"Nuestros datos están bien" es una de las frases que más se repiten antes de empezar un proyecto de IA, y una de las que más rápido se desmonta en cuanto alguien se pone a revisarlos con criterio. La calidad de datos no es una impresión general ni un aprobado o suspenso; es un conjunto de dimensiones concretas que se pueden medir una por una, y que determinan si un sistema automatizado va a producir resultados fiables o va a repetir, a gran velocidad, los mismos errores que hasta ahora corregía una persona sin que nadie se diera cuenta del esfuerzo que eso costaba.
Qué es la calidad de datos, en términos sencillos
La calidad de datos es el grado en que la información de una empresa es correcta, está completa, es coherente entre sistemas, está actualizada y describe con precisión la realidad que se supone que representa. No es una propiedad única y binaria —los datos no son simplemente "buenos" o "malos"—; es la combinación de varias dimensiones independientes, y un mismo conjunto de datos puede ser excelente en una dimensión y deficiente en otra. Un listado de clientes puede estar completísimo, sin ningún campo vacío, y al mismo tiempo tener cientos de duplicados que inflan artificialmente el número real de clientes activos.
Entender la calidad de datos como algo medible, y no como una sensación, es lo que permite a una empresa decidir con criterio si sus datos están listos para un proyecto de IA concreto, o qué hay que corregir antes de empezar. Un proyecto que necesita predecir la demanda de un producto exige una calidad distinta, y en dimensiones distintas, que un proyecto que necesita clasificar el tono de una reclamación de cliente.
Las cinco dimensiones que componen la calidad de datos
Medir la calidad de datos consiste en evaluar cada una de estas dimensiones por separado, no en buscar una nota única que las resuma todas.
Completitud
Mide qué proporción de la información necesaria está realmente rellena, frente a campos vacíos o con valores genéricos como "sin especificar" que en la práctica equivalen a no tener el dato. Un CRM con el 40% de los teléfonos de contacto vacíos tiene un problema de completitud claro y cuantificable.
Exactitud
Mide si el valor registrado corresponde con la realidad que describe. Un teléfono con un dígito de más, una dirección desactualizada o un importe de factura con un error de transcripción son fallos de exactitud, aunque el campo esté perfectamente completo.
Consistencia
Mide si el mismo dato se representa igual en todos los sistemas donde aparece. Si el nombre de un cliente se escribe de tres formas distintas en el CRM, la facturación y el sistema de logística, esa inconsistencia hace que un sistema automatizado pueda tratar a un mismo cliente como si fueran tres personas distintas.
Actualidad
Mide si la información refleja el estado actual de las cosas o quedó congelada en un momento del pasado. Un catálogo de precios que no se actualiza desde hace meses, aunque esté completo y sea internamente consistente, produce decisiones erróneas si un sistema lo usa como si fuera la realidad de hoy.
Unicidad
Mide si cada entidad real —un cliente, un producto, un pedido— está representada una sola vez en el sistema, sin duplicados que distorsionen cualquier cálculo o conteo que se haga sobre esos datos.
¿Cómo se mide realmente la calidad de datos de una empresa?
Se mide definiendo, para cada dimensión relevante, un indicador concreto y calculable, y aplicándolo sobre una muestra representativa de los datos que va a usar el proyecto, no sobre la totalidad de los sistemas de la empresa de golpe. Para completitud, se calcula el porcentaje de registros con los campos clave rellenos. Para exactitud, se contrasta una muestra de registros contra una fuente externa fiable —por ejemplo, verificar una muestra de direcciones contra un servicio de validación postal—. Para consistencia, se comparan los mismos identificadores entre dos sistemas distintos y se cuenta cuántos no coinciden. Para actualidad, se mide cuánto tiempo hace, de media, que se actualizó cada registro. Y para unicidad, se buscan coincidencias parciales de nombre, teléfono o email que sugieran registros duplicados del mismo cliente o producto. Ninguna de estas mediciones requiere herramientas sofisticadas; con un análisis puntual sobre una muestra de datos, cualquier empresa puede obtener un número concreto para cada dimensión, en lugar de una intuición.
¿Qué nivel de calidad de datos hace falta realmente para un proyecto de IA?
No existe un umbral universal; el nivel necesario depende directamente de qué va a hacer el sistema con esos datos y qué consecuencia tiene un error. Un agente que resume documentos internos para uso interno tolera bastante mejor una calidad de datos imperfecta que un sistema que decide automáticamente a qué cliente enviar una oferta comercial personalizada, porque en el segundo caso un dato incorrecto llega directamente al cliente y afecta a la relación comercial. La forma práctica de decidir el umbral necesario es preguntarse qué pasa si un porcentaje concreto de los datos usados está mal: si la respuesta es "se detecta y se corrige sin consecuencia", el proyecto puede avanzar con la calidad actual; si la respuesta es "el cliente lo nota" o "genera una obligación legal", conviene invertir en mejorar esa dimensión concreta antes de conectar el sistema.
Errores comunes al medir la calidad de datos
Al medir la calidad de datos por primera vez, conviene evitar algunos errores que invalidan el ejercicio antes de empezar. El primero es medir sobre la totalidad de los sistemas de la empresa en lugar de sobre el conjunto de datos concreto que va a usar el proyecto: esto convierte una tarea de días en un proyecto interminable que rara vez llega a completarse. El segundo es confundir la ausencia de errores evidentes con buena calidad: un campo puede estar siempre relleno y, aun así, contener valores incorrectos que nadie ha verificado nunca contra la realidad. El tercero es medir una sola vez y dar el asunto por cerrado, cuando la calidad de datos se degrada con el tiempo de forma natural si nadie la mantiene, así que conviene repetir la medición de forma periódica, especialmente en los datos que alimentan de forma continua a un sistema automatizado.
Aplicación práctica en una pyme
Imagina una empresa que quiere que un agente de IA envíe recordatorios automáticos de renovación de contrato a sus clientes. Antes de activarlo, mide la calidad de datos del campo "fecha de renovación": descubre que está completo al 95%, pero que un 12% de los valores parece incorrecto al compararlos con los contratos originales, y que existen 30 clientes duplicados con fechas distintas en cada copia. Con esa información concreta, la empresa sabe exactamente qué corregir antes de activar el sistema —revisar el 12% de fechas sospechosas y fusionar los duplicados— en lugar de descubrir el problema cuando ya se han enviado decenas de recordatorios erróneos a clientes reales.
Medir la calidad de datos antes de automatizar, con indicadores concretos y no con una impresión general, es lo que separa un proyecto de IA que genera confianza desde el primer día de uno que la pierde en la primera semana por errores que se podían haber detectado de antemano.
MG Solutions puede ayudarte a medirla
En MG Solutions evaluamos la calidad real de los datos que va a usar tu proyecto de IA antes de construir nada sobre ellos, con indicadores concretos por dimensión, no con una valoración genérica. Si quieres saber si tus datos están listos para automatizar un proceso, pide un diagnóstico gratuito.