---
title: "Calidad del dato: dimensiones, métricas y por dónde empezar"
description: "Las dimensiones de calidad de DAMA, cómo controlarlas con reglas en herramientas como Microsoft Purview, qué métricas seguir y los cuatro controles con los que empezar sin complicarse."
url: https://bidatia.com/ideas/calidad-del-dato-dimensiones-metricas
lang: es
date: 2026-05-12
updated: 2026-11-04
author: "Santos Vicente"
keywords: ["calidad del dato", "data quality", "dimensiones de calidad dama", "kqi", "microsoft purview data quality", "une 0079", "reglas de calidad de datos"]
publisher: Bidatia
---

# Calidad del dato: dimensiones, métricas y por dónde empezar

> Las dimensiones de calidad de DAMA, cómo controlarlas con reglas en herramientas como Microsoft Purview, qué métricas seguir y los cuatro controles con los que empezar sin complicarse.

## Resumen ejecutivo

- La calidad del dato es el grado en que un dato cumple los requisitos para su uso y se gestiona con un modelo de políticas, procesos y responsables, no con limpiezas puntuales.
- Dimensiones de DAMA: exactitud, completitud, consistencia, actualidad, unicidad, validez e integridad, cada una con su tipo de regla.
- Los resultados de las reglas generan indicadores de calidad (KQI) con objetivos, umbrales y severidad (bloqueante, grave, aviso).
- Para empezar bastan cuatro controles (duplicados, actualización, campos obligatorios y formatos) aplicados primero a los datos de los sistemas de IA y a las fuentes de autoridad.
- Incluye reglas de ejemplo por dimensión, el circuito de una incidencia, ficha de un KQI, recorrido por niveles de madurez y herramientas por capa (Purview, Great Expectations, Power BI).

La calidad del dato es el grado en que un dato cumple los requisitos para su uso. No es un ideal abstracto: es la diferencia entre un cuadro de mando en el que confía la dirección y otro que nadie mira, o entre un asistente de IA que acierta y otro que inventa.

## Un modelo de calidad, no una limpieza puntual

Limpiar los datos una vez no sirve si el origen sigue generando errores. Un modelo de calidad reúne políticas, procesos y responsables:

- **Quién define las reglas**: el equipo de gobierno del dato; el responsable de gobierno del dato las define y los custodios las implementan.
- **Quién valida**: propietarios y administradores reciben los indicadores, validan funcionalmente y comunican impactos.
- **Cómo se detectan los problemas**: alertas automáticas de las herramientas más el contraste funcional de quien conoce el dato.
- **Cómo se resuelven**: el responsable de gobierno prioriza y sigue la incidencia; el custodio la corrige; el administrador confirma que está resuelta.
- **Cómo se mejora**: una hoja de ruta priorizada de mejoras, ejecutada por ciclos.

## Las dimensiones de calidad

| Dimensión | Pregunta | Ejemplo de control | Tipo de regla |
|---|---|---|---|
| Exactitud | ¿El valor refleja la realidad? | Coincide con una fuente de verdad | Personalizada |
| Completitud | ¿Están los valores obligatorios? | Campos obligatorios no vacíos, contando los nulos disfrazados | Campos vacíos |
| Consistencia | ¿Son coherentes entre sí y entre sistemas? | La fecha de baja es posterior a la de alta | Tipo de dato o personalizada |
| Actualidad | ¿Está al día? | El dataset se actualiza con la periodicidad prevista | Actualización |
| Unicidad | ¿Cada cosa aparece una vez? | Clave primaria sin duplicados | Valores únicos o filas duplicadas |
| Validez | ¿Cumple el formato? | Formato de correo, DNI o código postal | Coincidencia de formato |
| Integridad | ¿Se sostienen las relaciones? | La clave existe en la tabla maestra | Búsqueda en tabla |

## Métricas: de las reglas a los indicadores

Los resultados de las reglas se convierten en **indicadores de calidad (KQI)** de cada dataset:

- Porcentaje de valores vacíos en campos obligatorios.
- Porcentaje de duplicados.
- Porcentaje de registros con formato válido.
- Porcentaje de integridad referencial.
- Porcentaje de cumplimiento: reglas cumplidas sobre el total.

Se publican en el cuadro de mando del gobierno del dato y se revisan en el comité, con umbrales que disparan alertas.

## Lo que pueden y no pueden hacer las herramientas

Herramientas de catálogo con funciones de calidad, como Microsoft Purview Data Quality, permiten definir reglas, ejecutarlas, generar alertas y asignar acciones. Pero sus reglas son sobre todo **validaciones sencillas sobre un dataset**: vacíos, rangos, listas, recuentos o duplicados. Los controles con lógica de negocio compleja, o que comparan varios sistemas, se implementan en los propios procesos de datos o con herramientas específicas como Great Expectations o Pandera.

## Por dónde empezar

El error habitual es querer medirlo todo. Funciona mejor empezar con cuatro controles que la herramienta configura directamente:

1. **Duplicados por clave**, para garantizar la unicidad.
2. **Actualización**, para comprobar que los datasets llegan cuando deben.
3. **Campos obligatorios**, para detectar vacíos.
4. **Formatos básicos**, para la validez.

Y aplicarlos primero a dos tipos de datos: los que usan los **sistemas de IA** y las **fuentes de autoridad** (el dato único de cada entidad). El resto se amplía a medida que el modelo madura.

## Una regla de ejemplo por dimensión

Para un dataset de clientes, así se traducirían las dimensiones en reglas concretas:

| Dimensión | Regla | Severidad |
|---|---|---|
| Completitud | El NIF no puede estar vacío, ni contener «0», «000000000» o «SIN NIF» | Bloqueante |
| Unicidad | No puede haber dos clientes activos con el mismo NIF | Grave |
| Validez | El correo electrónico cumple el formato; el código postal tiene cinco dígitos | Aviso |
| Consistencia | La fecha de baja es posterior a la de alta | Grave |
| Integridad | El código de municipio existe en la tabla de municipios | Grave |
| Actualidad | El dataset se ha cargado en las últimas 24 horas | Bloqueante |
| Exactitud | El total de clientes activos coincide con el del sistema de origen (±0,5 %) | Aviso |

La severidad decide la respuesta: una regla **bloqueante** detiene la carga y avisa al propietario del dato; una **grave** solo deja continuar con aprobación expresa; un **aviso** se registra y sigue.

## El circuito de una incidencia de calidad

1. **Detección**: salta una regla, o un administrador del dato ve algo que no cuadra en un informe.
2. **Registro**: la incidencia entra por la herramienta de peticiones con su dataset, dimensión afectada, impacto y urgencia.
3. **Análisis**: el administrador ayuda a valorar el impacto funcional; el custodio busca la causa técnica.
4. **Corrección**: en el origen siempre que sea posible. Corregir solo en la plataforma de datos es un parche que se repetirá en la siguiente carga.
5. **Validación**: el administrador confirma que el problema está resuelto.
6. **Prevención**: si no existía, se crea la regla que lo habría detectado.
7. **Información**: los propietarios reciben periódicamente el estado y las tendencias.

## Cómo describir un indicador de calidad

Igual que cualquier otro indicador, un KQI necesita una ficha clara:

| Elemento | Ejemplo: completitud del NIF de clientes |
|---|---|
| Qué se mide | Porcentaje de clientes activos con un NIF informado y válido |
| Cómo se mide | Clientes activos con NIF válido entre clientes activos totales |
| Unidad | Porcentaje |
| Umbrales | Objetivo ≥ 99,5 %; alerta por debajo del 98 % |
| Interpretación | Una caída suele indicar un cambio en el formulario de alta o en la carga |

## Calidad y madurez

En la evaluación de madurez del gobierno del dato (UNE 0080), la gestión de la calidad es de los procesos que más pesan. Un recorrido realista:

- **Nivel 2**: primeras reglas en los datos críticos y responsables identificados.
- **Nivel 3**: modelo corporativo de calidad, dimensiones y procesos definidos para toda la organización.
- **Nivel 4**: indicadores con objetivos y umbrales, cuadro de mando y análisis de causas.
- **Nivel 5**: mejora continua y calidad gestionada para obtener el máximo valor del dato.

## Herramientas en cada capa

- **En el catálogo** (Microsoft Purview Data Quality, OpenMetadata): reglas sencillas, alertas y seguimiento visible para el negocio.
- **En los procesos de carga** (Great Expectations, Pandera, validaciones en notebooks o pipelines de Fabric): reglas complejas, comparaciones entre sistemas y bloqueo de cargas.
- **En el cuadro de mando del gobierno del dato** (Power BI): la evolución de los indicadores por dominio y producto.

## Errores frecuentes

- **Medir sin dueño**: una alerta que no recibe nadie no sirve de nada.
- **Corregir siempre en destino** y nunca en el sistema de origen.
- **Reglas que no cuentan los nulos disfrazados**: un «999» o un «01/01/1900» pasan cualquier control de campo vacío.
- **Cien reglas el primer mes** y ninguna mantenida al sexto.
- **Un porcentaje global de calidad** que oculta que un dato crítico está mal.

## La calidad empieza en el desarrollo

Cada producto de datos debe incluir desde su construcción controles de formato y valores, completitud, duplicados y coherencia entre datasets. Y cada problema que se encuentre debe convertirse en una regla automática, con responsable y severidad, para que no vuelva a aparecer. Lo explicamos con más detalle en [sesgos y problemas de datos que hacen fallar a la IA](/ideas/sesgos-y-calidad-de-datos-en-ia).

## Equilibrio con la protección de datos

La AEPD recuerda que la calidad técnica no debe llevar a una exigencia desproporcionada que choque con la minimización: no se trata de recoger más datos para que estén «más completos», sino de que los necesarios sean correctos.

En Bidatia implantamos modelos de calidad del dato con Microsoft Purview, OpenMetadata y validaciones automatizadas, alineados con DAMA y la UNE 0079. Para el marco completo, consulta [gobierno del dato: perfiles y organización](/ideas/gobierno-del-dato-roles-y-organizacion) y [datos maestros y fuentes de autoridad](/ideas/datos-maestros-y-fuentes-de-autoridad).

## Preguntas frecuentes

### ¿Cuáles son las dimensiones de calidad del dato?
Las más usadas, según DAMA, son exactitud, completitud, consistencia, actualidad, unicidad, validez e integridad referencial.

### ¿Qué es un KQI?
Un indicador clave de calidad: mide el cumplimiento de las reglas de calidad de un dataset o producto de datos en una o varias dimensiones.

### ¿Microsoft Purview sirve para controlar la calidad del dato?
Sí, para validaciones sencillas sobre datasets: vacíos, duplicados, formatos, rangos y actualización. Las reglas de negocio complejas o entre sistemas se implementan en los procesos de datos o con herramientas específicas.

### ¿Por qué controles empiezo?
Por cuatro: duplicados por clave, actualización, campos obligatorios y formatos básicos, aplicados primero a los datos que usan los sistemas de IA y a las fuentes de autoridad.

### ¿Qué norma cubre la gestión de la calidad del dato?
La especificación UNE 0079, junto con la UNE 0077 (gobierno) y la UNE 0078 (gestión). La UNE 0080 permite evaluar la madurez de esos procesos.