Auditoría calidad datos BI: checklist

En ingeniería de datos esto se traduce en una regla simple: una transformación no se da por buena solo porque se ejecuta sin errores, se comprueba el volumen, la consistencia y un muestreo de valores antes de darla por válida. Aplicado a BI, significa no confiar en un dashboard porque carga bien, sino porque alguien ha verificado que las cifras que muestra cuadran con una fuente de referencia.

La causa más común de "los informes no cuadran" o "la dirección no se fía del dashboard" no es Power BI: son los datos de origen. Una auditoría de calidad de datos pone números a ese problema y dice por dónde empezar. Es el paso previo a cualquier proyecto serio de BI y parte del gobierno del dato y la calidad.

¿Qué es una auditoría de calidad de datos para BI?

Es una revisión sistemática de los datos que alimentan tus informes para medir su fiabilidad y detectar problemas antes de que contaminen las decisiones. No es una limpieza: es el diagnóstico que dice qué está mal, cuánto y dónde, para luego priorizar la corrección. Su objetivo final es que cuando un dashboard diga "margen 18%", ese 18% sea de fiar.

¿Qué dimensiones de calidad se revisan?

¿Cómo se hace una auditoría de calidad de datos?

1. 1Identifica las fuentes y los datos críticos que alimentan los KPIs clave.
2. 2Define las reglas de calidad por dimensión (qué consideras "correcto").
3. 3Mide: cuantifica errores, duplicados, huecos e inconsistencias.
4. 4Prioriza: ordena los problemas por impacto en las decisiones, no por cantidad.
5. 5Plan de corrección: qué se arregla en origen, qué en el modelo y con qué controles.

¿Qué KPIs de calidad conviene medir?

La calidad se gestiona si se mide. Indicadores útiles: % de completitud, tasa de duplicados, % de registros que pasan las reglas de validez y antigüedad media del dato. Lo desarrollamos en qué KPIs de calidad de datos medir. Lo importante es seguirlos en el tiempo, no medir una vez y olvidar.

¿Qué se hace con los problemas detectados?

No todo se arregla igual. Lo ideal es corregir en origen (que el dato entre bien), reservar el modelo de datos para transformaciones controladas y añadir validaciones automáticas que avisen cuando algo se sale de norma. Parchear solo en el informe esconde el problema. En Power BI, además, conviene reflejar la calidad: lo vemos en calidad de datos en informes de Power BI. Y si al auditar aparece que el problema está en el propio modelo, conviene revisar el modelo y los informes existentes antes de seguir añadiendo dashboards encima.

¿Qué errores evitar en una auditoría de calidad?

• Auditar todo por igual en vez de priorizar los datos que alimentan decisiones.
• Quedarse en el diagnóstico sin un plan de corrección accionable.
• Parchear en el informe lo que debería corregirse en origen.
• Hacerla una vez: la calidad se degrada, hace falta seguimiento continuo.