¿Qué es la calidad de datos?
La calidad de datos es el grado en que los datos resultan adecuados para el uso que se les quiere dar en un contexto determinado, porque cumplen los requisitos relevantes para ese propósito. Puede evaluarse mediante características como exactitud, completitud, consistencia, actualidad, validez o unicidad, entre otras. No existe un nivel absoluto de calidad ni un conjunto universal de dimensiones: los mismos datos pueden ser suficientes para una decisión e inadecuados para otra. La calidad de datos tampoco equivale a limpiar o validar datos; esas son prácticas que ayudan a prevenir, detectar o corregir problemas de calidad.
- ¿Qué es la calidad de datos?
- Por qué depende del uso
- Principales dimensiones
- Cómo organiza ISO/IEC 25012 la calidad
- Cómo se mide la calidad de datos
- Calidad de datos vs. exactitud
- Calidad de datos vs. validación
- Calidad de datos vs. limpieza
- Calidad de datos vs. integridad
- Dónde se originan los problemas
- Calidad de datos vs. gestión de calidad de datos
- Ejemplo en analítica de marketing
- Preguntas frecuentes
- Referencias clave
¿Qué es la calidad de datos?
ISO/IEC 25012 define la calidad de datos como el grado en que sus características satisfacen necesidades explícitas e implícitas cuando los datos se usan bajo condiciones determinadas. Esa idea pone el foco en algo que a veces se pierde: la calidad no se juzga en abstracto, sino en relación con el uso.
El Government Data Quality Framework del Reino Unido resume el mismo principio como fitness for purpose: preguntarse si un conjunto de datos es lo bastante bueno para aquello que se quiere hacer con él. Esa evaluación puede exigir revisar distintas características según el contexto.
Por qué la calidad depende del uso
Un conjunto de datos puede estar en buen estado y, aun así, no servir para una decisión concreta. También puede ocurrir lo contrario: datos que no son perfectos pueden resultar suficientes si sus limitaciones son conocidas y no afectan el objetivo.
Por ejemplo, una base actualizada una vez por mes puede alcanzar para un informe mensual y quedar corta para una operación que necesita detectar cambios cada hora. El criterio de calidad cambia porque cambia la exigencia del uso.
Principales dimensiones de la calidad de datos
No existe una lista universal. El marco del gobierno británico utiliza seis dimensiones prácticas muy extendidas para evaluar datos operativos:
Exactitud
En qué medida los valores representan correctamente aquello que deberían representar.
Completitud
Si están presentes los registros y valores necesarios para el uso previsto.
Consistencia
Si los datos que representan una misma entidad o regla no se contradicen entre sí.
Actualidad
Si los datos reflejan el período relevante y están disponibles con la demora que el uso admite.
Validez
Si los valores cumplen las reglas, formatos, rangos y estructuras esperadas.
Unicidad
Si una misma entidad está representada sin duplicaciones que alteren el análisis o la operación.
Otros marcos utilizan dimensiones diferentes. Statistics Canada, por ejemplo, evalúa relevancia, exactitud, oportunidad, accesibilidad, interpretabilidad y coherencia. La diferencia entre marcos no es un problema: muestra que la calidad se define según el tipo de datos y las necesidades de quienes los usan.
Cómo organiza ISO/IEC 25012 la calidad de datos
ISO/IEC 25012 propone un modelo general con 15 características y las observa desde dos perspectivas: la calidad inherente de los propios datos y la calidad que también depende del sistema en el que se almacenan, procesan y utilizan. La norma fue revisada y confirmada en 2025, por lo que su edición de 2008 sigue vigente.
Inherentes
Exactitud, completitud, consistencia, credibilidad y actualidad. Se relacionan con los valores, sus relaciones y el significado de los datos.
Inherentes y dependientes del sistema
Accesibilidad, cumplimiento, confidencialidad, eficiencia, precisión, trazabilidad y comprensibilidad. Su calidad depende tanto de los datos como de las condiciones técnicas en las que se usan.
Dependientes del sistema
Disponibilidad, portabilidad y recuperabilidad. Están especialmente vinculadas con las capacidades del entorno tecnológico que conserva y pone a disposición los datos.
Este modelo es más amplio que las seis dimensiones operativas que suelen utilizarse en programas de gobierno de datos. No hay contradicción: un marco puede servir para definir un modelo general y otro para controlar dimensiones concretas en una operación.
Cómo se mide la calidad de datos
Medir calidad no consiste en calcular un único “porcentaje de calidad”. Primero hay que definir qué requisito importa para el uso previsto, después elegir una métrica que represente ese requisito y, por último, establecer qué nivel resulta aceptable para la decisión.
Definir el uso
Qué decisión, análisis, operación o modelo utilizará los datos y qué consecuencias tendría trabajar con información defectuosa.
Elegir la dimensión
Determinar si el problema relevante es de exactitud, completitud, consistencia, actualidad, validez, unicidad u otra característica.
Definir una medida
Por ejemplo, porcentaje de campos obligatorios completos, proporción de registros que cumplen una regla de validez, cantidad de duplicados o demora entre actualización y disponibilidad.
Fijar el nivel aceptable
El umbral no es universal. Un 98% de completitud puede ser suficiente para un análisis exploratorio y totalmente inaceptable si el 2% faltante afecta una operación crítica.
Monitorear y explicar
La medición sirve cuando permite detectar deterioros, encontrar causas y comunicar las limitaciones de los datos a quienes los van a utilizar.
Por eso conviene medir cada dimensión por separado antes de resumirlas en un indicador agregado. Un promedio puede ocultar que una dimensión crítica está fallando aunque el resto tenga valores altos.
Calidad de datos vs. exactitud
La exactitud es una parte posible de la calidad, no su equivalente. Una base puede tener valores correctos y seguir siendo inadecuada porque faltan registros importantes, llega demasiado tarde, contiene duplicados o no puede interpretarse de manera confiable.
También puede haber datos con cierto margen de error que sigan siendo útiles si ese margen está medido, comunicado y es compatible con la decisión que deben apoyar.
Calidad de datos vs. validación
La validación comprueba si un dato cumple reglas definidas. Puede verificar, por ejemplo, que una fecha tenga un formato válido, que un campo obligatorio no esté vacío o que un valor se encuentre dentro de un rango permitido.
Pasar una regla de validación no garantiza calidad. Una fecha puede tener el formato correcto y pertenecer a la persona equivocada. El dato sería válido en su forma, pero inexacto en su contenido.
Calidad de datos vs. limpieza
La limpieza de datos reúne tareas para detectar y corregir problemas ya presentes, como duplicados, formatos inconsistentes, valores faltantes o errores evidentes.
La calidad de datos es más amplia y atraviesa todo el ciclo de vida. Si el problema se origina en una mala definición, una captura defectuosa o una integración que altera valores, limpiar al final puede corregir el síntoma sin resolver la causa.
Calidad de datos vs. integridad
Integridad de datos no se usa exactamente igual en todos los marcos. En bases de datos, seguridad y gobierno de datos suele referirse a preservar datos completos, coherentes y sin alteraciones indebidas a lo largo de su ciclo de vida. Algunos autores y proveedores la describen como un subconjunto o una condición relacionada con la calidad.
La diferencia práctica es que la calidad pregunta si los datos son adecuados para un uso, mientras que la integridad pone el foco en que se mantengan correctos y consistentes durante su almacenamiento, transferencia y procesamiento. Un conjunto puede conservar su integridad técnica y, aun así, estar desactualizado, ser poco relevante o no tener el nivel de detalle que una decisión necesita.
Como el término admite matices según la disciplina, conviene explicitar qué se entiende por integridad cuando se la utiliza como criterio de evaluación.
Dónde se originan los problemas de calidad
Los errores no aparecen solamente al analizar. Pueden introducirse desde el momento en que se decide qué dato capturar y continuar durante la recolección, integración, almacenamiento, transformación, uso y publicación.
Definición
Variables ambiguas, criterios distintos entre equipos o reglas de negocio mal documentadas.
Captura
Campos incompletos, errores manuales, eventos mal instrumentados o datos que nunca llegan a registrarse.
Integración
Identificadores incompatibles, formatos diferentes, duplicaciones o relaciones incorrectas entre fuentes.
Mantenimiento
Datos que pierden vigencia, cambios de sistemas que rompen definiciones o controles que dejan de ejecutarse.
Por eso una política de calidad sólida intenta prevenir problemas en el origen, medirlos durante el ciclo de vida y documentar las limitaciones que siguen presentes.
Calidad de datos vs. gestión de calidad de datos
La calidad de datos describe el estado o grado de adecuación de los datos para un uso. La gestión de calidad de datos reúne las prácticas con las que una organización intenta alcanzar y mantener ese nivel.
Puede incluir perfilado de datos, reglas de validación, controles en la captura, limpieza, deduplicación, monitoreo, gestión de metadatos, definición de responsables y análisis de causas cuando aparece un problema.
La diferencia importa porque la calidad no se “instala” una sola vez. Se mantiene mediante decisiones, controles y responsabilidades distribuidas a lo largo del ciclo de vida de los datos.
Ejemplo en analítica de marketing
Supongamos que un dashboard muestra una caída importante en conversiones. Antes de asumir que el negocio empeoró, conviene revisar la calidad de los datos que alimentan esa métrica.
Puede faltar un evento en una versión del sitio, haberse duplicado conversiones en otra, cambiar la definición de una fuente de tráfico o existir una demora en la carga de datos. Cada problema afecta una dimensión distinta y puede cambiar por completo la lectura.
La analítica web y la analítica de marketing dependen de esta base. Un análisis puede estar técnicamente bien hecho y llegar a una conclusión equivocada si los datos no son adecuados para la pregunta que intenta responder.
Preguntas frecuentes
¿Qué es la calidad de datos?
La calidad de datos es el grado en que los datos resultan adecuados para el uso que se les quiere dar en un contexto determinado, porque cumplen los requisitos relevantes para ese propósito. Puede evaluarse mediante características como exactitud, completitud, consistencia, actualidad, validez o unicidad, entre otras. No existe un nivel absoluto de calidad ni un conjunto universal de dimensiones: los mismos datos pueden ser suficientes para una decisión e inadecuados para otra. La calidad de datos tampoco equivale a limpiar o validar datos; esas son prácticas que ayudan a prevenir, detectar o corregir problemas de calidad.
¿Cuáles son las dimensiones de la calidad de datos?
Dependen del contexto y del uso. Entre las más frecuentes aparecen exactitud, completitud, consistencia, actualidad, validez y unicidad. Otros marcos incorporan relevancia, accesibilidad, interpretabilidad, coherencia o trazabilidad. No hay una lista única que sirva igual para todos los datos y decisiones.
¿Calidad de datos y exactitud son lo mismo?
No. La exactitud es una dimensión posible de la calidad. Un dato puede ser exacto y, aun así, resultar poco útil porque está desactualizado, incompleto, duplicado o no responde a la necesidad para la que se quiere utilizar.
¿Limpiar datos mejora su calidad?
Puede mejorarla, pero la limpieza es solo una parte del trabajo. Sirve para corregir ciertos errores, duplicados, formatos o valores faltantes, mientras que muchos problemas de calidad se originan antes, en la definición, captura, integración, transformación o mantenimiento de los datos.
¿Los datos pueden tener buena calidad para un uso y mala para otro?
Sí. La calidad depende de las condiciones y del propósito de uso. Un conjunto de datos puede ser suficientemente completo y actual para un informe mensual, pero no tener la precisión o la frecuencia necesaria para tomar una decisión operativa en tiempo real.
¿Cómo se mide la calidad de datos?
Primero se define qué uso deben soportar los datos y qué dimensiones son críticas para ese uso. Después se eligen métricas —por ejemplo, completitud, duplicación, cumplimiento de reglas o demora de actualización— y se establecen niveles aceptables. No existe un único puntaje universal de calidad.
¿Qué diferencia hay entre calidad de datos y gestión de calidad de datos?
La calidad de datos describe qué tan adecuados son los datos para un uso. La gestión de calidad de datos es el conjunto de prácticas y controles que busca alcanzar y mantener ese nivel, como validación, perfilado, limpieza, deduplicación, monitoreo y definición de responsables.
Referencias clave
ISO. ISO/IEC 25012:2008 — Data quality model.
UK Government Data Quality Hub. The Government Data Quality Framework.
Statistics Canada. Statistics Canada Quality Guidelines.
Bashir et al. Data Quality Management in the Internet of Things.
Términos relacionados