Qualidade de Dados: Como Medir e Melhorar (as 6 Dimensões)

Qualidade de dados é o grau em que uma informação está completa, correta, consistente, atualizada, única e no formato esperado para o uso a que se destina. Um dado de boa qualidade é aquele em que um gestor pode confiar na hora de decidir, sem precisar checar na planilha ao lado se o número bate.

O problema é que qualidade de dados raramente aparece como prioridade até o dia em que um relatório errado chega à diretoria, um cliente recebe uma cobrança duplicada ou um modelo de IA aprende com uma base cheia de furos. Este guia explica as seis dimensões que definem um dado de qualidade, como medir isso na prática com um score, quanto custa ignorar o problema e um roteiro de 90 dias para colocar ordem na casa.

O que é qualidade de dados, na prática?

Qualidade de dados é a medida de quão apto um conjunto de dados está para o propósito ao qual se destina: decisão, relatório, automação ou alimentação de um modelo. Não existe qualidade “no vácuo”: um dado pode ser bom o suficiente para um painel gerencial simples e insuficiente para calcular comissão de vendedor ou treinar um agente de IA.

Isso muda a pergunta que toda empresa deveria fazer. Não é “nossos dados são bons?”, e sim “nossos dados são bons o suficiente para a decisão que dependem deles?”. A resposta exige medir, não achar.

As 6 dimensões da qualidade de dados

Existem frameworks mais extensos (o DAMA-DMBOK, referência da área de gestão de dados, chega a listar onze dimensões), mas seis delas concentram a maior parte dos problemas encontrados no dia a dia de empresas que ainda não têm um programa formal de qualidade de dados.

Completude

Completude mede se os campos que deveriam estar preenchidos, estão. Um cadastro de cliente sem CNPJ, um pedido sem data de entrega, uma venda sem vendedor associado: cada campo vazio é uma decisão que não pode ser tomada com segurança sobre aquele registro.

Unicidade

Unicidade garante que cada registro exista apenas uma vez. Duplicidade de cliente, produto ou transação é uma das causas mais comuns de números inflados em relatórios de vendas e de retrabalho manual para “limpar” a base antes de qualquer análise.

Consistência

Consistência significa que o mesmo dado, quando registrado em sistemas ou momentos diferentes, segue as mesmas regras e não se contradiz. É a consistência que garante que “cliente ativo” signifique a mesma coisa no CRM e no ERP, e não uma definição em cada sistema.

Validade

Validade avalia se o dado está no formato, tipo ou faixa de valor esperada: um CPF com o número de dígitos correto, uma data que realmente existe no calendário, um percentual de desconto entre 0 e 100. Dado inválido quebra pipelines e distorce cálculos antes mesmo de chegar ao relatório final.

Atualidade

Atualidade mede se o dado reflete a realidade no momento em que é consultado. Um cadastro de estoque atualizado uma vez por semana pode ser atual o suficiente para um relatório gerencial e completamente inadequado para uma decisão de e-commerce em tempo real.

Acurácia

Acurácia é o quanto o dado registrado corresponde ao evento real que ele descreve. Um valor de venda digitado errado, um endereço de entrega desatualizado ou uma métrica calculada com a fórmula errada são, todos, problemas de acurácia: o dado existe, está no formato certo, mas não é verdadeiro.

Como medir qualidade de dados: o score na prática

Um score de qualidade de dados é calculado aplicando regras objetivas a cada dimensão, sobre uma amostra ou sobre a base completa, e consolidando o resultado em um indicador único por tabela, domínio ou processo de negócio.

Na prática, isso significa transformar cada dimensão em uma regra testável:

Completude: percentual de registros com todos os campos obrigatórios preenchidos.
Unicidade: percentual de registros sem duplicidade, identificados por chave de negócio (não apenas ID técnico).
Consistência: percentual de registros que respeitam regras de integridade entre sistemas (por exemplo, todo pedido no ERP tem um cliente correspondente no CRM).
Validade: percentual de valores dentro do formato e da faixa esperada para o campo.
Atualidade: tempo médio entre o evento de negócio e o dado estar disponível para consulta.
Acurácia: percentual de amostras auditadas manualmente que batem com a fonte primária (nota fiscal, contrato, sistema de origem).

Cada regra vira um percentual, e a média ponderada pelas dimensões mais críticas para aquele domínio de negócio forma o score. Não existe um “score ideal” universal: o que importa é medir de forma consistente ao longo do tempo e priorizar as dimensões que mais afetam a decisão que aquele dado sustenta.

O custo do dado ruim

O custo do dado ruim é real, mensurável e, na maioria das empresas, invisível até virar um problema grande demais para ignorar. Segundo o Gartner, a má qualidade de dados custa às organizações, em média, entre US$ 12,9 milhões e US$ 15 milhões por ano, somando perda de receita, ineficiência operacional, não conformidade regulatória e dano à reputação, segundo análise consolidada pela IBM sobre o custo da má qualidade de dados. Um estudo do MIT Sloan Management Review, em parceria com a Cork University Business School, estima que empresas perdem entre 15% e 25% da receita anual por causa de dados de baixa qualidade.

Esses números crescem, não encolhem, à medida que a empresa investe em automação e IA. Um agente de IA que decide sobre uma base com problema de acurácia não questiona o dado, ele executa a decisão errada em escala e em velocidade, o que torna qualidade de dados um pré-requisito, não um projeto paralelo, para qualquer iniciativa mais ambiciosa de automação.

Testes automatizados de qualidade no pipeline

A forma mais eficiente de manter qualidade de dados não é auditoria manual periódica, é testar automaticamente dentro do próprio pipeline, antes que o dado ruim chegue ao relatório ou ao modelo. Isso significa validar completude, formato e regras de negócio na ingestão, bloquear ou sinalizar registros fora do esperado, e alertar o time responsável quando a taxa de falha ultrapassa um limite aceitável, em vez de deixar o dado seguir silenciosamente até o dashboard.

Esse tipo de controle se conecta diretamente à forma como o pipeline é desenhado e orquestrado. Sem um pipeline de dados bem estruturado e sem orquestração com monitoramento, qualquer teste de qualidade vira uma verificação manual que alguém precisa lembrar de rodar, o que é, em si, mais um risco de qualidade.

Quem é dono da qualidade dos dados?

Qualidade de dados não é responsabilidade exclusiva do time de TI ou de engenharia de dados. É responsabilidade compartilhada entre quem gera o dado na ponta (vendas, atendimento, operação), quem estrutura e trata o dado (engenharia e analytics) e quem define as regras de negócio que determinam o que é “correto” (as áreas dona do processo).

Na prática, isso funciona melhor quando existe um “data owner” por domínio de negócio: uma pessoa ou área responsável por definir as regras de qualidade daquele domínio (o que é um cliente válido, o que é uma venda completa) e por aprovar mudanças nessas regras. Sem essa clareza, cada área aponta para a outra quando um número não bate, e ninguém corrige a causa raiz.

Roadmap de 90 dias para melhorar a qualidade de dados

Um programa de qualidade de dados não precisa começar grande. Um roteiro realista de 90 dias prioriza o domínio de negócio mais crítico primeiro, em vez de tentar corrigir tudo ao mesmo tempo:

Dias 1 a 15: diagnóstico. Escolher um domínio de negócio de alto impacto (vendas, faturamento, cadastro de clientes) e medir o score atual nas seis dimensões.
Dias 16 a 30: priorização. Identificar as duas ou três causas raiz que mais derrubam o score (por exemplo, cadastro duplicado de clientes ou campos obrigatórios não validados no ponto de entrada).
Dias 31 a 60: correção e automação. Implementar testes automatizados de qualidade no pipeline para essas causas raiz, com alerta automático quando o limite de falha for ultrapassado.
Dias 61 a 75: definição de donos. Estabelecer quem é o data owner de cada domínio priorizado e formalizar as regras de qualidade aceitas.
Dias 76 a 90: monitoramento contínuo. Publicar o score de qualidade como indicador recorrente, revisado mensalmente, e expandir o programa para o próximo domínio de negócio.

Esse roteiro só funciona de forma sustentável quando está apoiado em governança de dados formalizada, com papéis, políticas e processos claros, e quando a empresa trabalha para ter uma única fonte da verdade por métrica de negócio, em vez de várias versões divergentes do mesmo número.

Perguntas frequentes sobre qualidade de dados

O que é qualidade de dados, em resumo?
É o grau em que um dado está completo, correto, consistente, atualizado, único e no formato certo para o uso que se pretende dar a ele, seja um relatório, uma decisão ou a alimentação de um modelo de IA.

Quais são as principais dimensões da qualidade de dados?
As seis mais usadas no dia a dia são completude, unicidade, consistência, validade, atualidade e acurácia. Frameworks mais completos, como o DAMA-DMBOK, chegam a listar onze dimensões.

Como calcular um score de qualidade de dados?
Transformando cada dimensão em uma regra testável (por exemplo, percentual de campos obrigatórios preenchidos) e consolidando os resultados em um indicador único por tabela ou domínio de negócio, revisado periodicamente.

Quanto custa a má qualidade de dados para uma empresa?
Segundo o Gartner, entre US$ 12,9 milhões e US$ 15 milhões por ano, em média, considerando perda de receita, ineficiência operacional e não conformidade regulatória. O MIT Sloan estima perdas de 15% a 25% da receita anual.

Qualidade de dados é a mesma coisa que governança de dados?
Não. Governança de dados é o conjunto de políticas, papéis e processos que definem como os dados são geridos. Qualidade de dados é uma das dimensões que a governança busca garantir, junto com segurança, conformidade e disponibilidade.

Se sua empresa não sabe, com números, qual é o nível real de qualidade dos seus dados, esse é o primeiro sintoma de que decisões estão sendo tomadas com mais confiança do que os dados merecem. A beAnalytic estrutura testes de qualidade, papéis de governança e pipelines confiáveis para que o dado que chega ao dashboard seja um dado em que se pode confiar. Conheça a consultoria de Engenharia de Dados da beAnalytic ou fale com um especialista.

Daniel Luz

CEO beAnalytic at beAnalytic – [email protected]

CEO da beAnalytic. Na liderança da empresa há mais de 6 anos, minha missão é transformar a forma como as organizações enxergam e utilizam dados para tomar decisões estratégicas. Ajudo empresas a destravar insights valiosos, impulsionar eficiência operacional e gerar impacto financeiro real, com uma equipe especializada em Business Intelligence, Engenharia de Dados e Machine Learning.