Volver al blog
7 min de lectura

Calidad de datos: errores que afectan las decisiones y cómo evitarlos

Descubre los errores más comunes en la calidad de datos, cómo afectan las decisiones empresariales y qué medidas permiten prevenirlos.

Vicente Zabala
Vicente Zabala
Data Quality Analyst
Calidad de datos: errores que afectan las decisiones y cómo evitarlos
Compartir este artículo

Una empresa de capacitación revisa su informe mensual y encuentra 120 participantes certificados. Sin embargo, al verificar los registros descubre alumnos duplicados, evaluaciones pendientes y certificados asociados a documentos incorrectos. Aunque el reporte parecía confiable, las decisiones tomadas a partir de él podrían estar equivocadas.

Este ejemplo hipotético muestra cómo la calidad de datos influye en la gestión de organizaciones. Los errores de registro, la información incompleta y las inconsistencias pueden alterar indicadores, afectar procesos y conducir a decisiones que no reflejan la situación real. Comprender estos problemas permite establecer controles antes de utilizar los datos para planificar, evaluar resultados o emitir credenciales.

¿Qué es la calidad de datos?

La calidad de datos es el grado en que la información cumple los requisitos necesarios para utilizarse en un proceso o decisión. Un conjunto de datos puede estar completo y correctamente estructurado, pero resultar inadecuado si contiene información desactualizada o no representa el fenómeno que se pretende analizar.

La norma ISO/IEC 25012:2008, modelo de calidad de datos, establece un marco de 15 características para evaluar datos estructurados, considerando propiedades inherentes y dependientes del sistema. La norma fue revisada y confirmada en 2025.

Para una evaluación operativa inicial pueden utilizarse seis dimensiones ampliamente aplicadas: exactitud, integridad o completitud, consistencia, actualidad, validez y unicidad. Estas dimensiones también aparecen en la documentación técnica de IBM sobre dimensiones de calidad.

Dimensión Dato de calidad Dato defectuoso
Exactitud La calificación coincide con el resultado obtenido. Se registra una nota diferente.
Completitud Están presentes los campos obligatorios. Falta el documento del participante.
Consistencia Los sistemas muestran el mismo estado. Un sistema indica aprobado y otro pendiente.
Actualidad La información refleja el estado requerido. Se consulta un reporte anterior a la última evaluación.
Validez Los valores cumplen reglas y formatos. Se registra una fecha imposible.
Unicidad Cada registro tiene una identificación única cuando se requiere. El mismo alumno aparece duplicado.

Errores que distorsionan las decisiones

Los errores no tienen todos las mismas consecuencias. Algunos afectan operaciones individuales, mientras que otros alteran indicadores utilizados para distribuir recursos, evaluar programas o proyectar resultados.

La documentación de Great Expectations sobre validación de unicidad explica que los duplicados pueden distorsionar análisis y que los identificadores repetidos pueden producir errores al integrar conjuntos de datos.

Error Consecuencia Decisión afectada
Registros duplicados Sobreestimación del número de alumnos. Planificación de capacidad y recursos.
Datos incompletos Imposibilidad de verificar requisitos. Autorización de certificados.
Resultados incorrectos Clasificación equivocada de participantes. Aprobación de evaluaciones.
Información desactualizada Informes que no reflejan los avances recientes. Seguimiento de programas.
Criterios inconsistentes Indicadores difíciles de comparar. Evaluación de sedes o periodos.

Por ejemplo, si una organización contabiliza inscripciones duplicadas como participantes distintos, puede sobreestimar la demanda de su siguiente programa. En cambio, si omite resultados de evaluaciones ya realizadas, podría subestimar el número de personas que cumplen los requisitos de certificación.

Cómo medir los datos defectuosos

Identificar errores individuales no es suficiente para evaluar la calidad de una base de datos. También es necesario medir su frecuencia, determinar cuáles son críticos y establecer criterios de aceptación para cada proceso.

Una métrica sencilla es la tasa de registros defectuosos, definida como la proporción de registros que incumplen al menos una regla de calidad previamente establecida.

Tasa de registros defectuosos
TRD = Registros con errores Total de registros evaluados × 100 %

Supongamos que una revisión de 200 registros de participantes identifica 16 con al menos un problema. La operación sería:

TRD = 16 200 × 100 % = 8 %

El resultado indica que el 8 % de los registros revisados incumple al menos una regla. No significa que el 8 % de todos los campos sea incorrecto ni que cada registro defectuoso tenga la misma gravedad. Un error tipográfico secundario y una calificación equivocada requieren tratamientos diferentes.

Según Gartner, en su guía sobre calidad de datos, las organizaciones deben seleccionar las dimensiones y métricas relevantes para sus casos de uso. Por ello, una tasa global debe complementarse con controles específicos para datos críticos, como identidad del participante, resultado de evaluación y estado del certificado.

Comparación de métodos de control

Los controles pueden aplicarse al ingresar información, durante el procesamiento o antes de utilizarla en una decisión. La elección depende del riesgo asociado al dato, la frecuencia de actualización y las herramientas disponibles.

Método Ventaja Limitación Aplicación
Revisión manual Permite evaluar casos especiales. Requiere tiempo y criterio humano. Validación de expedientes.
Reglas automáticas Detectan incumplimientos repetibles. No siempre identifican errores semánticos. Campos obligatorios y formatos.
Cruce de fuentes Detecta discrepancias entre registros. Necesita identificadores confiables. Comparación entre matrículas y evaluaciones.
Monitoreo periódico Permite observar cambios en los errores. Depende de métricas bien definidas. Control de calidad mensual.

La documentación de Great Expectations sobre pruebas de calidad contempla controles de integridad, estructura, actualidad, unicidad y valores ausentes. Estas verificaciones permiten detectar problemas específicos, aunque la interpretación de resultados sigue dependiendo de las reglas del negocio.

Cómo prevenir decisiones equivocadas

Una estrategia de calidad debe comenzar antes de generar el informe final. En una organización de capacitación, el proceso puede organizarse mediante controles sobre los datos de inscripción, evaluación y certificación.

• Definir reglas: establecer qué campos son obligatorios y qué condiciones permiten aprobar una evaluación o emitir una credencial.
• Validar al registrar: comprobar identificadores, fechas, formatos y duplicados antes de incorporar nuevos datos.
• Asignar responsabilidades: determinar quién revisa las incidencias y autoriza las correcciones.
• Conservar trazabilidad: registrar cambios relevantes, fechas, fuentes y responsables para facilitar verificaciones posteriores.
• Controlar antes de decidir: revisar los indicadores críticos y resolver errores relevantes antes de aprobar informes o certificados.

Por ejemplo, antes de emitir certificados de una promoción, el responsable académico puede contrastar la lista de participantes con las evaluaciones aprobadas. Si encuentra una discrepancia, debe revisar el registro original y corregirla mediante un procedimiento documentado. Esto reduce el riesgo de emitir una credencial con datos equivocados.

Calidad de datos y certificados verificables

En la gestión de certificaciones, la calidad de los datos resulta especialmente relevante porque la información registrada puede convertirse en una credencial consultable por terceros. Nombres, identificación, programa, fecha de emisión y estado del certificado requieren controles adecuados antes de su publicación.

El Instituto Internacional de Ingeniería (3i) ofrece a organizaciones e instructores que ya imparten formación opciones de validación de certificados y credenciales verificables mediante QR, enlace o código. Su página oficial de solicitud para organizaciones e instructores describe estas modalidades y el proceso de incorporación sujeto a revisión.

Criterio Registro sin controles definidos Proceso con validación
Identidad Posibles nombres y documentos incorrectos. Comprobación de datos antes de emitir.
Resultado académico Riesgo de registrar estados incorrectos. Contraste con evaluaciones y requisitos.
Autenticidad Verificación dependiente de gestiones manuales. Consulta mediante mecanismos públicos de validación.
Seguimiento Información dispersa o difícil de conciliar. Registros organizados y procedimientos de revisión.

Es importante distinguir autenticidad de exactitud. Un enlace de verificación puede confirmar que existe un certificado registrado, pero no demuestra por sí solo que todos los datos originales fueron ingresados correctamente o que la evaluación académica fue adecuada. La organización emisora debe mantener controles sobre sus registros y requisitos.

Conclusión

La calidad de datos determina hasta qué punto una organización puede confiar en la información utilizada para decidir. El control más útil es aquel que detecta errores antes de que afecten un indicador, una evaluación o una credencial. Para las organizaciones de capacitación, incorporar verificaciones desde el registro inicial hasta la emisión de certificados permite construir procesos más trazables y reducir decisiones basadas en información defectuosa.

Haz verificables los certificados de tu organización

Si tu organización ya emite certificados, puedes evaluar cómo incorporar verificación digital mediante QR, enlace o código, manteniendo un proceso de revisión de los datos y requisitos de cada participante.

Fuentes consultadas

ISO e IEC. ISO/IEC 25012:2008  Data quality model. 2008, confirmada en 2025.

IBM. Data quality dimensions. Documentación técnica de IBM watsonx.data intelligence.

Gartner. Data Quality: Why It Matters and How to Achieve It. Guía sobre métricas y gestión de calidad de datos.

Great Expectations. Validate data uniqueness with GX. Documentación sobre validación de registros únicos.

Great Expectations. Data quality use cases. Documentación sobre pruebas de integridad, actualidad, estructura y unicidad.

Instituto Internacional de Ingeniería (3i). Programa Partner: respaldo y validación digital de certificados. Página institucional de modalidades y solicitud.

Vicente Zabala
Sobre el autor
Vicente Zabala
Data Quality Analyst
¿Te resultó útil? Compártelo.