Tu equipo sabe dónde duele; no sabe cuánto cuesta

Un diagnóstico de datos es una evaluación estructurada que jerarquiza, por impacto medido, cuál de los problemas de datos de una organización conviene resolver primero. Responde una pregunta que los comités enfrentan seguido: cómo decidir con evidencia en qué falla de datos invertir antes que en las demás, en lugar de ordenarlas por intuición. La distinción importa porque la mayoría de los equipos ya intuye dónde está el problema. Lo que no tiene es la medición de cuánto cuesta cada uno, y sin ese número la prioridad se decide por la impresión que deja en una reunión.

Esa diferencia —entre percibir el problema y medir su costo— es el eje de esta discusión. El trabajo fundacional de Pipino, Lee y Wang sobre evaluación de calidad de datos lo formuló hace más de dos décadas: toda organización convive con dos cosas distintas, la percepción subjetiva de quienes usan el dato y la medición objetiva sobre el propio dato. Tu equipo tiene la primera. El diagnóstico aporta la segunda.

Tu equipo percibe el problema; medir su costo es otra disciplina

La percepción interna es un buen detector de síntomas y un mal medidor de costos. Alguien en tu organización puede señalar el reporte que nunca cierra o el tablero en el que nadie confía. Esa señal es valiosa, pero es una evaluación subjetiva: dice que algo molesta, no cuánto vale. Pipino, Lee y Wang distinguen justamente eso: la percepción de los involucrados por un lado, y la medición sobre el conjunto de datos por el otro.

Lo interesante es lo que ocurre cuando esas dos lecturas no coinciden. Cuando la medición objetiva dice que un dato está bien pero los usuarios desconfían de él —o al revés—, esa discrepancia no es ruido: es el diagnóstico. Marca dónde el dato pierde credibilidad, oportunidad o exactitud para quien lo usa. La brecha entre lo que tu equipo siente y lo que el dato mide es, en sí misma, el punto donde conviene mirar.

El problema es que muchas organizaciones no tienen la mitad objetiva de esa ecuación. Según relevamientos de Gartner:

cerca del 59% de las organizaciones no mide la calidad de sus datos.

Y aun teniendo los datos, la confianza es escasa: en un relevamiento de 2025 de Precisely y la Universidad Drexel a más de 550 profesionales, el 67% admitió no confiar del todo en sus datos para decidir. Queda entonces solo la percepción, y sobre la percepción se termina asignando presupuesto.

No hay un orden de prioridad universal: depende del uso

La prioridad correcta de tus problemas de datos no se copia de otra empresa, porque no existe una lista válida para todas. La razón es de fondo. En el marco fundacional de Wang y Strong, la calidad no es una propiedad absoluta del dato sino su “adecuación al uso”: un dato vale según para qué se lo necesita. De ahí se sigue que qué dimensión pesa más —que el dato esté completo, actualizado, sea exacto o esté disponible— cambia con el propósito.

Y no es cuestión de opinión: está documentado. Los marcos de calidad de datos más usados coinciden en qué hace bueno a un dato, pero no en cuál de esos atributos pesa más. Y cuando la prioridad se fija con métodos rigurosos, ese peso cambia según el uso que cada empresa le da al dato.

El caso concreto lo hace evidente. Una compañía de consumo masivo que pierde ventas por quiebres de góndola necesita, antes que nada, datos de inventario confiables. Una farmacéutica que responde ante la autoridad sanitaria prioriza la trazabilidad y el gobierno del dato.

Mismos problemas de gestión de datos, distinto orden.

Copiar la prioridad del último caso que se leyó —o perseguir una fuente única de la verdad porque suena bien— es asignar presupuesto según el contexto de otro.

Qué mide un diagnóstico de datos

Un diagnóstico de datos mide el impacto: convierte la sospecha sobre cuál problema duele más en una jerarquía defendible por su costo para el negocio. No es un inventario técnico de tablas ni una auditoría de sistemas. Es una evaluación de calidad de datos que ordena los problemas de la organización por lo que les cuestan a sus procesos, y traduce esa lectura en una secuencia de inversión.

Para lograrlo combina las dos lecturas que rara vez conviven dentro de la empresa. Toma la percepción de quienes usan el dato —el detector de síntomas— y la contrasta con medición objetiva sobre el propio dato. Y se hace con método: hay procedimientos que cruzan esa lectura humana con la medición para priorizar dónde conviene actuar. El resultado no es una opinión mejor argumentada; es un orden apoyado en dos fuentes que se corrigen entre sí.

El criterio que ordena esa lista es el impacto, no la visibilidad. Como plantea un marco para planificar proyectos de calidad de datos,

el objetivo no es mejorar la calidad por cualquier medio. Es elegir las iniciativas costo-efectivas de mayor impacto sobre los procesos que ejecutan la estrategia.

Dicho en términos de directorio: el diagnóstico transforma “hay que mejorar los datos” —una categoría de gasto— en “este problema, atacado primero, evita esta pérdida” —una decisión de asignación de capital.

Por qué esa medición rara vez está disponible dentro de tu empresa

La medición que el diagnóstico exige casi nunca existe internamente, y hay tres razones concretas. La primera ya se nombró: la mayoría de las organizaciones no mide la calidad de sus datos, así que el insumo objetivo para priorizar no está sobre la mesa. Sin ese insumo, el diagnóstico se reduce a la percepción que se quería contrastar.

La segunda es que no hay un instrumento genérico que se pueda descargar y aplicar. El mismo marco de priorización de proyectos de datos señala que falta un conjunto de métricas de costo/beneficio válido para cualquier organización: cada una debe construir su propia medición sobre sus propios procesos. Falta, además, evidencia de gran escala que ligue mejoras de calidad por dimensión con resultados de negocio; esa ausencia es lo que vuelve tan tentador —y tan riesgoso— decidir por intuición. No hay un diagnóstico enlatado; hay que medir en la propia operación.

La tercera es más difícil de admitir. Un autodiagnóstico de madurez de datos, o un consenso del equipo sobre “cómo estamos”, es también una evaluación subjetiva. Sin una medición objetiva que lo contraste, puede alejarse del estado real por la misma brecha que Pipino, Lee y Wang describieron: quien convive con el problema todos los días suele ser quien menos puede verlo con distancia. Por eso el diagnóstico especializado no es un rodeo comercial. Es el paso que aporta la mitad objetiva que a la organización le falta. Y es honesto reconocer dónde termina lo que el equipo puede resolver solo y dónde empieza lo que requiere medición.

Cuándo conviene hacer el diagnóstico

El momento es antes de comprometer presupuesto en una herramienta o un proyecto, no después. Si tu organización ya reconoce varios de los ocho problemas de datos que conviven en las grandes empresas, está en el punto exacto:

tiene los síntomas identificados y todavía no eligió dónde invertir. Ese es el lugar del diagnóstico.

La señal de alarma opuesta es igual de clara. Cuando la conversación en el comité es “qué plataforma compramos” o “cuántos tableros necesitamos” antes de haber medido qué falla cuesta más, la decisión ya se está tomando por intuición. Un diagnóstico previo cambia el orden: primero establece, con la medición propia, cuál problema deteriora más las decisiones del negocio; recién después se ordena el gasto por la pérdida que evita atacarlo primero. Como toda decisión de inversión, conviene ordenarla por impacto y no por urgencia percibida.

La medición es lo que separa una sospecha de una decisión de capital

Durante años, la pregunta de los Directorios (o Juntas Directivas) fue si tenían suficientes datos. Hoy casi todos los tienen, y la ventaja pasó a otra parte: a poder nombrar, sobre evidencia medida y no sobre consenso, cuál de sus fallas de datos cuesta más. Esa capacidad no viene de tener una opinión más firme sobre el problema. Viene de haberlo medido. La organización que mide invierte donde el impacto es mayor; la que sólo percibe, invierte donde el síntoma es más visible. La distancia entre las dos es, cada vez más, una diferencia competitiva.

Preguntas frecuentes