Cómo definir umbrales de calidad de datos: guía con ejemplos por dimensión
"Los datos deben ser correctos" no es un umbral, es un deseo. Un umbral de verdad es un número: 98% de completitud, no más de 0,5% de duplicados, exactitud verificada en las últimas 24 horas. Esta guía te da los números de partida por dimensión, con ejemplos reales de a qué dominio aplicarlos.
Por qué "calidad alta" no es un umbral operativo
Ya cubrimos las 6 dimensiones de la calidad del dato — completitud, exactitud, consistencia, oportunidad, validez y unicidad. Saber que existen esas dimensiones es el primer paso. El segundo, el que casi nadie da, es ponerles un número: ¿qué porcentaje de completitud es aceptable para este dataset en concreto? ¿Cuánta antigüedad hace que un dato deje de ser "oportuno"? Sin esa cifra, "calidad alta" es una opinión, no un control que se pueda auditar.
El umbral correcto depende del uso, no del dato en sí
El error más común es definir un umbral único para toda la organización. Un campo de email usado para marketing puede tolerar un 5% de errores sin consecuencias graves. El mismo campo usado para facturación electrónica no puede tolerar prácticamente ninguno. El umbral no describe el dato — describe cuánto puede fallar antes de que el uso que le das deje de ser fiable.
Umbrales de partida por dimensión, con ejemplos reales
Completitud
Porcentaje de campos obligatorios que están rellenos. Umbral de partida habitual: 95-98% para campos críticos de negocio (email de contacto, NIF, fecha de nacimiento en un sistema de RRHH), y 80-90% para campos secundarios (segundo teléfono, notas internas).
Ejemplo real: un CRM con 50.000 contactos donde el campo "sector de actividad" está relleno en el 60% de los registros. Si ese campo alimenta un sistema de scoring de leads, un umbral del 90% te obliga a priorizar el enriquecimiento antes de confiar en el scoring.
Exactitud
Porcentaje de registros que coinciden con la fuente de verdad (verificación cruzada con un sistema externo, o validación manual sobre una muestra). Umbral de partida: 97-99% para datos financieros o regulatorios, 90-95% para datos operativos.
Ejemplo real: un dataset de direcciones de envío verificado contra un servicio de validación postal. Si el 8% de las direcciones no son entregables, tu umbral de exactitud (por ejemplo, 95%) te dice que hay que actuar antes de lanzar una campaña masiva de envío.
Consistencia
Porcentaje de registros sin contradicciones entre sistemas (el mismo cliente con el mismo estado en el CRM y en el sistema de facturación). Umbral de partida: 98-100% para identificadores clave (ID de cliente, NIF), más flexible (90-95%) para atributos descriptivos.
Oportunidad (freshness)
Antigüedad máxima aceptable del dato antes de considerarse obsoleto. No es un porcentaje, es un plazo: 24-48 horas para datos operativos (stock, precios), 30-90 días para datos de perfil de cliente, anual para datos estructurales (sector de la empresa).
Validez
Porcentaje de registros que cumplen el formato o rango esperado (un email con formato de email, una fecha de nacimiento que no sea futura). Umbral de partida: 99%+ — es la dimensión más barata de controlar con validación automática en el punto de entrada, así que el umbral debería ser el más exigente de los seis.
Unicidad
Porcentaje de registros sin duplicados exactos o casi exactos. Umbral de partida: menos del 1-2% de duplicados en identificadores clave. Un dataset de clientes con un 8% de duplicados no es solo un problema de calidad — infla artificialmente cualquier métrica de negocio que se calcule sobre él (número de clientes, ingreso medio por cliente).
Cómo documentar el umbral, no solo el número
Un umbral sin justificación es tan arbitrario como no tener umbral. Documenta, para cada uno: qué dimensión mide, el valor exacto, para qué dominio aplica, quién lo aprobó (técnico y negocio), y cuándo se revisó por última vez. Esta estructura es exactamente la que sigue la Plantilla de Reglas de Calidad de Datos — con umbrales de partida ya definidos por dimensión y ejemplos resueltos, para no empezar desde una hoja en blanco.
Revisar el umbral no es opcional
Un umbral definido una vez y nunca revisado tiende a quedarse obsoleto en cualquier dirección: demasiado laxo si el negocio ha crecido en exigencia, o inalcanzable si se fijó sin datos reales de partida. Revisión trimestral es razonable para la mayoría de dominios; mensual si el dato alimenta decisiones automatizadas de alto impacto (como un sistema de IA).
Umbrales ya definidos, por dimensión, listos para adaptar
La Plantilla de Reglas de Calidad de Datos incluye los umbrales de partida de esta guía ya estructurados en Excel, con ejemplos resueltos por dominio.