¿Qué es la calidad de datos y por que es importante en business intelligence?
Antes de diseñar gráficos, crear tableros o dashboards y generar reportes, conviene asegurar que los datos cumplen estándares mínimos. Calidad de datos en Business Intelligence (BI) significa que la información que llega a los tableros es oportuna, completa, coherente y trazable. Cuando esas condiciones se cumplen, las métricas se interpretan igual en toda la organización y las decisiones no dependen de aclaraciones interminables.
Este artículo presenta siete reglas prácticas para establecer una base de calidad en BI, con definiciones claras y pasos aplicables que puedes incorporar a tu operación sin detener la entrega.
Qué entendemos por “calidad de datos” en BI
En BI, la calidad de datos es el grado en el que la información es adecuada para el uso analítico al que se destina. Se apoya en cinco dimensiones que conviene definir y medir desde el inicio:
- Frescura (oportunidad): los datos se actualizan con la frecuencia comprometida.
- Completitud: no faltan campos críticos para calcular indicadores.
- Unicidad: no hay duplicados en identificadores clave.
- Validez: formatos y rangos son coherentes con las reglas del negocio.
- Trazabilidad: se conoce el recorrido del dato, de la fuente al tablero.
A partir de estas dimensiones, las reglas siguientes establecen políticas simples y verificables.
Regla 1: Frescura — datos a tiempo y con ventana definida
La frescura asegura que el usuario entiende cada cuánto se actualizan los datos y en qué ventana se ejecuta esa actualización. Sin claridad en la periodicidad, un indicador pierde contexto.
Cómo aterrizarlo:
- Define, por conjunto de datos, la frecuencia (diaria/semanal/mensual) y la ventana de carga (ej.: entre 01:00 y 02:00).
- Publica en el tablero la fecha y hora del último refresco.
- Activa una alerta cuando la actualización no ocurra dentro de la ventana.
Regla 2: Completitud — que no falte lo esencial
No todos los campos valen lo mismo. La completitud identifica campos críticos para cada indicador y establece tolerancias de faltantes.
Cómo aterrizarlo:
- Lista los campos indispensables por indicador (ej.: fecha, unidad, valor).
- Define umbrales: 0 % faltantes en críticos; tolerancia acotada en secundarios.
- Registra y corrige causas frecuentes de vacío en la fuente.
Regla 3: Unicidad — claves sin duplicados
La unicidad evita inflar resultados por registros repetidos y conserva la trazabilidad. Es clave acordar el identificador principal (o combinación de claves) aceptado.
Cómo aterrizarlo:
- Declara el ID oficial por dominio (y sus condiciones de uso).
- Establece una política de deduplicación (qué conservar y por qué).
- Bloquea publicaciones cuando el porcentaje de duplicados supere el umbral.
Regla 4: Validez — formatos y rangos coherentes
La validez comprueba que los datos tengan el formato correcto y se ubiquen en rangos razonables. No basta con que el campo no esté vacío: debe tener sentido.
Cómo aterrizarlo:
- Define reglas de formato (fechas válidas, catálogos maestros, códigos permitidos).
- Fija rangos y relaciones lógicas (sin fechas futuras donde no aplican, valores positivos donde corresponde).
- Documenta excepciones aceptadas y cómo se tratan.
Regla 5: Trazabilidad — de la fuente al tablero, sin zonas grises
La trazabilidad (linaje) describe el recorrido del dato: origen → transformaciones → consumo. Conocer ese mapa permite prever impactos antes de un cambio.
Cómo aterrizarlo:
- Mantén un diagrama simple del recorrido de cada dataset crítico.
- Relaciona datasets con tableros consumidores en el catálogo.
- Publica notas de versión cuando cambie un campo o una regla.
Regla 6: Alertas y responsables — avisos que no se pierden
Una alerta sin responsable es ruido. Las notificaciones deben llegar al canal correcto y tener un dueño que actúe en un tiempo acordado.
Cómo aterrizarlo:
- Define quién recibe cada alerta y cómo escala si no responde.
- Distingue críticas (carga no llegó) de menores (variación tolerable).
- Lleva un registro de incidencias y tiempos de resolución para mejorar.
Regla 7: Propiedad del dato y de la métrica — a quién acudir
Cada dataset y cada métrica necesitan un propietario de negocio (define el significado) y un responsable técnico (garantiza calidad y publicación). Esa propiedad debe ser visible para quienes usan la información.
Cómo aterrizarlo:
- Publica en el catálogo quién decide la definición y quién mantiene la fuente.
- Declara el nivel de sensibilidad y el propósito de uso.
- Revisa la propiedad al cambiar equipos o procesos.
Cómo empezar en 14 días
Para incorporar estas reglas sin interrumpir la operación, conviene un arranque breve y enfocado:
- Semana 1: inventario de 10 tableros clave y de los datasets que los alimentan; identificación de campos críticos por indicador; publicación de la política de frescura y del marcado de último refresco.
- Semana 2: activación de alertas para frescura y duplicados en datasets críticos; definición de propietarios de datos y métricas en el catálogo; creación del primer diagrama de trazabilidad.
KPIs mínimos para dar seguimiento
Medir ayuda a mantener las reglas vivas y a priorizar correcciones. Un conjunto reducido de indicadores es suficiente para comenzar:
- Cobertura de políticas: % de datasets críticos con frescura, completitud y unicidad definidas.
- Incidencias de calidad: número de incidentes por mes y tiempo medio de resolución.
- Tasa de duplicados: % de registros duplicados por dataset (tendencia a la baja).
- Frescura efectiva: % de cargas ejecutadas dentro de la ventana comprometida.
- Adopción del catálogo: consultas mensuales y % de tableros marcados como “oficiales”.
¿Conversamos?
En Direktio ayudamos a establecer calidad de datos y gobierno para BI con un enfoque simple y medible. Si quieres adaptar estas reglas a tu contexto y dejar un esquema sostenible, hablemos.
