Calidad de datos: el trabajo invisible que sostiene todo lo demás
Es el trabajo menos glamoroso de la disciplina y el que más determina si todo lo demás funciona. Nadie presenta en un comité que estandarizó la nomenclatura de campañas, y sin embargo esa decisión explica buena parte de por qué los reportes cuadran o no.
Los cuatro problemas de siempre
- Nomenclatura inconsistente: la misma campaña nombrada de cinco formas distintas hace imposible agregar.
- Duplicados de identidad: la misma persona contada varias veces infla todo y distorsiona el valor por cliente.
- Eventos mal definidos: una conversión que significa cosas distintas según quién la implementó.
- Huecos temporales: periodos sin registro que nadie documentó y que después se interpretan como caídas reales.
Por qué se posterga siempre
Porque no tiene resultado visible en el trimestre y compite por recursos con iniciativas que sí lo tienen. La forma de romper ese círculo es dejar de presentarlo como higiene y presentarlo como lo que es: el prerrequisito de cualquier decisión automatizada.
Un orden razonable
Primero, un diccionario de eventos y una convención de nombres escrita, corta y obligatoria. Segundo, validación en el momento de la captura, no auditorías posteriores. Tercero, un tablero de salud del dato que alguien mire de verdad cada semana.
La prueba concreta
Si dos personas del equipo calculan la misma métrica por separado y llegan a números distintos, el problema no es analítico. Es de definición, y ninguna herramienta lo va a resolver.
Preguntas frecuentes
¿Qué es la calidad de datos y por qué es tan determinante?
La calidad de datos es el trabajo de mantener la información consistente, íntegra y bien definida para que las decisiones se sostengan. Es la tarea menos visible y la más determinante: estandarizar la nomenclatura de campañas, por ejemplo, explica buena parte de por qué los reportes cuadran. Sostiene toda la cadena analítica.
¿Qué problemas comprometen la calidad de datos?
Cuatro problemas estructurales: nomenclatura inconsistente, cuando un mismo elemento tiene varios nombres; duplicados de identidad, que cuentan a una persona varias veces; eventos mal definidos, con significados que cambian según quién los implemente; y vacíos temporales no documentados, que luego se leen como caídas reales. Detectarlos temprano evita conclusiones equivocadas.
¿Cómo se mantiene la calidad de datos en el tiempo?
Con tres piezas: un diccionario de eventos con convención de nombres obligatoria, validación en tiempo real en lugar de auditorías posteriores y un tablero de salud de datos revisado cada semana. Reencuadrar esta higiene como prerrequisito para automatizar decisiones ayuda a priorizarla frente a iniciativas más visibles.