Qualidade de dados é o quanto os dados da empresa estão corretos, completos, consistentes entre sistemas e atualizados a ponto de sustentar uma decisão. Dado de qualidade é o que permite à diretoria olhar um número e agir, sem antes discutir de onde ele veio.
O sintoma da falta de qualidade aparece na reunião: quando alguém pergunta por que o número é esse, a resposta leva dois dias e três pessoas. Este guia mostra as dimensões da qualidade de dados, como medir e manter, as checagens que evitam o número errado, as ferramentas de governança e qualidade de dados (e quando a empresa média precisa delas) e o que muda quando o destino do dado é a IA.
As dimensões da qualidade de dados
Qualidade não é um atributo só. As referências da área, como o guia da DAMA, organizam a qualidade em dimensões, e as seis mais usadas cobrem quase todos os problemas de uma empresa de médio porte:
| Dimensão | Pergunta que responde | Exemplo na empresa média |
|---|---|---|
| Exatidão | O dado reflete a realidade? | O custo do produto no ERP é o da última compra, ou o de dois anos atrás que ninguém atualizou? |
| Completude | Os campos necessários estão preenchidos? | Pedidos sem o canal de venda preenchido, que somem de qualquer análise de margem por canal |
| Consistência | O mesmo dado tem o mesmo valor em todos os sistemas? | O cliente com um limite de crédito no CRM e outro no ERP |
| Atualidade | O dado está atualizado a tempo de decidir? | O estoque do painel que mostra a posição de ontem à noite, quando a decisão é de agora |
| Unicidade | Cada coisa aparece uma vez só? | O mesmo fornecedor cadastrado três vezes, com grafias diferentes, dividindo o histórico de compras |
| Validade | O dado obedece às regras e formatos? | Desconto acima de 100%, data de entrega antes da data do pedido, CNPJ com dígito errado |
Na prática, a empresa não precisa medir as seis em todos os dados. Basta medir as que afetam os indicadores que a diretoria usa para decidir, começando pelos cadastros que os alimentam: clientes, produtos e fornecedores.
As checagens que evitam o número errado
Cinco checagens resolvem a maior parte dos problemas e nenhuma exige ferramenta: todas se respondem com consulta simples sobre a base que já existe.
- Completude. Que parte dos registros tem preenchido o campo que o indicador usa. Se o campo central está vazio em boa parte da base, o primeiro trabalho é de preenchimento e de regra de entrada, não de análise.
- Duplicidade. Quantas vezes o mesmo cliente ou fornecedor aparece com grafias diferentes. Cadastro duplicado infla contagem e destrói qualquer cálculo por cliente.
- Consistência de unidade. Valores em moedas diferentes, pesos em unidades diferentes, datas em formatos diferentes. É o erro mais silencioso da lista.
- Coerência temporal. A data registrada é a do fato ou a do lançamento no sistema. Quando as duas se misturam, toda análise de prazo fica errada.
- Valores impossíveis. Prazo negativo, venda em data futura, quantidade com sinal trocado. Muitos deles indicam entrada manual sem validação na origem.
Como medir e manter a qualidade
Medir é transformar as checagens em números acompanhados: a parte da base com o campo central preenchido, a quantidade de cadastros duplicados, as divergências entre CRM e ERP. Esses números entram no painel de quem cuida do dado, com a mesma lógica de qualquer indicador. Manter exige três coisas:
- Validação na entrada, que é melhor que limpeza depois. Barrar o dado errado no momento em que ele é digitado custa muito menos do que encontrá-lo no relatório e corrigir o histórico. Na SISVAR, 27 regras de validação passaram a conferir o dado na entrada, antes que o erro chegasse ao número da diretoria. Limpeza do histórico é trabalho separado, e só compensa nos indicadores que a empresa usa para decidir.
- Dono do dado. Cada base de cadastro tem um guardião de negócio, que responde pela qualidade do que a sua área alimenta, e cada indicador tem um dono, que responde pela definição. Sem dono, a divergência vira reunião recorrente e nunca vira correção.
- Trilha das alterações. Quem mudou o quê, quando e por quê, no dado e na definição. É o que permite explicar por que um número mudou, em minutos e não em dois dias, e o que permite auditar.
Definir o significado antes de medir
Esta é a etapa que parece burocrática e é a que decide o resultado. Para cada informação da lista, é preciso uma frase escrita que qualquer pessoa da empresa leia e aplique do mesmo jeito.
“Cliente ativo” não serve. “Cliente com pelo menos uma compra faturada nos últimos 180 dias, excluindo devoluções integrais” serve. A diferença entre as duas é a diferença entre um número que sustenta decisão e um número que gera reunião.
Vale escrever as definições em um único lugar acessível, com data e responsável. Quando a definição muda, o que muda junto é a série histórica, e sem registro ninguém consegue explicar por que o indicador saltou. Esse é o miolo do que se chama governança de dados, e é pré-requisito de IA pelo mesmo motivo que é pré-requisito de painel: modelo nenhum resolve ambiguidade de definição.
Ferramentas de governança e qualidade de dados
As ferramentas se dividem em três categorias, e a empresa de médio porte muitas vezes não precisa de nenhuma no começo: as checagens por consulta, a validação no sistema de origem e um dicionário de indicadores bem mantido resolvem a maior parte dos problemas.
| Categoria | O que faz | Exemplos | Quando a empresa média precisa |
|---|---|---|---|
| Catálogo de dados | Registra quais dados existem, onde estão, o que significam, quem é o dono e de onde vêm | OpenMetadata (código aberto), Microsoft Purview, Collibra | Quando são muitas fontes e muita gente perguntando o que cada campo significa; antes disso, um dicionário bem mantido resolve |
| Testes e monitoramento | Roda regras de qualidade automaticamente a cada carga e avisa quando algo sai do esperado | dbt (com testes na transformação), Great Expectations (código aberto) | Quando já existe uma camada de dados centralizada, como um data warehouse, alimentando os painéis |
| Cadastro mestre | Mantém uma versão única e correta de clientes, produtos e fornecedores para todos os sistemas | Módulos de dados mestres dos grandes fornecedores de ERP e plataformas dedicadas | Quando vários sistemas criam e alteram os mesmos cadastros e a duplicidade virou problema crônico |
A ordem que funciona é a inversa da que o mercado vende: primeiro a definição e o dono, depois a validação na entrada, e só então a ferramenta, para escalar o que já funciona. Ferramenta comprada antes de existir definição cataloga a confusão com mais eficiência. Quando a camada central se justifica, o assunto é data warehouse.
Qualidade de dados antes da IA
Quando o destino do dado é a inteligência artificial, a qualidade pesa ainda mais: a IA responde com a mesma segurança usando o dado certo ou o errado. Antes de qualquer projeto, vale montar o inventário mínimo:
Antes de mexer em qualquer coisa, vale montar uma lista de uma página com quatro colunas: qual informação, em que sistema ela nasce, quem responde por ela e com que frequência ela muda. Não é documento de arquitetura, é um mapa de conversa.
O critério para entrar na lista é utilidade, não completude. Comece pelas informações que aparecem na pergunta que motivou o projeto. Se a ideia é prever demanda, entram vendas, estoque, prazo de reposição e calendário comercial. Não entram folha de pagamento e contratos, por mais organizados que estejam.
Esse inventário costuma revelar, sozinho, que o projeto não é de IA. Quando a lista mostra que a informação existe e só não está reunida, o caminho mais barato é integração de sistemas ou um painel, tratado em business intelligence para empresas. Descobrir isso na primeira semana custa uma tarde; descobrir depois da contratação custa o contrato inteiro.
Três decisões completam a preparação. O histórico necessário: para classificar texto, importam exemplos bem rotulados; para previsão, ao menos dois ciclos completos do fenômeno. O acesso: o que pode ir para qualquer serviço, o que só vai anonimizado e o que não sai da empresa, tema de LGPD e IA. E o que pode esperar: bagunça em áreas fora do primeiro caso de uso não bloqueia, e falta de data warehouse também não. O que bloqueia sempre é definição ausente e campo central em branco. Onde aplicar a IA primeiro está em IA para empresas.
Por onde seguir
Quem responde por cada número, os pilares e um modelo de política estão em governança de dados. Como uma consultoria organiza dados, painéis e IA num projeto só, em consultoria de dados, BI e IA. O painel que a diretoria usa e por que ela deixa de confiar nele, em dashboard gerencial. E quando o problema é a diretoria não confiar no número, o trabalho é o da frente de Dados e decisão da Northern, operações e tecnologia sob medida: decida com números em que você confia. Se o que a empresa organizou aqui tiver valor como produto, a pergunta passa a ser de estratégia de produto.
Perguntas frequentes
O que é qualidade de dados?
É o quanto os dados da empresa estão corretos, completos, consistentes entre sistemas e atualizados a ponto de sustentar uma decisão. Dado de qualidade é o que permite à diretoria olhar um número e agir sem antes discutir de onde ele veio. A qualidade se mede em dimensões, como exatidão, completude, consistência, atualidade, unicidade e validade. E se mantém com validação na entrada, dono do dado e trilha das alterações.
Quais são as dimensões da qualidade de dados?
As seis mais usadas são exatidão (o dado reflete a realidade), completude (os campos necessários estão preenchidos), consistência (o mesmo valor em todos os sistemas), atualidade (atualizado a tempo de decidir), unicidade (cada coisa aparece uma vez só) e validade (o dado obedece às regras e formatos). Não é preciso medir as seis em todos os dados. Basta medir as que afetam os indicadores que a diretoria usa.
Quem é responsável pela qualidade dos dados?
O negócio, não só a área de tecnologia. Cada base de cadastro tem um guardião na área que a alimenta, que responde pela qualidade do que entra, e cada indicador tem um dono, que responde pela definição. A tecnologia implementa as validações, as integrações e o controle de acesso. Quando a responsabilidade fica só com a TI, os erros de cadastro continuam nascendo na origem.
Como medir a qualidade dos dados?
Transformando as checagens em números acompanhados: a parte da base com o campo central preenchido, a quantidade de cadastros duplicados, as divergências entre sistemas, os valores impossíveis encontrados. Esses números entram num painel de quem cuida do dado e são acompanhados como qualquer indicador. Comece pelos cadastros que alimentam os indicadores da diretoria. Tudo isso se faz com consultas simples sobre a base que já existe.
Precisa de ferramenta para cuidar da qualidade de dados?
No começo, quase nunca. As checagens por consulta, a validação no sistema de origem e um dicionário de indicadores bem mantido resolvem a maior parte dos problemas da empresa média. Ferramentas de catálogo, de testes automáticos e de cadastro mestre passam a valer quando há muitas fontes, uma camada central de dados ou duplicidade crônica entre sistemas. Comprar a ferramenta antes de definir o dado só cataloga a confusão.
Qualidade de dados e governança de dados são a mesma coisa?
Não, mas andam juntas. A governança define as regras e as responsabilidades: o que cada indicador significa, quem é dono, quem acessa. A qualidade é um dos resultados que a governança busca, medido nas dimensões de exatidão, completude, consistência e as demais. Sem governança, não há quem responda pela qualidade; sem qualidade, a governança vira documento que ninguém usa.
Quais são as ferramentas de governança de dados?
Há três categorias. Catálogo de dados, como OpenMetadata, Microsoft Purview e Collibra, que registra quais dados existem, o que significam e quem é o dono. Testes e monitoramento, como dbt e Great Expectations, que rodam regras de qualidade a cada carga. E cadastro mestre, que mantém uma versão única de clientes, produtos e fornecedores. A empresa média costuma precisar delas só depois de ter definições e donos funcionando.
Por que validar na entrada é melhor que limpar depois?
Porque barrar o dado errado no momento em que é digitado custa muito menos do que encontrá-lo no relatório, descobrir de onde veio e corrigir o histórico. Limpeza resolve o passado; validação resolve o futuro. Regras simples, como campo obrigatório de verdade, formato válido e valor dentro do possível, eliminam a maior parte dos erros. Na SISVAR, 27 regras de validação passaram a conferir o dado na entrada.
Quantos dados são necessários para usar IA?
Depende do uso, e o piso é menor do que se imagina. Para classificar ou organizar texto, o volume quase não importa: importa ter exemplos bem rotulados. Para previsão, o piso prático é ter dois ciclos completos do fenômeno, então negócio com sazonalidade anual precisa de dois anos, não de dois meses com muito volume.
O que significa preparar os dados para IA?
É decidir três coisas antes de contratar ferramenta: onde cada informação nasce, o que exatamente ela significa e quem responde por ela quando diverge. Nenhuma das três é trabalho de tecnologia, e é por isso que a maioria dos projetos descobre o problema tarde, depois de já ter pago licença.
