Evaluación de la calidad de datos: guía completa

La mayoría de los equipos intuye que sus datos están desordenados, pero no sabe decir hasta qué punto, dónde ni cuánto cuesta. Una evaluación de la calidad de datos convierte esa inquietud difusa en un número sobre el que se puede actuar. Esta es la metodología que utilizamos: cómo puntuar tus datos según las dimensiones que importan, una lista de verificación de auditoría repetible, umbrales de referencia realistas y el argumento de ROI para la limpieza, de modo que puedas decidir qué vale la pena arreglar primero.

10 min de lectura8 secciones22 de junio de 2026

Qué mide realmente una evaluación de la calidad de datos

Una evaluación de la calidad de datos es una valoración estructurada de hasta qué punto tus datos cumplen las expectativas acordadas. El campo se ha asentado en seis dimensiones centrales, y las verás en casi todos los marcos serios, desde ISO 25012 hasta el DQAF del FMI. La exactitud es cuán fielmente un registro refleja el mundo real. La completitud es si los campos requeridos están rellenados. La consistencia es si el mismo dato coincide entre sistemas. La vigencia es si los datos son lo bastante actuales como para confiar en ellos. La unicidad es la ausencia de duplicados. La validez es la conformidad con el formato y las reglas. Una revisión de 2025 de marcos regulados de calidad de datos halló que la exactitud, la completitud, la consistencia y la vigencia están representadas en casi todos ellos, así que si no sabes por dónde empezar, empieza por ahí. La evaluación puntúa cada dimensión y luego la agrega en una imagen general. Algo crucial: vincula cada hallazgo a una consecuencia para el negocio. Una tasa de duplicados no es solo un problema de unicidad, son cifras de pipeline infladas y contactos duplicados que molestan a tus compradores.

Cómo convertir las dimensiones en una puntuación fiable

Los porcentajes en bruto son fáciles de calcular y fáciles de malinterpretar, así que el método importa. Para cada dimensión, mide los registros conformes divididos por el total de registros por 100. Si 200 de 1.000 contactos no tienen número de teléfono, la completitud de ese campo es del 80 por ciento. Luego pondera las dimensiones por impacto en el negocio y calcula una media ponderada. Un cuadro de mando típico de datos de envíos podría ponderar la completitud en 0,40, la exactitud en 0,40 y la validez en 0,20; puntuaciones de 95, 90 y 98 producen un compuesto de alrededor de 93,6, o una A. La ponderación es lo esencial. Sin ella, un problema serio en un campo crítico queda enmascarado por puntuaciones altas en campos que a nadie le importan. Aplicamos dos precauciones siempre. Primero, sigue la cobertura como métrica propia: una puntuación del 95 por ciento sobre el 10 por ciento de tus campos es un número de vanidad, así que divide los campos con controles activos por el total de campos y reporta eso también. Segundo, haz la puntuación a nivel de campo y agrégala hacia arriba, en lugar de puntuar tablas enteras como un solo bloque.

Fijar umbrales de referencia que signifiquen algo

Una puntuación es solo un número hasta que decides qué cuenta como aceptable. Separa dos ideas: un objetivo es dónde quieres estar, y un umbral es el suelo por debajo del cual tratas los datos como no conformes. Un patrón común fija un objetivo de exactitud del 99 por ciento y un umbral de aceptabilidad del 95 por ciento, lo que significa que la tasa de error no debería superar el 5 por ciento antes de intervenir. Los umbrales dependen del contexto. El 85 por ciento de exactitud puede ser un desastre en una empresa y excelente en otra, así que resiste copiar al por mayor los números de otros. Usa un sistema sencillo de verde/amarillo/rojo por dimensión y por campo crítico. Para comparar frente al deterioro, los datos de contacto B2B se degradan a un ritmo de entre el 15 y el 30 por ciento al año, y Salesforce ha informado de que alrededor del 70 por ciento de los datos de CRM pueden quedar obsoletos en doce meses. Una regla práctica útil: si más del 40 por ciento de tus registros no se han tocado en un año, tienes un problema de vigencia que vale la pena cuantificar. Fija los umbrales una vez, anótalos, y habrás creado la línea base que convierte cada evaluación futura en una comparación en lugar de una conjetura.

La lista de verificación de auditoría, paso a paso

Una auditoría repetible supera a una limpieza heroica de una sola vez. Paso uno, define el alcance y las métricas: para cada dimensión elige controles específicos y cuantificables, como el porcentaje de registros de contacto con un número de teléfono válido. Paso dos, inventaría los datos: lista cada conjunto de datos y cada fuente dentro del alcance para que nada se esconda. Paso tres, perfila: calcula ratios de completitud, distribuciones de valores, rangos mínimos y máximos y recuentos de frecuencia para sacar a la luz anomalías. Aquí vive el análisis de nulos. Si el campo de estado está en blanco en el 8 por ciento de los registros, frente al 1 por ciento del trimestre pasado, el perfilado lo detecta y te señala el cambio de formulario que lo causó. Paso cuatro, ejecuta la deduplicación: la coincidencia exacta detecta las copias obvias, y la coincidencia difusa con un umbral de similitud en torno a 0,85 detecta los casi duplicados tipo John Smith frente a Jon Smith que la coincidencia exacta no ve. Paso cinco, documenta cada problema con el campo afectado, la dimensión que viola, el impacto medido y el riesgo para el negocio. Paso seis, reporta: jerarquiza los problemas por gravedad e impacto, registra las métricas de la línea base y construye la traza de auditoría. Ejecuta esto al menos trimestralmente, y después de cualquier migración importante o cambio de ETL. Los flujos de alta velocidad necesitan controles automatizados mucho más a menudo que eso.

El ROI de la limpieza: la regla 1-10-100 y lo que deja fuera

La forma más limpia de justificar un presupuesto de calidad de datos es la regla 1-10-100, desarrollada por Labovitz y Chang en 1992. Cuesta aproximadamente 1 dólar verificar un registro en el punto de entrada, alrededor de 10 dólares limpiarlo después y unos 100 dólares convivir con el fallo de los datos malos. La lección es contundente: cuanto más esperas, más cuesta. Las cifras concretas lo hacen real. Un ejemplo conocido de deduplicación: dejar que los duplicados se arreglen después a 10 dólares cada uno en una acumulación podría costar 200.000 dólares, mientras que una limpieza puntual impulsada por herramientas más prevención por menos de 3.000 dólares captura casi todo eso. Las migraciones amplifican lo que está en juego; se ha informado de que limpiar antes de una migración cuesta alrededor de un tercio de limpiar después, porque evitas automatizaciones rotas e informes corrompidos. Sin embargo, la regla subestima, y se lo decimos a los clientes. Captura el coste operativo directo, pero omite el daño estratégico, el gasto de campaña desperdiciado en correos rebotados, las horas de los comerciales quemadas en números equivocados y las decisiones de liderazgo tomadas sobre un panel en el que nadie confía del todo. Gartner ha situado el coste anual medio de la mala calidad de datos en torno a 12,9 millones de dólares por organización, y una preocupación citada con frecuencia es que aproximadamente el 59 por ciento de las organizaciones no lo mide en absoluto, que es exactamente por lo que el coste persiste.

La prevención supera a la corrección, y ambas superan a no hacer nada

La evaluación te dice dónde estás; el arreglo duradero es mantener los datos limpios en el origen. Desplaza presupuesto de los proyectos periódicos de limpieza hacia sistemas de prevención, porque los campos requeridos, las reglas de validación, las listas estandarizadas y los flujos en el punto de entrada cuestan una fracción de la limpieza masiva y aguantan más. Tácticas prácticas que se pagan solas: formatea los números de teléfono y normaliza los nombres de país en la entrada, valida los dominios de correo antes de que se guarde un registro, deduplica en la creación en lugar de en un apuro trimestral, y marca los registros incompletos para seguimiento inmediato en vez de dejar que se pudran. Una advertencia que repetimos a menudo: la mayoría de los esfuerzos de enriquecimiento de datos fracasan porque superponen datos limpios sobre una base sucia sin arreglar la causa raíz. La secuencia correcta es evaluar, limpiar la acumulación una vez, y luego instalar la prevención para que la acumulación nunca se reconstruya. La puntuación de la evaluación se convierte entonces en una señal de monitorización en vivo en lugar de un informe que encargas, que te alarma y que olvidas hasta el año siguiente.

Cómo Pineido lo ejecuta en un sprint de precio fijo

Si quieres que esto se haga en lugar de solo documentarse, nuestro sprint de limpieza de datos sigue la metodología anterior en un alcance fijo de 30 días por 8.500 dólares. Empezamos con una pasada de perfilado y un cuadro de mando ponderado para que obtengas un número de línea base real por conjunto de datos y por campo crítico. Deduplicamos la acumulación con coincidencia difusa afinada, rellenamos los huecos que importan y reconciliamos los registros que no coinciden entre sistemas. Luego instalamos la prevención: reglas de validación, entradas estandarizadas y los controles que evitan que tu CRM o tus tablas operativas vuelvan a desviarse. Terminas el sprint con una línea base documentada, un conjunto de datos limpio y la monitorización lista para defenderlo. Si tu problema mayor son informes en los que nadie confía o una migración que te pone nervioso, esos son sprints adyacentes, y una línea base limpia hace ambos mucho más baratos. El primer paso honesto es pequeño: ejecuta la evaluación, mira el número y decide qué vale la pena arreglar.

Cómo la AI agéntica lleva esto más allá

La metodología de evaluación de arriba es una foto: la corre, obtiene un puntaje, y actúa sobre él hasta el próximo ciclo trimestral, lo que la convierte en un reporte, no un agente, sin importar cuán riguroso sea el puntaje. Un agente real percibe los registros entrantes y las corridas de perfilado periódicas de la forma en que describe esta guía, decide qué problemas cruzan los umbrales que usted definió, y actúa disparando la corrección específica, de forma continua, no en la cadencia que una persona recuerda correr. Lo que pasa por una función de calidad de datos con AI en muchas herramientas es un chatbot que responde preguntas sobre un reporte que usted ya generó, lo cual es teatro, puede describir el problema después de que ya tiene la cifra, pero no toca el pipeline que la produjo.

El agente lee exactamente lo que ya lee la lista de auditoría de esta guía, los registros entrantes en el momento en que aterrizan y las corridas de perfilado periódicas que describe el paso 4, tasas de nulos, violaciones de formato, clústeres de duplicados, directamente desde la base de datos o el CRM contra los que ya corren esas verificaciones. Esas son las entradas correctas porque son las mismas seis mediciones de dimensión que define esta guía, solo muestreadas de forma continua en lugar de en una cadencia trimestral, así que un pico se muestra la semana en que ocurre en lugar del trimestre en que se reporta.

Decidir qué cruza la línea significa comparar cada medición contra los umbrales que esta guía ya le dice que fije, completitud por debajo de su piso definido en un campo crítico, un pico en valores nulos tras un cambio de formulario, no un valor predeterminado genérico. Donde de verdad se necesita criterio, si un pico es un caso aislado o una regresión real que merece un ticket, un LLM que razona sobre el historial reciente de perfilado y el peso de la dimensión en su tabla de puntuación decide, y un umbral de confianza evita que abra un ticket por ruido, la anomalía de un solo día espera una segunda medición confirmatoria antes de escalar.

Actuar significa consultar directamente la base de datos o la instancia de Supabase para obtener las métricas, abrir un ticket o publicar en Slack para alertar a alguien, o disparar la corrección específica, una regla de validación, una nueva corrida de deduplicación, las tres acciones que la propia descripción de esta guía ya nombra. Cada acción está vinculada a la verificación específica que la disparó, así que una corrida de perfilado reintentada tras un timeout no abre un ticket duplicado para el mismo problema, y una consulta fallida o un envío de alerta fallido no desaparece en silencio, reintenta y luego cae a una notificación directa para que la desviación que advierte esta guía no pase desapercibida otro trimestre.

El punto de control con humano en el bucle pertenece exactamente donde esta guía ya pone el criterio: el agente marca y propone la corrección, su responsable de datos decide si una regla automatizada es segura para aplicarse ampliamente o necesita que una persona revise los registros específicos primero. Esa división importa porque una regla de validación aplicada demasiado ampliamente puede rechazar o dañar en silencio datos legítimos, lo cual es un resultado peor que el problema de calidad que pretendía atrapar en primer lugar. Un responsable que ha visto al agente marcar correctamente la misma clase de problema repetidamente puede eventualmente aprobar que esa corrección corra automáticamente de ahí en adelante, reduciendo lo que necesita una mirada humana cada trimestre. Hasta que esa confianza se gane en una regla específica, el trabajo del agente es exponer el problema con claridad, no resolverlo unilateralmente.

Esta capa de monitoreo corre directamente en su propia base de datos y sistema de alertas como parte del sprint de limpieza de datos, verificaciones agénticas sobre infraestructura que usted ya posee, no una suscripción de monitoreo de terceros facturada encima de la limpieza. Vale la pena ser claros sobre sus límites: atrapa la desviación contra los umbrales que usted definió, no va a decidir esos umbrales por usted ni reemplazar la decisión de criterio que esta guía ya dice que un responsable de datos tiene que tomar sobre qué vale la pena arreglar primero. Si las verificaciones continuas y autónomas de calidad de datos son la pieza que necesita, AI agents for small business es el sprint que la conecta a su stack, y el resultado realista es un puntaje que se mantiene cerca de su línea base entre evaluaciones en lugar de derivar en silencio hasta la próxima.

Kostadin Stamboliev

Fundador e Imaginator

LinkedIn

Fundador e Imaginator de Pineido. Trabaja en consultoría de TI, desarrollo de apps y sitios web, SEO técnico, IA y automatización. Entrega código en producción en sprints de 30 días con alcance fijo y responsables claros.

Preguntas frecuentes

¿Qué es una evaluación de la calidad de datos?

Es una valoración estructurada que mide tus datos frente a dimensiones de calidad definidas, exactitud, completitud, consistencia, vigencia, unicidad y validez, y luego convierte cada una en un porcentaje y las agrupa en una puntuación ponderada. El resultado es un número de línea base más una lista jerarquizada de problemas por gravedad e impacto en el negocio, para que sepas qué arreglar primero en lugar de adivinar.

¿Con qué frecuencia deberíamos ejecutar una evaluación de la calidad de datos?

Ejecuta una evaluación de línea base al menos trimestralmente, y siempre después de una migración importante o un cambio de ETL. Los flujos de alta velocidad como datos de clickstream o IoT necesitan controles automatizados que se ejecuten cada hora o en tiempo real en lugar de en una cadencia trimestral. El objetivo es hacer que cada evaluación sea una comparación frente a tu última línea base, no un sobresalto nuevo cada vez.

¿Cómo se calcula una puntuación de calidad de datos?

Puntúa cada dimensión como registros conformes divididos por el total de registros por 100, asigna a cada dimensión un peso basado en el impacto en el negocio de modo que los pesos sumen 1,0, y luego multiplica y suma para obtener un compuesto ponderado. Elige de tres a cinco dimensiones que más importen en lugar de docenas, y sigue la cobertura por separado para que una puntuación alta sobre una pequeña porción de campos no te induzca a error.

¿Qué es una buena puntuación o umbral de calidad de datos?

Depende del contexto; el 85 por ciento de exactitud puede ser inaceptable en una empresa y excelente en otra. Un patrón común fija un objetivo en torno al 99 por ciento y un umbral de aceptabilidad, el suelo donde intervienes, en torno al 95 por ciento. Fija los umbrales según tus propios flujos de trabajo e historial, anótalos, y usa un sistema sencillo de verde/amarillo/rojo por campo crítico.

¿Cuánto cuesta realmente la mala calidad de datos?

Gartner ha estimado el coste anual medio de la mala calidad de datos en torno a 12,9 millones de dólares por organización, y las encuestas sugieren que aproximadamente el 59 por ciento de las organizaciones no lo mide en absoluto. La regla 1-10-100 lo enmarca bien: alrededor de 1 dólar para prevenir un registro malo en la entrada, 10 dólares para limpiarlo después y 100 dólares para convivir con el fallo, que es por lo que la prevención supera a la corrección.

¿Es mejor limpiar los datos o prevenir los datos malos en el origen?

Ambos, en orden: evalúa, limpia la acumulación una vez, y luego instala la prevención para que la acumulación nunca se reconstruya. La prevención mediante campos requeridos, reglas de validación y estandarización en el punto de entrada cuesta una fracción de la limpieza repetida. La limpieza por sí sola fracasa cuando los equipos superponen enriquecimiento sobre una base sucia sin arreglar la causa raíz, así que la prevención es lo que hace que la puntuación se mantenga.

¿Listo para lanzar?

Cuéntenos dónde está atascado. Lo revisaremos y le enviaremos una recomendación concreta en un día hábil.

Reciba ideas sobre operaciones cada semana

Únase a los responsables de empresas de servicios que reciben cada semana una idea práctica sobre operaciones, automatización y crecimiento.

Estamos comprobando que es una persona. Podrá enviar en un momento.

Sin spam. Cancele cuando quiera.

¡Ya está suscrito! Busque nuestro próximo número en su bandeja de entrada.