Em algum momento, toda operação passa a depender de dados para decidir, e é nessa etapa que surge um risco pouco visível: assumir que esses dados estão corretos. E é quando diferentes fontes começam a divergir, métricas não fecham ou previsões falham sem explicação clara, que a data quality (ou qualidade de dados) passa a atuar, sustentando decisões mais certeiras.
Para se ter uma ideia da importância, segundo a Gartner, organizações perdem, em média, US$12,9 milhões por ano devido à má qualidade de dados, um impacto que raramente aparece de forma explícita, mas que pode se acumular em decisões equivocadas, retrabalho e perda de oportunidades.
Por isso, hoje em dia a qualidade dos dados é um critério operacional essencial para sustentar decisões confiáveis.
Neste guia, você vai entender como avaliar a qualidade dos seus dados a partir de seis dimensões essenciais, como medir cada uma delas e quais caminhos seguir para evoluir até decisões mais assertivas de forma prática:
O que é Data Quality?
Data quality, ou qualidade de dados, refere-se ao grau em que um conjunto de dados é adequado para o uso pretendido. Em outras palavras, não se trata apenas de ter dados disponíveis, mas de garantir que eles sejam confiáveis o suficiente para sustentar decisões.
Na prática, isso significa que dados de qualidade são aqueles que atendem a critérios como consistência, completude, atualidade e precisão, sempre em função de um objetivo específico.
Um dado pode ser “bom o suficiente” para um relatório operacional, mas inadequado para uma decisão estratégica. Por isso, ao longo do conteúdo, vamos detalhar como esses critérios se aplicam na prática e como definir essa régua dentro do contexto do seu negócio:
A qualidade nasce da regra de negócio
Um erro comum é tratar data quality como um problema exclusivamente técnico, sendo que, na prática, a régua de qualidade não começa na tecnologia: ela começa no negócio. Ou seja:
- Quem consome o dado define o que é “aceitável”;
- Cada uso exige critérios diferentes de qualidade;
- As regras precisam refletir objetivos reais da operação.
A partir disso, entra o papel da tecnologia: traduzir essas regras em validações automáticas dentro dos sistemas e da arquitetura de dados.
- Vale a distinção: qualidade de software trata do produto, enquanto data quality trata do insumo que ele processa.
Qual a diferença entre data quality, integridade de dados e perfilamento de dados?
Embora estejam relacionados, data quality, integridade de dados e perfilamento de dados atuam em momentos diferentes da gestão das informações. Enquanto data quality (qualidade de dados) é o conceito mais amplo e representa o nível de adequação dos dados ao uso esperado, a integridade de dados está relacionada à preservação da estrutura e da confiabilidade ao longo do ciclo de vida. Já o perfilamento de dados (data profiling) é uma etapa de diagnóstico que analisa uma base para entender seu estado atual.
Entenda melhor essas diferenças:
| Conceito | O que avalia | Principal objetivo | Exemplo prático |
| Data quality | Se o dado está adequado ao uso | Garantir que as informações sejam confiáveis para decisões e processos | Verificar se o cadastro de clientes possui informações corretas, completas e atualizadas |
| Integridade de dados | Se o dado mantém sua estrutura e confiabilidade ao longo do tempo | Evitar alterações indevidas, perdas ou inconsistências entre sistemas | Garantir que uma integração entre CRM e ERP não modifique ou perca informações de clientes |
| Perfilamento de dados | O estado atual da base e seus padrões | Identificar problemas e oportunidades de melhoria | Encontrar registros duplicados, campos vazios ou formatos diferentes de telefone |
6 dimensões da qualidade de dados
Como já citamos acima, é importante estabelecer critérios objetivos para avaliar a qualidade das informações e identificar onde estão os problemas. É nesse contexto que entram as seis dimensões de qualidade de dados: exatidão, completude, consistência, atualidade, unicidade e validade.
Cada dimensão avalia um aspecto diferente do dado e ajuda a responder se aquela informação está realmente adequada ao uso, além de permitir a criação de métricas para priorizar correções de acordo com o impacto no negócio. Entenda:
1. Exatidão
A exatidão mostra se o dado representa corretamente a realidade que deveria retratar. Um endereço cadastrado que não existe ou um valor de pedido diferente do que foi realmente faturado são exemplos de informações que falham nesse critério.
Para avaliar a exatidão de dados, é necessário comparar os registros com fontes confiáveis de referência, como:
- Documentos de origem;
- Bases oficiais;
- Sistemas considerados como fonte principal da informação.
2. Completude
A completude está relacionada ao quanto uma informação possui todos os dados necessários para cumprir sua finalidade. Um cadastro de cliente sem CNPJ ou cidade, por exemplo, pode comprometer análises de segmentação, processos de cobrança e decisões comerciais.
Por isso, a avaliação deve verificar se os campos críticos para cada processo possuem as informações necessárias.
3. Consistência
A consistência garante que um mesmo dado mantenha o significado e valor em diferentes sistemas ou bases. Quando o CRM apresenta um limite de crédito e o ERP apresenta outro, por exemplo, a operação precisa interromper o processo até definir qual informação deve ser considerada correta.
Esse problema é comum em ambientes com ferramentas desconectadas e reforça a importância da integração de sistemas e dados.
4. Atualidade
A atualidade avalia se o dado está atualizado o suficiente para o contexto em que será utilizado. Uma informação de estoque atualizada diariamente pode ser adequada para um relatório gerencial, mas insuficiente para uma operação de vendas que precisa de disponibilidade em tempo real.
Por isso, a data quality depende da frequência de atualização esperada pelo negócio e do tempo máximo aceitável entre uma alteração e sua disponibilização.
5. Unicidade
A unicidade garante que cada entidade esteja representada uma única vez na base, evitando duplicidades que comprometem análises e processos: um cliente cadastrado várias vezes com pequenas diferenças de nome, por exemplo, pode gerar uma visão incorreta da carteira, dificultar o relacionamento e aumentar custos operacionais.
Para evitar esse problema, são necessárias:
- Regras de identificação;
- Chaves únicas;
- Processos contínuos de deduplicação.
6. Validade
A validade verifica se o dado segue os formatos, padrões e regras definidos para aquele campo. Um CPF com estrutura inválida, uma data de nascimento futura ou uma quantidade negativa em um pedido são exemplos de informações que não atendem a esse critério.
Como depende de regras objetivas, essa dimensão costuma ser uma das mais simples de automatizar, permitindo bloquear ou corrigir inconsistências já no momento da entrada do dado.
Qual é o princípio da qualidade de dados?
O princípio central da qualidade de dados é a adequação ao uso. Ou seja: um dado só pode ser considerado de qualidade quando atende ao objetivo para o qual foi criado, permitindo que uma decisão ou processo seja executado com segurança, sem depender de conferências manuais, ajustes paralelos ou correções constantes.
Em outras palavras, qualidade de dados v apenas ter vai além de ter informações completas ou armazenadas corretamente: significa garantir que os dados sejam confiáveis no momento em que são utilizados.
Esse princípio traz duas implicações práticas para a gestão da qualidade de dados:
1. A qualidade do dado é definida pelo contexto de uso
Um dado não é “bom” ou “ruim” de forma absoluta. A qualidade depende de quem utiliza aquela informação e qual decisão precisa ser tomada a partir dela.
- Por exemplo: um campo de cadastro pode ser suficiente para uma área de marketing, mas não atender aos critérios necessários para uma análise financeira ou uma operação de risco.
Por isso, o padrão de qualidade precisa ser definido junto às áreas consumidoras do dado. A tecnologia garante a estrutura e os controles, mas é o negócio que determina quais informações são confiáveis o bastante para sua operação.
2. A qualidade precisa ser garantida na origem do dado
Se a qualidade depende da confiabilidade da informação no momento do uso, corrigir erros apenas em relatórios ou dashboards significa atuar depois que o problema já se espalhou. Por isso, as iniciativas mais eficientes de qualidade de dados atuam antes da informação chegar às camadas analíticas, com práticas como:
- Validação no momento da entrada de dados (cadastros, formulários e integrações);
- Aplicação de regras durante processos de ingestão e transformação;
- identificação e tratamento de inconsistências antes que elas avancem para outros sistemas.
Por que tratar a qualidade na origem?
Tratar a qualidade na origem custa menos e evita a propagação do erro para todos os sistemas conectados. Na prática, a limpeza e a padronização automáticas acontecem no momento da ingestão, quando o registro ainda está isolado, em vez de virarem ajuste manual na camada de relatório.
Leia também: Como a Unilever reduziu em 80% o tempo de pricing com a UDS.
Quais os benefícios de dados de qualidade?
Dados de qualidade reduzem custo operacional e aumentam a velocidade de decisão, porque eliminam a conferência que consome horas dos times de análise. Assim, podemos citar que os ganhos aparecem em principais cinco frentes:
- Decisões de negócio mais rápidas, sem disputa sobre qual número vale;
- Menos retrabalho em conciliação, cobrança e atendimento;
- Previsões com resultado confiável;
- Conformidade com a LGPD, com dado correto e rastreável;
- Menor custo de armazenamento, sem duplicidade acumulada.
Como medir a qualidade de dados?
A medição de data quality converte cada dimensão em percentual de conformidade, com a fórmula registros aprovados dividido pelo total avaliado. O ponto de partida é o perfilamento da base, que revela o estado atual, seguido de regras automáticas que rodam a cada carga e alimentam um painel.
| Dimensão | Métrica prática | Meta comum |
| Exatidão | Registros conferidos contra fonte de referência | Acima de 95% |
| Completude | Campos críticos preenchidos | Acima de 98% |
| Consistência | Registros iguais entre sistemas | Acima de 97% |
| Atualidade | Cargas dentro da janela acordada | Acima de 99% |
| Unicidade | Base livre de duplicidade | Acima de 99% |
| Validade | Registros dentro do formato esperado | 100% |
Quais são os 4 tipos de indicadores?
Os quatro tipos clássicos de indicadores são produtividade, qualidade, capacidade e estratégicos, e todos se aplicam a um programa de data quality. A escolha define o que a diretoria enxerga no painel:
- Produtividade: horas gastas em correção manual de base;
- Qualidade: percentual de conformidade por dimensão;
- Capacidade: volume de registros validados por carga;
- Estratégicos: impacto em receita, risco e custo evitado.
Como melhorar a qualidade dos dados?
A melhoria de data quality segue um ciclo: diagnóstico, definição de regras, correção na origem, automação da validação e monitoramento. Sem o último passo, a base volta ao estado anterior em poucos meses, porque o dado se degrada de forma contínua:
- Perfilamento da base para dimensionar o problema por sistema;
- Definição de regras de negócio com as áreas que usam o dado;
- Correção do passivo, com prioridade nos campos críticos;
- Validação automática na entrada e na ingestão;
- Monitoramento com alerta por dimensão e responsável definido.
Governança de dados com a UDS
Um programa de data quality entrega resultado quando junta regra de negócio, automação e responsável por cada base. É esse desenho que separa a empresa que discute número da empresa que decide com ele. Na UDS, isso não acontece de forma isolada: a qualidade de dados é construída dentro de uma estratégia mais ampla, que integra governança, engenharia, arquitetura e consumo de dados — e garantindo que o dado percorra todo o ciclo, da origem à decisão, com consistência.
Com atuação que vai de estratégia e data discovery até BI e analytics, a UDS conecta essas frentes em uma abordagem única, combinando Desenvolvimento de Software, Cloud e Inteligência Artificial para estruturar, validar e escalar o uso de dados na operação.
- Vale conhecer o portfólio da UDS e falar com um especialista sobre o cenário da sua operação.
FAQ sobre qualidade de dados
Quais são os 4 tipos de dados?
Na estatística, os quatro tipos são qualitativos nominais (categorias sem ordem, como estado civil), qualitativos ordinais (com ordem, como grau de satisfação), quantitativos discretos (contagens inteiras, como número de pedidos) e quantitativos contínuos (medidas fracionadas, como peso e valor). Na engenharia de dados, a classificação mais usada é outra: estruturados, semiestruturados e não estruturados.
Quais são os 7 pilares da qualidade?
A expressão costuma se referir aos sete princípios da gestão da qualidade da ISO 9001: foco no cliente, liderança, engajamento das pessoas, abordagem de processo, melhoria, decisão baseada em evidência e gestão de relacionamento. Aplicados a dados, alguns frameworks acrescentam integridade referencial às seis dimensões descritas neste conteúdo, o que forma um conjunto de sete critérios.
O que faz o especialista em qualidade de dados?
O especialista define as regras de qualidade com as áreas de negócio, executa o perfilamento das bases, implanta validações automáticas e acompanha os indicadores por dimensão. Ele também investiga a causa raiz de cada desvio, atua junto de quem opera o sistema de origem e mantém a documentação de regras atualizada.
Por que é essencial realizar auditorias de qualidade de dados?
Porque o dado se degrada continuamente, com mudança de cadastro, troca de sistema e entrada manual. A auditoria periódica mostra o tamanho do passivo, aponta em qual sistema o erro nasce e evita que a base volte ao estado anterior depois de uma limpeza pontual. Sem auditoria, o problema só aparece quando a decisão já foi tomada.
Qual a solução para a má qualidade de dados?
Não existe solução única. O caminho combina três frentes: correção do passivo existente, validação automática na entrada e na ingestão para impedir novos erros e governança, com responsável nomeado por base e indicadores acompanhados. Ferramentas ajudam na execução, mas não substituem a definição da regra de negócio.
Como a qualidade de dados ajuda na identificação de produtos?
Cadastro de produto com dado padronizado permite identificar cada item de forma única, por código próprio ou padrão de mercado como o GTIN. Sem isso, o mesmo produto aparece duplicado com descrições diferentes, o que quebra controle de estoque, comparação de preço e integração com marketplaces.
