Qué son los datos no estructurados

Definición amplia

Los datos se suelen clasificar por su grado de organización. IBM define los datos estructurados como los que siguen un formato claro y predefinido que encaja en filas y columnas: nombres, fechas, importes o códigos de producto en una base de datos o una hoja de cálculo. Los no estructurados son los que no tienen un formato predefinido: correos, documentos de texto, publicaciones en redes, transcripciones de llamadas, imágenes, vídeo o audio.

Entre ambos están los datos semiestructurados, como los ficheros JSON o XML, que no siguen un modelo de tabla pero usan etiquetas para organizar su contenido. Un correo es un caso mixto: el remitente, la fecha y el asunto tienen formato fijo, y el cuerpo es texto libre.

Por qué importan ahora

Durante años, la analítica de empresa se centró en los datos estructurados, porque eran los que se podían sumar, filtrar y cruzar con facilidad. El informe de definiciones de big data del NIST señala que la cantidad de datos no estructurados se ha disparado y que ha crecido el interés por sacarles valor. La IA ha cambiado lo que se puede hacer con ellos: los modelos de lenguaje y de visión permiten clasificar correos, extraer campos de facturas, resumir contratos o transcribir llamadas, y convertir así esa información en datos utilizables.

Límites y riesgos

• Calidad desigual: versiones duplicadas, documentos obsoletos o escaneos ilegibles afectan a los resultados.
• Datos personales ocultos: correos y grabaciones suelen contener información personal que hay que proteger como cualquier otro dato personal.
• Almacenamiento: las bases de datos relacionales clásicas tienen una capacidad limitada para analizarlos e indexarlos, por lo que suelen guardarse en data lakes o en sistemas específicos.

Ejemplos de uso

• Atención al cliente

  En atención al cliente, los correos, chats y llamadas son datos no estructurados que la IA puede clasificar por motivo y por tono.

• Administración y finanzas

  En administración, las facturas en PDF y los contratos escaneados se convierten en datos estructurados mediante extracción automática.

• Recursos humanos y talento

  En recursos humanos, los currículos y las respuestas abiertas de las encuestas son datos no estructurados.

• Marketing

  En marketing, las reseñas y los comentarios en redes sociales se analizan para medir la percepción de la marca.

Términos relacionados

• Procesamiento del lenguaje natural
• IDP
• Base de datos vectorial

Fuentes

• IBM, Structured vs. unstructured data
• NIST SP 1500-1r2, NIST Big Data Interoperability Framework: Volume 1, Definitions