O que é qualidade de dados? Dimensões, métricas e como melhorar

Qualidade de dados é o grau em que uma informação está correta, completa, válida, consistente, única, atualizada e adequada ao uso que o negócio pretende fazer dela. Um dado não é “bom” apenas porque existe no sistema: ele precisa representar a realidade, obedecer às regras e chegar a tempo de sustentar processos, decisões, relatórios, automações e inteligência artificial.

Em termos práticos, qualidade de dados responde a perguntas como: este cliente é realmente quem diz ser? O endereço está completo? O fornecedor aparece duplicado? O material segue o padrão? ERP e CRM concordam sobre a mesma entidade? A informação estava correta na data da operação?

O que significa qualidade de dados?

Qualidade não é uma propriedade absoluta. Ela depende do contexto e do uso. Um telefone desatualizado talvez não impeça uma análise financeira histórica, mas pode inviabilizar uma campanha de relacionamento. Um endereço sem complemento pode ser suficiente para segmentação regional e insuficiente para uma entrega.

Por isso, uma definição operacional deve combinar três elementos:

• requisito: o que o dado precisa atender;
• medida: como verificar o atendimento;
• limite: qual resultado é aceitável para aquele processo.

A IBM resume qualidade como a capacidade de um conjunto de dados atender a critérios como precisão, completude, validade, consistência, unicidade, atualidade e adequação ao propósito. Não há uma lista universal para todas as empresas; as dimensões devem refletir o risco e a finalidade.

As seis dimensões centrais da qualidade de dados

Outras dimensões podem ser relevantes: integridade referencial, rastreabilidade, disponibilidade, cobertura, conformidade, relevância e representatividade. Em IA, também ganham importância viés, qualidade de rótulos e ruído.

Para aprofundar, veja as dimensões de qualidade de dados recomendadas.

Como medir qualidade de dados?

Comece pelos elementos críticos de dados — aqueles que, quando errados, interrompem processos, elevam risco ou distorcem decisões. Para cada elemento, associe uma regra, uma dimensão, um responsável e uma meta.

Exemplo de completude

Completude = registros com o campo obrigatório preenchido ÷ registros em escopo × 100.

Se 9.700 de 10.000 clientes ativos possuem município preenchido, a completude é 97%. Isso não prova que os municípios estão corretos; mede apenas presença. Precisão e validade exigem testes diferentes.

Exemplo de validade

Validade = valores que atendem à regra ÷ valores avaliados × 100.

A regra pode verificar formato, faixa, lista permitida, dígito verificador ou coerência temporal. Um campo preenchido com “não informado” pode elevar completude e continuar inválido.

Exemplo de unicidade

A unicidade pode considerar registros duplicados confirmados e pares suspeitos. Matching deve combinar identificadores, nomes, endereços e contexto, com revisão humana nos casos ambíguos. Apagar duplicados sem avaliar relacionamentos, histórico e sobrevivência pode causar perda de informação.

Qualidade de dados versus integridade de dados

Integridade verifica se estruturas e relacionamentos permanecem corretos: chaves válidas, referências existentes, histórico preservado e alterações controladas. Qualidade é mais ampla e avalia se o dado serve ao propósito. Uma tabela pode estar tecnicamente íntegra e conter telefones antigos, nomes incompletos ou classificações inadequadas.

Qualidade de dados versus saneamento

Saneamento de dados é o conjunto de ações para identificar, corrigir, normalizar, enriquecer, deduplicar e validar informações existentes. Qualidade de dados inclui o saneamento, mas também prevenção, métricas, governança, monitoramento e melhoria contínua.

Em resumo: saneamento corrige o estoque de problemas; gestão da qualidade também corrige o processo que produz os problemas.

Qualidade de dados e governança

A governança de dados define quem decide, quais políticas valem, quem responde e como exceções são tratadas. A qualidade transforma essas decisões em regras mensuráveis e controles operacionais.

• Data owner: aprova requisitos, prioridades e limites.
• Data steward: acompanha indicadores, problemas e planos de ação.
• Negócio: explica o contexto e valida se a informação serve ao processo.
• Tecnologia: implementa validações, observabilidade, integrações e segurança.
• Produtor do dado: corrige causas no ponto de criação.

Como implementar um programa de qualidade de dados

1. Escolha um processo e uma dor real

Comece por um problema mensurável: nota rejeitada, entrega devolvida, pagamento duplicado, item comprado duas vezes, cliente sem contato válido ou relatório que não fecha.

2. Defina o escopo

Selecione domínio, sistema, processo e período. “Melhorar todos os dados” não é um escopo executável. “Reduzir duplicidades de fornecedores ativos no ERP” é.

3. Faça profiling

Analise nulos, formatos, padrões, frequências, valores raros, duplicidades, relacionamentos quebrados e divergências entre fontes. O profiling cria a linha de base.

4. Crie regras com o negócio

Cada regra precisa de justificativa, dimensão, fórmula, meta, severidade, responsável e ação quando falhar. Diferencie bloqueio, alerta e exceção autorizada.

5. Corrija a causa, não somente o registro

Se endereços chegam incompletos, descubra onde e por quê: interface sem validação, integração truncada, regra desconhecida, fonte inadequada ou processo apressado. Corrigir a base sem mudar a origem produz reincidência.

6. Automatize no ponto certo

Valide na entrada quando possível; monitore integrações e transformações; execute reconciliação após distribuição. Use alertas acionáveis, evitando painéis que acumulam problemas sem dono.

7. Estabeleça um ciclo contínuo

Priorize problemas por impacto e recorrência, acompanhe tendência, revise metas e registre lições. Qualidade é capacidade operacional permanente, não mutirão anual.

Exemplo de scorecard de qualidade

Um score global pode resumir o cenário, mas não deve esconder dimensões críticas. Média alta não compensa uma regra regulatória abaixo do limite.

Como MDM melhora a qualidade de dados?

Master Data Management aplica governança e qualidade aos dados mestres de clientes, fornecedores, produtos, materiais e outras entidades compartilhadas. Uma plataforma de MDM pode:

• centralizar regras e domínios controlados;
• prevenir duplicidades durante o cadastro;
• consolidar fontes e formar um golden record;
• executar workflows de validação e aprovação;
• registrar evidências, autoria e vigência;
• distribuir dados confiáveis ao ERP, CRM e analytics;
• monitorar indicadores e exceções.

Veja também como implementar MDM em 90 dias.

Por que qualidade é essencial para inteligência artificial?

Modelos e agentes ampliam a velocidade com que dados são usados — e também a velocidade com que erros se espalham. Duplicidades distorcem contagens, rótulos incorretos prejudicam treinamento, dados desatualizados tornam recomendações inadequadas e bases não representativas podem produzir vieses.

Antes de escalar IA, defina proveniência, direitos de uso, representatividade, atualização, controles e métricas adequadas ao caso. “Mais dados” não significa automaticamente “dados melhores”.

Checklist rápido

• Existe um uso de negócio definido?
• Os elementos críticos estão identificados?
• Cada regra possui fórmula, meta e responsável?
• Há baseline e tendência histórica?
• Problemas são priorizados por impacto?
• A causa é corrigida no ponto de entrada?
• Exceções ficam documentadas?
• Os dados são reconciliados entre sistemas?
• Indicadores chegam a quem pode agir?

Perguntas frequentes

O que é qualidade de dados em uma frase?

É a capacidade do dado representar a realidade e atender ao uso pretendido com precisão, completude, validade, consistência, unicidade e atualidade adequadas.

Quais são as principais dimensões?

As seis mais utilizadas são precisão, completude, consistência, validade, unicidade e atualidade. Outras podem ser adicionadas conforme o contexto.

Qual é a diferença entre dado correto e dado completo?

Correção avalia se o valor representa a realidade; completude verifica se os valores necessários estão presentes. Um campo pode estar preenchido e incorreto.

Quem é responsável pela qualidade?

A responsabilidade é compartilhada. Data owners decidem requisitos; stewards acompanham; negócio valida o contexto; tecnologia automatiza controles; produtores corrigem a origem.

Como calcular um indicador de qualidade?

Defina a regra e divida os registros aprovados pelos registros avaliados, multiplicando por 100. A fórmula deve informar escopo, período e exceções.

Qualidade de dados e limpeza são a mesma coisa?

Não. Limpeza ou saneamento corrige problemas existentes. Gestão da qualidade também previne, mede, governa e monitora continuamente.

Como a 4MDG pode ajudar

O 4MDG é uma solução SaaS completa de MDM com homologação de fornecedores, onboarding de clientes e padronização descritiva de materiais.

A plataforma permite configurar workflows, validações, regras de qualidade, saneamento, prevenção de duplicidades e rastreabilidade para manter dados mestres confiáveis desde a entrada.

https://www.4mdg.com.br/
Fone: (11) 4113-2510

Para aprofundar dimensões, métricas e práticas de governança, conheça a MDM Academy.

Fontes e aprofundamento

• IBM — What Is Data Quality?, consulta em 27/09/2026.
• IBM — What Are Data Quality Dimensions?.
• IBM — Data Quality Monitoring.
• MDM Academy — Qualidade de dados: as dimensões que definem se você pode confiar na base.

Nota editorial: conteúdo substancialmente revisado e atualizado em 27 de setembro de 2026.

Tags: data quality | Dimensões de qualidade | governança de dados | master data management | qualidade de dados | saneamento de dados