Calidad de datos

La calidad de datos es el grado en que los datos de una organización resultan aptos para el uso que se les quiere dar, ya sea tomar una decisión, disparar un proceso o alimentar un modelo. No es una propiedad absoluta del dato, sino una relación entre el dato y su propósito: un padrón de clientes con la dirección incompleta puede ser suficiente para un informe de ventas y a la vez inservible para una logística de última milla.

Se evalúa a través de un conjunto de dimensiones medibles, como la exactitud, la completitud, la consistencia entre sistemas y la vigencia. Datos de buena calidad describen bien la realidad, están completos donde importa, no se contradicen entre una aplicación y otra y están actualizados al momento en que se los necesita. Cuando alguna de esas dimensiones falla, los tableros muestran cifras que nadie termina de creer y cada área llega a la reunión con su propia versión de la verdad.

Sostenerla no es un proyecto que se cierra una vez, sino una disciplina continua de medición y corrección. Una capa de analítica como Metrix ayuda a exponer estos problemas: al consolidar ventas, stock y clientes en un solo lugar, deja a la vista los registros duplicados, los huecos y las contradicciones antes de que contaminen una decisión.

La calidad de datos parte de una idea incómoda pero necesaria: la mayoría de las organizaciones toma decisiones sobre datos que nadie auditó de verdad. Mientras el dato entra sin fricción, se asume que está bien, hasta que un número no cierra en una reunión y aparece la pregunta de siempre, cuál sistema tiene razón. Poner la calidad como una propiedad medible, y no como una fe, es lo que convierte a los datos en un activo confiable.

Las dimensiones que la componen

La calidad no se mide con un solo número, sino descomponiéndola en dimensiones que se evalúan por separado. Las más usadas son:

• Exactitud: el dato refleja el valor real del mundo. Un teléfono que existe y contesta, un CUIT que corresponde a la empresa que dice.
• Completitud: están cargados los campos que el proceso necesita. Un cliente sin correo rompe una campaña de email por más correcto que sea el resto de la ficha.
• Consistencia: el mismo dato coincide entre sistemas. Si el ERP dice que un pedido está facturado y el CRM lo muestra pendiente, uno de los dos miente.
• Vigencia: el dato está actualizado al momento en que se lo consulta. Un precio de lista de hace seis meses es técnicamente un dato, pero conduce a una decisión equivocada.
• Unicidad: cada entidad del mundo real aparece una sola vez. Los duplicados inflan los conteos y hacen que un mismo cliente reciba la misma comunicación tres veces.
• Validez: el dato respeta el formato y las reglas esperadas. Una fecha imposible o un código que no existe en la tabla maestra son datos inválidos aunque el campo no esté vacío.

Cómo se mide y se mantiene

El primer paso es el perfilado de datos (data profiling): recorrer un conjunto y sacar estadísticas de cada campo, cuántos valores nulos, cuántos duplicados, qué formatos conviven, qué rangos son sospechosos. Sobre ese diagnóstico se definen reglas de validación y un umbral aceptable por dimensión, porque la calidad perfecta no existe ni conviene perseguirla: se fija un nivel suficiente para el uso. Luego la disciplina pasa a ser continua, con deduplicación, normalización y monitoreo que avisa cuando una métrica de calidad se degrada. Buena parte de estos problemas se corrige aguas arriba, en los procesos de ETL que mueven los datos entre sistemas, no parcheando el tablero final.

Por qué le importa a una empresa de LATAM

En la región es común que una misma empresa opere con un ERP local, planillas sueltas, un CRM y conversaciones de WhatsApp, cada uno con su propia copia del cliente. Sin una disciplina de calidad, esas copias divergen y nadie sabe cuál usar. El costo no es abstracto: campañas que rebotan por correos mal cargados, stock que figura disponible y no está, comisiones calculadas sobre ventas duplicadas y, sobre todo, la erosión de la confianza en los propios reportes. Cuando el equipo deja de creer en los números, vuelve a decidir por intuición y toda la inversión en analítica se desperdicia. Por eso la calidad de datos es el cimiento de una única fuente de verdad y de cualquier tablero que pretenda ser tomado en serio.

Calidad de datos frente a términos vecinos

Tres conceptos se confunden seguido, pero responden preguntas distintas y se complementan:

En resumen, el gobierno de datos fija las reglas y los responsables, la integridad garantiza que el dato no se corrompa en el camino, y la calidad mide si el resultado final es apto para decidir. Un buen gobierno es la condición para sostener la calidad en el tiempo, no un sinónimo de ella.

Errores comunes

El más frecuente es tratar la calidad como una limpieza única: se hace un gran esfuerzo de saneamiento, se celebra y a los seis meses los datos volvieron a degradarse, porque nunca se atacó la causa en el punto de carga. Otro error es perseguir la perfección en todos los campos por igual, cuando la mayoría del valor está en unas pocas entidades críticas. Y el tercero es medir la calidad solo cuando algo falla, en vez de monitorearla de forma continua, que es la única manera de detectar una degradación antes de que llegue a una decisión.