Logotipo de ITSV
Logotipo de ITSV

Cómo ITSV eliminó 9,000 reglas de calidad de datos con observabilidad impulsada por IA

Equipo de profesionales de ITSV colaborando en una mesa de madera con portátiles y auriculares, representando la transformación de ITSV hacia la calidad de datos impulsada por IA y observabilidad impulsada por digna.
Equipo de profesionales de ITSV colaborando en una mesa de madera con portátiles y auriculares, representando la transformación de ITSV hacia la calidad de datos impulsada por IA y observabilidad impulsada por digna.

INDUSTRIA

Cuidado de la salud / Seguro social

INDUSTRIA

Cuidado de la salud / Seguro social

INDUSTRIA

Cuidado de la salud / Seguro social

CASOS DE USO

Monitoreo de Calidad de Datos, garantía de Puntualidad de Datos

CASOS DE USO

Monitoreo de Calidad de Datos, garantía de Puntualidad de Datos

CASOS DE USO

Monitoreo de Calidad de Datos, garantía de Puntualidad de Datos

MÓDULOS UTILIZADOS

Anomalías de datos de digna, puntualidad de datos de digna

MÓDULOS UTILIZADOS

Anomalías de datos de digna, puntualidad de datos de digna

MÓDULOS UTILIZADOS

Anomalías de datos de digna, puntualidad de datos de digna

“La configurabilidad sin esfuerzo de digna permite su uso como una plataforma de calidad de datos de autoservicio en todo el sector de seguros sociales.”

Thomas Schauer

Jefe de Análisis de Datos

Logotipo de ITSV
Logotipo de ITSV

El desafío: 9000 reglas. Sin control.

Antes de implementar digna, ITSV —la columna vertebral tecnológica del sistema de seguridad social de Austria— gestionaba la calidad de los datos mediante 9.000 reglas creadas manualmente en su data warehouse. Pero este enfoque tradicional no podía seguir el ritmo ni la complejidad de los datos modernos:

El volumen creciente (50GB/día de más de 30 fuentes en más de 500 estructuras) hizo que el mantenimiento de reglas fuera insostenible

El volumen creciente (50GB/día de más de 30 fuentes en más de 500 estructuras) hizo que el mantenimiento de reglas fuera insostenible

El volumen creciente (50GB/día de más de 30 fuentes en más de 500 estructuras) hizo que el mantenimiento de reglas fuera insostenible

El conocimiento se perdió por la rotación de personal y la falta de documentación adecuada

El conocimiento se perdió por la rotación de personal y la falta de documentación adecuada

El conocimiento se perdió por la rotación de personal y la falta de documentación adecuada

Las reglas requerían ajustes constantes, pero no había un equipo claramente responsable

Las reglas requerían ajustes constantes, pero no había un equipo claramente responsable

Las reglas requerían ajustes constantes, pero no había un equipo claramente responsable

Más de 140 alertas al día saturaban el correo, y la mayoría se ignoraban porque no quedaba claro qué significaban

Más de 140 alertas al día saturaban el correo, y la mayoría se ignoraban porque no quedaba claro qué significaban

Más de 140 alertas al día saturaban el correo, y la mayoría se ignoraban porque no quedaba claro qué significaban

Solo el 25% de los casos de calidad de datos relevantes fueron realmente cubiertos

Solo el 25% de los casos de calidad de datos relevantes fueron realmente cubiertos

Solo el 25% de los casos de calidad de datos relevantes fueron realmente cubiertos

En resumen: la calidad de los datos estaba fuera de control y la confianza en el sistema estaba en riesgo.

La solución: monitoreo de anomalías y oportunidad potenciado por IA

Desde septiembre de 2021, comenzamos la Prueba de Valor con ITSV y comenzamos a reemplazar todo su marco basado en reglas con las anomalías de datos y la puntualidad de datos de digna, haciendo una transición completa hacia la observabilidad y confianza impulsadas por AI.

Todo el análisis se realizó de forma segura dentro de la infraestructura de ITSV, asegurando el cumplimiento total de la privacidad de los datos.

Todo el análisis se realizó de forma segura dentro de la infraestructura de ITSV, asegurando el cumplimiento total de la privacidad de los datos.

Todo el análisis se realizó de forma segura dentro de la infraestructura de ITSV, asegurando el cumplimiento total de la privacidad de los datos.

Sin afinación, sin configuración de umbral, sin sobrecarga de mantenimiento

Sin afinación, sin configuración de umbral, sin sobrecarga de mantenimiento

Sin afinación, sin configuración de umbral, sin sobrecarga de mantenimiento

Puntualidad de Datos de digna usó aprendizaje automático para aprender patrones de llegada y alertar cuando los datos estaban atrasados o faltaban

Puntualidad de Datos de digna usó aprendizaje automático para aprender patrones de llegada y alertar cuando los datos estaban atrasados o faltaban

Puntualidad de Datos de digna usó aprendizaje automático para aprender patrones de llegada y alertar cuando los datos estaban atrasados o faltaban

Anomalías de datos de digna aprendió automáticamente patrones normales para 50GB/día de 30 fuentes, y luego marcó desviaciones — eliminando umbrales manuales

Anomalías de datos de digna aprendió automáticamente patrones normales para 50GB/día de 30 fuentes, y luego marcó desviaciones — eliminando umbrales manuales

Anomalías de datos de digna aprendió automáticamente patrones normales para 50GB/día de 30 fuentes, y luego marcó desviaciones — eliminando umbrales manuales

Caso de uso: datos de seguro social a nivel nacional

El data warehouse de ITSV integra datos de cinco proveedores de seguros de salud, dando servicio a millones de ciudadanos austriacos. Esto incluye conjuntos de datos altamente heterogéneos y sensibles utilizados para facturación, reclamaciones médicas, insights de pacientes y más.

El desafío no era solo la calidad de los datos, sino también el volumen, la velocidad y la responsabilidad. digna hizo posible:

✦ Monitorear todas las tablas entrantes sin escribir ni reescribir una sola regla
✦ Garantizar la frescura de los datos entre regiones y pipelines — incluso sin cronogramas definidos
✦ Ofrecer detección de anomalías en modo autoservicio para distintos equipos — aumentando la adopción y la cobertura

Los resultados: Del caos a la confianza

Métrica

Pre-digna (2021)

Con digna (2025)

Mejora

Reglas de Calidad de Datos

9,000

0

100% de reducción

Corbertura de Casos

25%

90%

Incremento de 3.6 veces

Alertas Diarias

140 (mayormente ignoradas)

20 (accionables)

86% menos falsos positivos

Mantenimiento de Reglas

Ajustes constantes

Totalmente automatizado

0 horas/mes

86% de volumen de alerta: solo se destacan los problemas más significativos

86% de volumen de alerta: solo se destacan los problemas más significativos

+260% de aumento en la cobertura de casos — sin mantenimiento adicional

+260% de aumento en la cobertura de casos — sin mantenimiento adicional

Los equipos ahora pueden concentrarse en los conocimientos, no en la infraestructura

Los equipos ahora pueden concentrarse en los conocimientos, no en la infraestructura

Para diciembre de 2022, ITSV decidió implementar digna como la plataforma de calidad de datos número 1 para toda la organización de seguridad social de Austria, extendiéndose más allá del almacén de datos de ITSV.

Para diciembre de 2022, ITSV decidió implementar digna como la plataforma de calidad de datos número 1 para toda la organización de seguridad social de Austria, extendiéndose más allá del almacén de datos de ITSV.

Aprende más de ITSV

Informe de la conferencia sobre excelencia en datos ADV

Big Data Minds Europa: ITSV x digna (YouTube)

Un año sin reglas técnicas – digna.ai

¿Quieres modernizar tu enfoque sobre la calidad de los datos, al igual que ITSV?

¿Quieres modernizar tu enfoque sobre la calidad de los datos, al igual que ITSV?

¿Quieres modernizar tu enfoque sobre la calidad de los datos, al igual que ITSV?

Producto

Integraciones

Recursos

Empresa

Español
Español