveira, T. (2020). Leveraging internet of things and big data analytics
initiatives in European and American firms: Is data quality a way to extract business value?, Information
& Management. Vol. 57, no. 1. ISSN 0378-7206. https://doi.org/10.1016/j.im.2019.01.003.

Daniel, C., Serre, P., Orlova, N., Bréant, S., Paris, N. & Griffon, N. (2019). Initializing a hospital-wide data
quality program. The AP-HP experience., Computer Methods and Programs in Biomedicine. Vol. 181.
ISSN 0169-2607. https://doi.org/10.1016/j.cmpb.2018.10.016

Elouataoui, W., El Mendili, S. & Gahi. Y. (2023). An Automated Big Data Quality Anomaly Correction
Framework Using Predictive Analysis. Data. Vol. 8, no. 12. EISSN 2306-5729.
https://doi.org/10.3390/data8120182

LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, Asunción, Paraguay.
ISSN en línea: 2789-3855, octubre, 2025, Volumen VI, Número 5 p 1491.

Elsner, J., Brings, H., Sohnius, F. & Schmitt, R. (2024). Data quality in environmental assessment
methods – Implications for the operational management in manufacturing, Procedia CIRP. Vol. 122,
pp. 807-812. ISSN 2212-8271. https://doi.org/10.1016/j.procir.2024.01.113

Fang, Z., Liu, Y., Lu, Q., Pitt, M., Hanna, S. & Tian, S. (2022). BIM-integrated portfolio-based strategic
asset data quality management. Automation in Construction. Vol. 134. ISSN 0926-5805.
https://doi.org/10.1016/j.autcon.2021.104070

Fuentes, I., Bernal, W. & Zapater, J. (2021). Revisión Sistemática de Literatura sobre Modelos de
Gobierno y Gestión de Datos corporativos en el contexto de las Organizaciones. Revista Ibérica De
Sistemas e Tecnologias De Informação. Pp. 18-34. ISSN 16469895.
https://www.proquest.com/scholarly-journals/revisión-sistemática-de-literatura-sobre-
modelos/docview/2647405847/se-2

García, F. (2022). Desarrollo de estados de la cuestión robustos: Revisiones Sistemáticas de Literatura.
Education in the Knowledge Society (EKS), Vol. 23, e28600. ISSN 2444-8729.
https://doi.org/10.14201/eks.28600

Gu, R., Qi, Y., Wu, T., Wang, Z., Xu, X., Yuan, C. & Huang, Y. (2021). SparkDQ: Efficient generic big data
quality management on distributed data-parallel computation. Journal of Parallel and Distributed
Computing. Vol. 156, pp. 132-147. ISSN 0743-7315. https://doi.org/10.1016/j.jpdc.2021.05.012

Gualo, F., Rodriguez, M., Verdugo, J., Caballero, I. & Piattini, M. (2021). Data quality certification using
ISO/IEC 25012: Industrial experiences. Journal of Systems and Software. Vol. 176. ISSN 0164-1212.
https://doi.org/10.1016/j.jss.2021.110938

Guerra, C., Nikiforova, A., Jiménez, S., Perez, H. Ramírez, M. & Ontañon, L. (2023). ISO/IEC 25012-based
methodology for managing data quality requirements in the development of information systems:
Towards Data Quality by Design. Data & Knowledge Engineering. Vol. 145. ISSN 0169-023X.
https://doi.org/10.1016/j.datak.2023.102152

Günther, L., Colangelo, E., Wiendahl, H-H. & Bauer, C.(2019). Data quality assessment for improved
decision-making: a methodology for small and medium-sized enterprises, Procedia Manufacturing. Vol.
29, pp. 583-591. ISSN 2351-9789. https://doi.org/10.1016/j.promfg.2019.02.114

Gürdür, D., El-Khoury, J. & Nyberg, M. (2019). Methodology for linked enterprise data quality assessment
through information visualizations, Journal of Industrial Information Integration. Vol. 15, pp. 191-200.
ISSN 2452-414X. https://doi.org/10.1016/j.jii.2018.11.002

Herrmann, J., Tackenberg, S., Padoano, E., Hartlief, J., Rautenstengel, J., Loeser, C. & Böhme, J. (2022).
An ERP Data Quality Assessment Framework for the Implementation of an APS system using Bayesian
Networks, Procedia Computer Science. Vol. 200, pp. 194-204. ISSN 1877-0509.
https://doi.org/10.1016/j.procs.2022.01.218

Imran, M. & Ahmad, A. (2021). Enhancing data quality to mine credible patterns. Journal of Information
Science. Vol. 49, no. 2, pp. 544 – 564. https://doi.org/10.1177/01655515211013693

International Organization for Standardization – ISO (2008). ISO/IEC 25012: Software Engineering:
Software Product Quality Requirements and Evaluation (SQuaRE): Data Quality Model. ISO/IEC.
https://www.iso.org/standard/35736.html

Kang, J., Al Masry, Z., Varnier, C., Mosallam, A. & Zerhouni, N. (2024). A data quality management
framework for equipment failure risk estimation: Application to the oil and gas industry, Engineering

LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, Asunción, Paraguay.
ISSN en línea: 2789-3855, octubre, 2025, Volumen VI, Número 5 p 1492.

Applications of Artificial Intelligence. Vol. 136, Part. A. ISSN 0952-1976.
https://doi.org/10.1016/j.engappai.2024.108834

Krishna, C., Ruikar, K. & Jha, K. (2023). Determinants of Data Quality Dimensions for Assessing Highway
Infrastructure Data Using Semiotic Framework. Buildings. Vol. 13, no. 944. EISSN 2075-5309.
https://doi.org/10.3390/buildings13040944

Labeeb, K., Chowdhury, K.., Riha R., Abedin, M., Yesmin, S. & Khan, M. (2020). Pre-Processing Data in
Weather Monitoring Application by Using Big Data Quality Framework. Proceedings of 2020 IEEE
International Women in Engineering (WIE) Conference on Electrical and Computer Engineering,
WIECON-ECE 2020. Pp. 284 - 287. ISBN 978-1-6654-3027-2. https://doi.org/10.1109/WIECON-
ECE52138.2020.9397990

Lettner, C., Stumptner, R., Fragner, W., Rauchenzauner, F. & Ehrlinger, L. (2021). DaQL 2.0: Measure Data
Quality based on Entity Models. Procedia Computer Science. Vol. 180, pp. 772-777. ISSN 1877-0509.
https://doi.org/10.1016/j.procs.2021.01.327

Linares, E., Hernández, V., Domínguez, J., Fernández, S., Hevia, V., Mayor, J., Padilla, B. & Ribal, M.
(2018). Methodology of a systematic review, Actas Urológicas Españolas (English Edition). Vol. 42, no.
8, pp. 499-506. ISSN 2173-5786. https://doi.org/10.1016/j.acuroe.2018.07.002

Makeleni, N. & Cilliers, L.(2021). Critical success factors to improve data quality of electronic medical
records in public healthcare institutions. South African Journal of Information Management. Vol. 23,
no. 1. https://doi.org/10.4102/sajim.v23i1.1230

Mao, X., Gong, B., Su, F., Xu, K., Xian, K., Liu, D. & Guo, H. (2019). Data Quality Management and
Measurement. Signal and Information Processing, Networking and Computers. ICSINC 2018. Lecture
Notes in Electrical Engineering. Singapore, Springer. Vol. 494, pp. 229–236. ISBN 978-981-13-1732-3.
https://doi.org/10.1007/978-981-13-1733-0_28

Nagle, T., Redman, T. & Sammon, D. (2020). Assessing data quality: A managerial call to action,
Business Horizons. Vol. 63, no. 3, pp. 325-337. ISSN 0007-6813.
https://doi.org/10.1016/j.bushor.2020.01.006

Naik, S., Voong, S., Bamford, M., Smith, K., Joyce, A., & Grinspun, D. (2020). Assessment of the Nursing
Quality Indicators for Reporting and Evaluation (NQuIRE) database using a data quality index. Journal
of the American Medical Informatics Association : JAMIA. Vol. 27, No. 5, pp. 776–782. EISSN 1527-
974X. https://doi.org/10.1093/jamia/ocaa031

Ngueilbaye, A., Huang, J., Khan, M. & Wang, H. (2023). Data quality model for assessing public COVID-
19 big datasets. Journal of Supercomputing. Vol. 79, no. 17, pp. 19574 - 19606.
https://doi.org/10.1007/s11227-023-05410-0

Omri, N., Al Masry, Z., Mairot, N., Giampiccolo, S. & Zerhouni, N. (2021). Towards an adapted PHM
approach: Data quality requirements methodology for fault detection applications. Computers in
Industry. Vol. 127, 103414. ISSN 0166-3615. https://doi.org/10.1016/j.compind.2021.103414

Pezoulas, V. Kourou, K., Kalatzis, F., Exarchos, T., Venetsanopoulou, A., Zampeli, E., Gandolfo, S.,
Skopouli, F., De Vita, S., Tzioufas, A. & Fotiadis, D. (2019). Medical data quality assessment: On the
development of an automated framework for medical data curation, Computers in Biology and
Medicine. Vol. 107, pp. 270-283. ISSN 0010-4825, https://doi.org/10.1016/j.compbiomed.2019.03.001

Pipino, L., Lee, Y., & Wang, R. (2002). Data quality assessment. Communications of the ACM, 45(4),
211–218. https://doi.org/10.1145/505248.506010

LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, Asunción, Paraguay.
ISSN en línea: 2789-3855, octubre, 2025, Volumen VI, Número 5 p 1493.

Provost, F., & Fawcett, T. (2013). Data Science for Business: What You Need to Know about Data Mining
and Data-Analytic Thinking. O'Reilly Media.

Rajan, N., Gouripeddi, R., Mo, P., Madsen, R. & Facelli, J. (2019). Towards a content agnostic computable
knowledge repository for data quality assessment. Computer Methods and Programs in Biomedicine.
Vol. 177, pp. 193-201. ISSN 0169-2607. https://doi.org/10.1016/j.cmpb.2019.05.017

Rau, C., Lüdecke, D., Dumolard, L., Grevendonk, J., Wiernik B.M., Kobbe, R., Gacic-Dobo, M. & Danovaro,
M. (2022). Data quality of reported child immunization coverage in 194 countries between 2000 and
2019. PLOS Global Public Health. Vol. 2, no. 2. https://doi.org/10.1371/journal.pgph.0000140

Ridzuan, F. & Zainon, W. (2024). A Review on Data Quality Dimensions for Big Data. Procedia Computer
Science. Vol. 234, pp. 341-348, ISSN 1877-0509. https://doi.org/10.1016/j.procs.2024.03.008

Salazar, M. & Sossa, E. (2015). Estudio bibliométrico sobre la producción bibliográfica y científica en
archivística, desde la perspectiva de las bases de datos Library and Information Science y Science
Direct. [Tesis de maestría, Universidad de La Salle, Bogotá].
https://ciencia.lasalle.edu.co/cgi/viewcontent.cgi?article=1011&context=maest_gestion_documental

Salem, S. & Benchikha, F. (2022). LODQuMa: A Free-ontology process for Linked (Open) Data quality
management. Journal of King Saud University - Computer and Information Sciences. Vol. 34, no.8, Part.
A, pp. 5552-5563. ISSN 1319-1578. https://doi.org/10.1016/j.jksuci.2021.06.001

Schuh, G., Rebentisch, G., Riesener, M., Ipers, T., Tönnes, C. & Jank, M-H.(2019). Data quality program
management for digital shadows of products, Procedia CIRP. Vol. 86, pp. 43-48. ISSN 2212-8271.
https://doi.org/10.1016/j.procir.2020.01.027

Sdiri, B., Rigaud, L., Jemmali, R. & Abdelhedi, F.(2023). The Difficult Path to Become Data-Driven. SN
Computer Science. SCI. Vol. 4, 385. https://doi.org/10.1007/s42979-023-01789-y

Terry , A., Stewart, M., Cejic, S., Marshall, J., De Lusignan S., Chesworth, B., Chevendra, V., Maddocks,
H., Shadd, J., Burge, F. & Thind, A. (2019). A basic model for assessing primary health care electronic
medical record data quality. BMC Med Inform Decision Making. Vol. 19, no. 30, pp. 19-30. ISSN 1472-
6947. https://doi.org/10.1186/s12911-019-0740-0

Timmerman, Y., Nasfi, R., De Tré, G., Pattyn, F. & Bronselaer, A. (2023). Cost-based analysis of the
impact of data completeness and representational consistency, Decision Support Systems. Vol. 175.
ISSN 0167-9236. https://doi.org/10.1016/j.dss.2023.114044

Tobalina, L. & González, C. (2020). Valoración de la calidad de los datos arqueológicos a través de la
gestión de su vaguedad. Aplicación al estudio del poblamiento tardorromano. Complutum. Vol. 31 no.
2, pp. 343-360. ISSN 1131-6993. https://doi.org/10.5209/cmpl.72488

Valencia, A., Parody, A., Varela, A., Caballero, I. & Gómez, M. (2021). DMN4DQ: When data quality meets
DMN. Decision Support Systems. Vol. 141. ISSN 0167-9236.
https://doi.org/10.1016/j.dss.2020.113450

Valverde, C., Marotta, A., Panach, J. & Vallespir, D. (2022).Towards a model and methodology for
evaluating data quality in software engineering experiments. Information and Software Technology.
Vol. 151. ISSN 0950-5849. https://doi.org/10.1016/j.infsof.2022.107029

Wahyudi, T. & Isa, S. (2023). Data Quality Assessment using TDQM framework: A case study of PT AID
FRAMEWORK: A CASE STUDY OF PT AID. Journal of Theoretical and Applied Information Technology.

LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, Asunción, Paraguay.
ISSN en línea: 2789-3855, octubre, 2025, Volumen VI, Número 5 p 1494.

Vol. 101, no. 9, pp. 3576 - 3589. ISSN 1992-8645.
https://www.jatit.org/volumes/Vol101No9/31Vol101No9.pdf

Wang, R., & Strong, D. (1996). Beyond Accuracy: What Data Quality Means to Data Consumers. Journal
of Management Information Systems. Vol. 12, no. 4, pp. 5–33.
https://doi.org/10.1080/07421222.1996.11518099

Weiskopf, N. & Weng, Ch. (2013). Methods and dimensions of electronic health record data quality
assessment: enabling reuse for clinical research, Journal of the American Medical Informatics
Association, Volume 20, Issue 1, Pages 144–151. https://doi.org/10.1136/amiajnl-2011-000681

Williams, P., Lovelock, B., Cabarrus, T. & Harvey, M. (2019). Improving Digital Hospital Transformation:
Development of an Outcomes-Based Infrastructure Maturity Assessment Framework, JMIR Med
Inform. Vol. 7, no. 1: e12465. PMID: 30632973, PMCID: PMC6329893.
https://pubmed.ncbi.nlm.nih.gov/30632973/

Wook, M., Hasbullah, N., Zainudin, N., Jabar, Z., Ramli, S., Razali N. & Yusop, N. (2021). Exploring big
data traits and data quality dimensions for big data analytics application using partial least squares
structural equation modelling. Journal of Big Data. Vol. 8, no. 1. ISSN 2196-1115.
https://doi.org/10.1186/s40537-021-00439-5

Zhang, L., Jeong, D. & Lee, S. (2021). Data quality management in the internet of things. Sensors. Vol.
21, 17,5834. https://doi.org/10.3390/s21175834

Todo el contenido de LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, publicados en
este sitio está disponibles bajo Licencia Creative Commons .