Políticas de Calidad de Datos — Guía Práctica

El 80% de los proyectos de analítica e IA fallan no por falta de algoritmos, sino porque los datos de partida tienen problemas de calidad que no se detectaron a tiempo. Valores duplicados, campos vacíos, fechas incoherentes, importes negativos donde no deben existir. Cuando estos problemas llegan al dashboard o al modelo, el resultado es desconfianza y, en el mejor caso, trabajo manual para corregirlos.

Las 6 dimensiones de calidad de datos

El marco más extendido para medir calidad de datos define seis dimensiones. No todas son igual de críticas en cada empresa o dominio, pero todas deben estar definidas explícitamente para poder medirlas.

Cómo definir una política de calidad de datos

Una política de calidad de datos es el documento que especifica qué estándares deben cumplir los datos de un dominio, quién es responsable de garantizarlos y qué ocurre cuando no se cumplen. No es un documento técnico: es un acuerdo entre negocio y tecnología.

• Alcance: qué dominio de datos cubre la política (cliente, producto, proveedor...).
• Propietario: quién es el Data Owner que valida y aprueba las reglas.
• Dimensiones priorizadas: cuáles de las 6 dimensiones son críticas para este dominio.
• Reglas concretas: mínimo 5-10 reglas explícitas por dominio, redactadas en lenguaje de negocio.
• Umbrales de aceptación: qué % de registros inválidos es aceptable antes de activar una alerta.
• Proceso de remediación: quién actúa cuando se detecta una incidencia y en qué plazo.
• Revisión periódica: cada cuánto se revisa y actualiza la política.

Herramientas para implementar controles de calidad automáticos

Las políticas de calidad no son útiles si el control es manual. La verificación debe ocurrir automáticamente cada vez que los datos entran o se transforman en el sistema.

dbt Tests

Si tu pipeline de datos usa dbt (el estándar de facto para transformaciones SQL), puedes definir tests directamente en los archivos YAML de cada modelo. Los tests nativos cubren unicidad, no nulos, valores aceptados y relaciones referenciales. Para reglas más complejas, el paquete dbt-expectations añade validaciones de rango, formato y estadísticas.

Great Expectations

Great Expectations es una librería open source de Python que permite definir 'expectations' sobre los datos y validarlas en cualquier punto del pipeline: en la ingesta, después de transformaciones o antes de cargar en el data warehouse. Genera informes HTML de calidad que pueden publicarse como documentación de datos.

Herramientas comerciales

Para organizaciones con múltiples dominios y equipos distribuidos, herramientas como Collibra DQ, Informatica Data Quality o Talend Data Quality ofrecen interfaces visuales para definir reglas, dashboards de calidad y flujos de remediación. El coste de licencia suele partir de 30.000-50.000 €/año, lo que las hace adecuadas para empresas grandes o medianas con alta madurez de datos.

El proceso de remediación: qué hacer cuando los datos fallan

Definir reglas y detectar incidencias es solo la mitad del trabajo. La otra mitad es tener un proceso claro para remediar los problemas. Sin remediación, el control de calidad genera alertas que nadie gestiona.

• Clasificar la incidencia: ¿es un error puntual, sistémico o en la fuente?
• Asignar responsable: el Data Steward del dominio afectado recibe la alerta y la investiga.
• Corregir en origen: si el error viene de un sistema fuente (ERP, CRM), se corrige allí — no en el data warehouse.
• Documentar la causa: qué generó el error y qué cambio se hizo para evitar que se repita.
• Validar la corrección: volver a ejecutar el test para confirmar que el dato cumple la regla.