Data quality

Data quality (calidad de datos) es la medida de qué tan aptos son los datos de una empresa para el propósito que se les quiere dar: tomar decisiones, alimentar reportes, disparar automatizaciones o entrenar modelos de IA. No es un valor absoluto, sino relativo al uso: un padrón de clientes puede ser "suficientemente bueno" para enviar un mailing pero inservible para una conciliación contable.

En la práctica se evalúa con un conjunto de dimensiones medibles (exactitud, completitud, consistencia, vigencia, unicidad y validez) que permiten cuantificar el estado de un dataset y monitorear su evolución en el tiempo. La calidad de datos es la base sobre la que se apoya cualquier iniciativa analítica seria: es lo que vuelve confiable un dashboard o un KPI, y es parte de lo que mide y mejora Metrix al consolidar fuentes dispersas en una capa de información gobernada.

A diferencia del gobierno de datos, que define las políticas y responsabilidades sobre el dato, la calidad de datos es el resultado operativo que esas políticas buscan asegurar.

Por qué importa

La regla de oro de la analítica sigue vigente: "basura entra, basura sale". Un modelo de forecast de ventas entrenado sobre oportunidades mal cargadas predice mal; un reporte de cobranza con clientes duplicados infla la cartera; un agente de IA que responde sobre datos desactualizados alucina con tono de seguridad. La calidad de datos no es un problema de limpieza puntual, sino una propiedad continua que se degrada sola: la gente cambia de mail, las empresas cambian de CUIT, los sistemas se integran a medias. Por eso se mide y se monitorea, no se "arregla una vez".

Las dimensiones de la calidad de datos

La forma estándar de operacionalizar el concepto es medir cada dimensión por separado, idealmente como porcentaje sobre el total de registros:

Cómo se trabaja en la práctica

Llevar la calidad de datos a un nivel confiable suele combinar varios frentes:

• Perfilado (data profiling): analizar un dataset para detectar nulos, duplicados, valores fuera de rango y formatos rotos antes de confiar en él.
• Reglas de validación en el punto de entrada, para que el dato malo no entre (por ejemplo, una regla de validación de Salesforce que exige un CUIT bien formado).
• Deduplicación y matching para resolver el mismo cliente cargado varias veces y avanzar hacia una única fuente de verdad.
• Enriquecimiento con fuentes externas confiables (padrones, geolocalización) para completar lo que falta.
• Monitoreo continuo con métricas de calidad sobre un dashboard, de modo que el deterioro se detecte temprano y no recién cuando un reporte da números absurdos.

Ejemplo concreto (Argentina, LATAM)

Una distribuidora mayorista en Argentina arma su forecast trimestral combinando datos del ERP, del CRM y de planillas de los vendedores. Al consolidar descubre que buena parte de sus clientes está duplicada (Sociedad A figura como "Soc. A", "Sociedad A SRL" y "SOCIEDAD A"), que faltan condiciones de pago en buena parte de la cartera y que varios CUIT están mal tipeados. Sin resolver eso, cualquier análisis de ventas por cliente o de rotación de inventario parte de una base falsa. El trabajo de calidad de datos (deduplicar, validar CUIT contra el padrón, completar condiciones de pago) es lo que vuelve utilizable todo lo que viene después.

Errores comunes

• Tratarla como un proyecto único de limpieza, en vez de un proceso continuo con métricas.
• Limpiar el dato en el reporte (en una planilla aguas abajo) en lugar de corregirlo en el sistema origen, lo que perpetúa el problema.
• Apuntar a "datos perfectos" en vez de "datos aptos para el uso": el nivel de calidad necesario depende de para qué se usa el dato.
• Asumir que migrar a una herramienta nueva mejora la calidad: si se migra dato sucio, se obtiene dato sucio en una interfaz más linda.

En qué se diferencia del gobierno de datos

En resumen, la calidad de datos es la condición que separa un tablero confiable de uno engañoso. En contextos de IA y analítica avanzada su peso solo crece: los modelos amplifican tanto las buenas como las malas decisiones que arrastran los datos con los que se los alimenta.