Calidad de datos en Power BI: errores típicos

Power BI es muy bueno haciendo que los datos se vean bien. Un gráfico con colores corporativos, un KPI con una cifra grande y una tendencia positiva transmiten confianza. Pero un dashboard profesional puede estar mostrando datos incorrectos sin que nadie lo note. Y tomar decisiones sobre datos erróneos es peor que no tener datos: genera una falsa sensación de seguridad.

Este artículo no va de cómo usar Power BI. Va de cómo saber si los datos que muestra tu dashboard son fiables antes de basar decisiones en ellos.

Los 5 problemas de calidad más frecuentes en dashboards de Power BI

1. Datos que no se actualizan cuando deberían

El dashboard muestra un refresh exitoso pero los datos reales llevan 3 días sin actualizarse porque la conexión con el ERP se rompió y nadie recibió una alerta. Esto ocurre especialmente con conexiones programadas que dependen de credenciales, VPNs o servicios intermedios. El primer check de fiabilidad es verificar la fecha y hora de la última actualización real de los datos, no la del último refresh del informe.

2. Registros duplicados que inflan las cifras

Un pedido que aparece dos veces porque se registró en dos sistemas, un cliente duplicado con nombres ligeramente distintos, una factura que se contabilizó en dos periodos. Los duplicados son invisibles a simple vista en un dashboard porque se suman en los totales. Si las ventas del mes parecen más altas de lo esperado, antes de celebrar conviene verificar que no hay duplicados inflando el número.

3. Valores nulos que distorsionan los promedios

Si el 20% de los registros de «margen» están vacíos, el promedio de margen que muestra el dashboard se calcula solo con el 80% restante. Si los registros sin margen son justamente los de menor rentabilidad, el promedio mostrado es artificialmente alto. Lo mismo aplica a tasas de conversión, tiempos de entrega y cualquier métrica calculada como promedio.

4. Relaciones mal configuradas en el modelo

Power BI funciona con un modelo de datos relacional. Si las relaciones entre tablas están mal configuradas (una relación muchos-a-muchos donde debería ser uno-a-muchos, o una relación que falta), los filtros no funcionan correctamente y las cifras son erróneas en ciertos cortes. El problema es que el dashboard no da error: simplemente muestra cifras incorrectas de forma silenciosa.

5. Medidas DAX con lógica incorrecta

Las fórmulas DAX que calculan los KPIs pueden tener errores sutiles: un filtro que no se aplica en el contexto correcto, un cálculo year-to-date que no gestiona bien el cambio de año fiscal, un porcentaje que divide por el total incorrecto. Estos errores son difíciles de detectar porque los números «parecen razonables» hasta que alguien los compara con el cálculo manual.

Cómo verificar la fiabilidad de un dashboard

Antes de confiar en un dashboard para tomar decisiones, estos checks toman pocos minutos y evitan errores costosos:

1. 1Compara las cifras con una fuente independiente. Coge un KPI del dashboard (ventas del mes, número de pedidos, margen bruto) y compáralo con el dato del ERP o de la hoja de cálculo que se usaba antes. Si no coinciden, hay un problema en el modelo o en los datos.
2. 2Verifica la fecha de actualización. No la fecha que muestra el informe, sino la fecha real del último dato cargado. Si el dashboard dice que se actualiza diariamente pero el último registro es de hace una semana, hay un fallo en el pipeline.
3. 3Busca valores atípicos. Si un mes tiene ventas que triplican el anterior sin razón aparente, puede ser un dato real o puede ser un duplicado. Los picos inexplicables merecen investigación antes de aceptarse como ciertos.
4. 4Comprueba los filtros activos. Un error habitual es consultar un dashboard con un filtro residual activo (un año, un producto, un vendedor) que distorsiona los totales sin que el usuario lo note. Verifica siempre qué filtros están aplicados.
5. 5Revisa los totales cuando filtras. Si filtras por una dimensión (región, producto, vendedor) y los subtotales suman más que el total general, hay un problema de relaciones en el modelo.

Cómo prevenir estos problemas desde el diseño

Los problemas de calidad en Power BI se previenen mejor que se curan. Las medidas más efectivas son:

• Automatizar alertas de actualización: configurar notificaciones cuando el refresh falla o cuando los datos no llegan en el plazo esperado.
• Incluir indicadores de calidad en el propio dashboard: un campo que muestre la fecha del último dato, el número de registros cargados o una señal de alerta cuando hay valores atípicos.
• Documentar las medidas DAX: cada KPI debe tener una descripción de su fórmula en lenguaje de negocio, no solo en DAX. Esto permite que alguien de negocio valide si la lógica es correcta.
• Separar la transformación de datos de la visualización: las reglas de cálculo no deberían estar solo en Power BI. Si las transformaciones se hacen en el data warehouse o en dbt, son más fáciles de auditar, versionar y reutilizar.

Si sospechas que tus dashboards de Power BI pueden tener problemas de calidad de datos, el primer paso es una auditoría del modelo: revisar las relaciones, las medidas y la calidad de los datos de origen. En nuestra consultoría de Power BI incluimos esta auditoría como punto de partida, y si el problema está en los datos de origen más que en Power BI, la solución de calidad de datos aborda el problema desde la raíz.

Como detectar problemas de calidad de datos en tus informes

Antes de construir dashboards sobre datos que no has validado, dedica medio día a responder cinco preguntas básicas. Primera: hay registros duplicados en tus tablas maestras (clientes, productos, proveedores)? Un join contra una tabla con duplicados multiplica las cifras sin que nadie lo note hasta que alguien compara con el ERP y los números no cuadran.

• Duplicados: busca clientes o productos con nombres ligeramente diferentes (S.L. vs SL, mayusculas vs minusculas). Cruza por NIF o código interno.
• Campos vacios: calcula el porcentaje de nulos en cada campo crítico. Si el 30% de tus clientes no tienen sector asignado, cualquier análisis por sector es parcial.
• Valores fuera de rango: busca importes negativos donde no debería haberlos, fechas futuras en campos históricos, o códigos postales con formato incorrecto.
• Consistencia entre fuentes: si el ERP dice que un cliente facturo 100.000 euros y el CRM dice 85.000, hay un problema de definición o de sincronización.
• Actualización: verifica que los datos se actualizan cuando deberían. Un dashboard que muestra datos de hace una semana como si fueran de hoy es peor que no tener dashboard.

Automatizar la vigilancia de calidad de datos

La calidad de datos no es un proyecto que se hace una vez; es un proceso continuo. En Power BI puedes crear un informe dedicado a calidad que monitorice automáticamente: porcentaje de campos vacios por tabla, conteo de duplicados detectados, registros sin actualizar en los últimos N días, y discrepancias entre fuentes. Este informe debería revisarse semanalmente antes de confiar en los datos de los dashboards operativos.

Si tienes n8n en tu infraestructura, puedes ir un paso más alla: crear alertas automáticas que avisen cuando la calidad cae por debajo de un umbral. Por ejemplo, si el porcentaje de clientes sin sector supera el 20%, enviar un aviso al responsable de CRM para que corrija los registros antes de que contaminen los informes.

Para más contexto, puedes consultar la informe de McKinsey sobre empresas data-driven.