Medir la calidad de los datos de tu empresa significa evaluar tus fuentes contra dimensiones concretas (completitud, exactitud, consistencia, oportunidad y unicidad) y contrastarlas con un contrato de negocio que defina qué significa cada métrica. No se mide una base de datos en abstracto: se mide si los números que llegan a una decisión son confiables. El gobierno operativo (nombres, responsables, linaje, calidad) es lo que sostiene esa confianza en el tiempo.
¿Por qué la calidad de datos no es un problema técnico, sino de decisión?
Cuando dirección y equipo discuten cifras en una reunión, casi nunca es porque falte una herramienta. Es porque cada área trae su propia versión del mismo número. Ventas cuenta de una forma, finanzas de otra, y ambos tienen razón dentro de su planilla. La calidad de datos aparece cuando esas versiones dejan de coincidir.
Por eso medir calidad no arranca en la base de datos, arranca en la pregunta: ¿qué decisión depende de este dato y con qué margen de error la puedo tomar? Un dato con 2 por ciento de registros incompletos puede ser perfecto para una tendencia general e inaceptable para facturar. La calidad siempre se mide contra un uso.
Este es el criterio que ordena todo lo demás. Primero se define qué métricas importan y qué decisiones sostienen. Después se mide la calidad de los datos que las alimentan. La herramienta viene al final, no al principio.
¿Qué dimensiones se miden para saber si un dato es confiable?
La calidad de datos no es un único número. Se descompone en dimensiones que se pueden medir por separado y agregar en un tablero. Estas son las que más peso tienen en el día a día de una pyme:
- Completitud: qué porcentaje de registros tiene los campos obligatorios llenos. Un cliente sin país o una factura sin fecha rompen cualquier análisis posterior.
- Exactitud: si el valor refleja la realidad. Un precio mal cargado es un dato completo pero inexacto.
- Consistencia: si el mismo hecho se representa igual en todas las fuentes. Que "España" no aparezca también como "ES", "Spain" y "Espana".
- Oportunidad: si el dato llega a tiempo para la decisión. Un cierre contable disponible tres semanas tarde tiene poca utilidad operativa.
- Unicidad: si no hay duplicados. El mismo cliente registrado dos veces infla clientes y desinfla ticket promedio.
Cada dimensión se traduce en una regla medible. Completitud se mide como porcentaje de campos no nulos. Unicidad, como conteo de registros duplicados sobre una clave. Consistencia, como cantidad de valores que no coinciden con un catálogo de referencia. Lo importante es que sean reglas que un equipo pueda sostener, no auditorías heroicas de una sola vez, y para eso ayuda apoyarse en buenas prácticas para el gobierno de datos en Microsoft Fabric que estandarizan estas reglas desde el inicio.
¿Cómo se ve una tabla de medición de calidad?
Una forma simple de empezar es fijar, por cada fuente crítica, una dimensión, una regla y un umbral aceptable. Así se ve un ejemplo de estructura:
| Dimensión | Cómo se mide | Umbral aceptable |
|---|---|---|
| Completitud | Porcentaje de campos obligatorios llenos | Mayor a 98 por ciento |
| Exactitud | Registros validados contra fuente de referencia | Mayor a 95 por ciento |
| Consistencia | Valores fuera de catálogo | Menor a 1 por ciento |
| Oportunidad | Retraso entre el hecho y su disponibilidad | Menor a 24 horas |
| Unicidad | Duplicados sobre clave de negocio | 0 por ciento |
Los umbrales no son universales. Los define el negocio según el uso del dato. Lo valioso de la tabla es que convierte una queja difusa ("los datos están mal") en indicadores concretos que se pueden monitorear y mejorar.
¿Por qué el modelo semántico es el que fija qué se está midiendo?
Medir calidad sin acordar antes qué significa cada métrica es medir en el vacío. Si "cliente activo" significa cosas distintas en dos áreas, la completitud de ese campo no dice nada útil. Aquí entra el modelo semántico: el acuerdo escrito sobre qué significa cada métrica del negocio. Define qué es un cliente, qué es una venta, qué cuenta y qué no.
Con ese contrato establecido, la calidad se mide contra una definición acordada, no contra la interpretación de cada planilla. El modelo semántico es lo que convierte esa versión compartida de los números en una regla verificable, no en un eslogan. La IA, por cierto, no arregla un modelo pobre: lo amplifica. Si el contrato está mal definido, un agente de IA responderá con la misma ambigüedad, solo que más rápido y con más seguridad aparente.
Por eso el orden importa. Primero el contrato de métricas, después la medición de calidad, y recién entonces las herramientas que automatizan ambas cosas.
¿Qué rol juega el gobierno de datos en sostener la calidad?
Medir calidad una vez es un proyecto. Sostenerla es gobierno. Gobernar no es frenar: es permitir que el sistema crezca sin romper confianza. El gobierno operativo es lo que convierte un primer informe exitoso en una plataforma de decisiones estable.
Un gobierno mínimo incluye:
- Nombres y responsables: cada producto de datos tiene dueño. Sin responsable, la calidad no tiene a quién rendir cuentas.
- Linaje: saber de dónde viene cada número y por qué transformaciones pasó. Sin linaje, un error es imposible de rastrear.
- Seguridad y sensibilidad: quién ve qué, y qué datos requieren protección especial.
- Calidad: las reglas y umbrales que ya definimos, monitoreados de forma continua.
- Ciclo de vida: cómo nace, se mantiene y se retira un dato.
Sobre el ecosistema Microsoft, estas piezas ya existen de forma nativa. Gobierno y cumplimiento en Fabric reúne los controles, la integración con Microsoft Purview cubre el linaje y la protección, y los dominios distribuyen las responsabilidades entre áreas. El valor no está en tener las piezas: está en convertirlas en reglas sencillas que tu equipo pueda sostener sin un especialista dedicado a tiempo completo. Si quieres profundizar en cómo se organizan estos controles, revisa cómo funciona el gobierno de datos en Fabric con dominios, catálogo y Purview.
¿Por dónde empezar a medir sin montar un proyecto enorme?
No hace falta gobernar toda la empresa el primer día. El camino práctico es:
- Elegir una decisión concreta que dependa de datos (por ejemplo, el margen por producto).
- Identificar las dos o tres fuentes que la alimentan.
- Definir el contrato: qué significa cada métrica de esa decisión.
- Aplicar las cinco dimensiones a esas fuentes y fijar umbrales.
- Asignar un responsable y monitorear.
Con ese ciclo cerrado en un caso, se repite en el siguiente. Así la calidad crece por productos de datos concretos, no por un gran proyecto que nunca termina.
El siguiente paso
Medir calidad es el primer diagnóstico honesto sobre el estado real de tus datos. El siguiente paso depende de tu contexto: hay quien prefiere formarse y construir estas mediciones con su propio equipo, y hay quien busca acompañamiento de consultoría para auditar fuentes, brechas y gobierno antes de avanzar. Si quieres ver cómo abordamos ambos caminos con casos reales, mira la demo gratuita y evalúa cuál encaja con tu empresa.
Preguntas relacionadas
¿Cuáles son las dimensiones para medir la calidad de datos?
Las cinco más útiles en el día a día son completitud (campos obligatorios llenos), exactitud (el valor refleja la realidad), consistencia (el mismo hecho se representa igual en todas las fuentes), oportunidad (el dato llega a tiempo para la decisión) y unicidad (no hay duplicados). Cada una se traduce en una regla medible con un umbral definido por el uso del dato.
¿Necesito herramientas caras para medir la calidad de mis datos?
No para empezar. La medición arranca definiendo qué decisión depende de cada dato y aplicando reglas simples de completitud, unicidad y consistencia sobre las fuentes críticas. Las herramientas del ecosistema Microsoft, como Fabric y Purview, automatizan y sostienen esa medición, pero el criterio y el contrato de métricas vienen primero.
¿Qué relación hay entre el modelo semántico y la calidad de datos?
El modelo semántico es el acuerdo que define qué significa cada métrica del negocio. Sin ese acuerdo, medir calidad no tiene referencia: la completitud o la exactitud se evalúan contra definiciones distintas en cada área. Con ese acuerdo establecido, la calidad se mide contra una definición compartida por todas las áreas.
¿La inteligencia artificial mejora la calidad de mis datos?
No por sí sola. Si las métricas están mal definidas o los datos son inconsistentes, un agente responderá con la misma ambigüedad, solo que más rápido y con más seguridad aparente. Primero se ordena el modelo y la calidad; después la IA aporta valor sobre datos confiables.
¿Cada cuánto debo medir la calidad de los datos?
La medición debería ser continua, no un proyecto de una sola vez. Por eso el gobierno operativo asigna responsables y monitorea las reglas de calidad de forma permanente. Sobre Fabric, esos controles son nativos y se pueden convertir en reglas sencillas que el equipo sostiene sin auditorías heroicas periódicas.