Tus decisiones valen lo que vale la calidad de datos

La calidad de datos es la adecuación de un dato al uso que se le da: vale por lo que permite decidir con confianza, más allá de su volumen. La calidad puede fallar de dos maneras: el dato es poco confiable, o existe pero nunca se analiza. A esto último se lo conoce como dark data. En ambos casos la decisión se apoya en una base incompleta. El costo aparece lejos del origen: un pronóstico errado, una campaña mal dimensionada, una inversión asignada al problema equivocado. La evidencia es consistente en un punto que sorprende a muchos comités: el valor de los datos para decidir depende de su calidad, más que de su cantidad. Y esa calidad se sostiene con un proceso que la mantenga confiable en el tiempo.

El problema tiene dos caras: el dato poco confiable y el que nunca se usa

La mala calidad de datos y el dato ocioso son dos versiones de la misma falla: información que nunca llega a sostener una decisión. La primera cara es el dato en el que no se puede confiar. El trabajo fundacional de Wang y Strong definió la calidad como fitness for use —adecuación al uso—: un dato es de calidad si sirve para la decisión que tiene que alimentar. Ese criterio sigue vigente: una revisión de alcance de 2023 de Fadlallah y colegas confirma que la calidad se evalúa siempre en contexto, según el uso al que se destina el dato. Bajo esa vara, un dato inexacto, incompleto o desactualizado empuja la decisión en la dirección equivocada.

La segunda cara es el dato que se acumula y nunca se mira. Gartner llama dark data a los activos de información que una organización recolecta, procesa y almacena en su operación normal, pero que en general no usa para ningún otro fin. Es más que un problema de archivo. Splunk, sobre más de 1.300 líderes de negocio y de tecnología en siete economías, estima que

cerca del 55% de los datos de una organización son “dark”.

La cifra es una estimación de percepción de ejecutivos, más que una medición técnica, pero el orden de magnitud es difícil de ignorar: la mitad del activo se paga —en almacenamiento, en riesgo de seguridad, en cumplimiento— y no sostiene ninguna decisión a cambio.

Las dos caras se tocan. El dato ocioso, cuando por fin se usa, rara vez pasó antes por un control de calidad; y el dato en el que nadie confía termina archivado. El resultado es el mismo en la sala de directorio: se decide con una fracción del activo, y no necesariamente la mejor.

La calidad del dato mejora la decisión

La intuición de que acumular datos mejora las decisiones no resiste la evidencia. En un estudio sobre 130 empresas, Ghasemaghaei y Calic encontraron que usar big data no mejora, por sí solo, la calidad de las decisiones de la empresa: el efecto pasa por completo a través de la calidad del dato y de cuánto puede informar una decisión. Traducido al lenguaje de un comité:

sin calidad, sumar datos solo agranda la base sobre la que se decide mal.

El volumen, además, puede jugar en contra. El trabajo de Janssen, van der Voort y Wahyudi describe el dato de gran escala como un arma de doble filo: a medida que atraviesa la cadena de áreas que lo capturan y lo procesan, cada eslabón puede mejorar o degradar la señal, según cómo se gestione su calidad. La decisión final hereda todos esos pasos, buenos y malos.

Nada de esto es nuevo para quien decidió alguna vez sobre un tablero en el que no confiaba. Redman ya había resumido el efecto de la mala calidad en la empresa: decisiones menos efectivas, menor capacidad de formular y ejecutar la estrategia, y desconfianza organizacional. Cuando el dato no es confiable, el costo más visible aparece en el reporte, pero el más costoso llega en la reunión donde la dirección deja de creerles a sus propios números.

La calidad se sostiene con un proceso continuo

La calidad de datos se degrada con el tiempo, y por eso ninguna herramienta la resuelve de una vez. La razón es simple: el dato es una foto de una realidad que cambia. El mismo trabajo de Redman ubica el origen del problema en las deficiencias del modelo de la realidad que el dato captura, sumadas a inexactitud, inconsistencia y falta de oportunidad. Un cliente se muda, un proveedor cambia de contacto, un producto se descontinúa: cada cambio del mundo real convierte un dato que era correcto en uno que ya no lo es.

Una limpieza puntual arregla la foto de hoy y queda vieja mañana.

Ese carácter continuo hace que el costo aparezca lejos de donde se origina la corrupción de los datos. Una regla conocida en gestión de calidad —la regla 1-10-100— lo resume: corregir un error de datos en el momento de la captura cuesta una unidad; si el error se propaga por los sistemas, cuesta diez; si llega a una decisión o a un cliente, cuesta cien. El dato malo no avisa cuando entra; se cobra al final de la cadena, donde ya es caro rastrearlo.

La respuesta, entonces, tiene forma de proceso. Es la lógica detrás de DataOps. Ereth lo definió como una mirada integrada y orientada a proceso sobre el dato. Combina automatización con prácticas ágiles tomadas del desarrollo de software, para mejorar calidad, velocidad y colaboración bajo una cultura de mejora continua. Una revisión sistemática de 2025 de Fannouch y colegas confirma esa dirección: automatización, pipelines de entrega continua y colaboración entre negocio y tecnología son hoy las prácticas que sostienen la calidad a escala. En la práctica se traduce en dos cosas: controles automáticos que revisan el dato cada vez que se mueve, y observabilidad de datos. Esta última es el monitoreo permanente de la salud del dato: detecta el problema cerca de su origen, antes de que llegue al tablero del directorio. La herramienta puede ejecutar esos controles, pero es el proceso —quién los define, quién responde cuando saltan— el que sostiene la calidad.

Medir la calidad de datos es la condición para gestionarla

No se puede gestionar lo que no se mide, y hoy la mayoría no lo mide: según Gartner, el 59% de las organizaciones no mide la calidad de sus datos. Sin esa medición, nadie sabe cuánto cuesta el problema ni cuánto mejora un programa que intente resolverlo, y la discusión en el comité se vuelve una cuestión de opiniones.

Medir la calidad de datos tiene un método propio, y hacerlo bien exige criterio y experiencia. Pipino, Lee y Wang mostraron que evaluarla requiere métricas usables construidas sobre dimensiones concretas, combinando lo que se puede contar objetivamente con la percepción de quienes usan el dato. En lenguaje de negocio, esas dimensiones se resumen en preguntas simples:

¿el dato está completo?, ¿está actualizado?, ¿es exacto?, ¿es consistente entre sistemas?, ¿está disponible cuando se lo necesita?

Una revisión reciente de 2024 sistematiza esas dimensiones y las liga a los impactos de negocio, y confirma que el marco sigue vigente casi tres décadas después de haberse formulado. Y medir ya no es una tarea manual: un relevamiento de Ehrlinger y Wöß cataloga herramientas que miden y monitorean la calidad de forma continua, el puente hacia la observabilidad de datos.

Para la dirección, medir habilita algo concreto: un lenguaje común para decir, con evidencia, que “este dato no sirve para esta decisión”. Sin una línea de base, cualquier inversión en calidad es un acto de fe.

Sostener la calidad es una decisión de gobierno

La pregunta que llega al directorio suele estar mal planteada: se concentra en qué plataforma de calidad comprar, cuando lo que define el resultado es el proceso que va a sostener que los datos sigan sirviendo para decidir. La diferencia es práctica. Una compra se aprueba una vez; un proceso se gobierna: alguien lo define, alguien lo mide, alguien rinde cuentas cuando la calidad cae. Gartner estima que la mala calidad le cuesta a una organización unos 12,9 millones de dólares al año en promedio; conviene leer esa cifra como lo que es —una estimación autoinformada por empresas que ya invierten en el tema—, pero incluso descontada, describe un costo que se repite cada año que el proceso siga sin dueño.

Para un comité ejecutivo, esto reordena las prioridades. El dato ocioso y el dato no confiable se atacan decidiendo qué datos importan para qué decisiones, midiendo su calidad y asignando responsabilidad sobre ella. Ese es el trabajo que no se delega: la dirección aprueba la inversión y, además, fija qué se mide y a quién se le pide cuenta.

El punto de partida es más modesto de lo que parece. Antes de rediseñar la arquitectura de datos, conviene ver dónde, en la cadena propia, el dato deja de sostener decisiones y cuánto cuesta cada punto de fuga. Recién con ese mapa la inversión deja de ser un acto de fe y pasa a ser una decisión fundada. La mitad de los datos que hoy no llega a una decisión señala algo más profundo que un problema de volumen: falta el proceso que convierta ese dato en base para decidir.

Preguntas frecuentes