PORTAL EDUCACIONAL · GOVERNANÇA DE DADOS
O que é qualidade de dados? Dimensões, métricas e como melhorar
Qualidade de dados é o grau em que os dados atendem ao uso pretendido. Um dado de qualidade precisa ser suficientemente correto, completo, válido, consistente, atual e não duplicado para sustentar o processo, a decisão ou o sistema que depende dele.
Isso significa que qualidade não é uma característica absoluta. Um endereço pode servir para análise por cidade, mas não para entrega. Um cadastro pode estar completo para uma campanha e incompleto para conceder crédito. Por isso, o primeiro passo é definir o uso, o risco e o nível de qualidade necessário — depois medir cada dimensão com regras objetivas.
O que significa qualidade de dados?
Qualidade de dados, ou data quality, combina adequação ao propósito com características mensuráveis. A série ISO 8000 aborda características, medição, gestão e melhoria da qualidade de informação e dados. O NIST Research Data Framework relaciona qualidade à adequação ao propósito, usabilidade e reutilização ao longo do ciclo de vida.
Em uma empresa, a pergunta não deve ser apenas “a base está limpa?”. Pergunte:
- quais decisões e processos usam esses dados?
- o que pode acontecer se estiverem errados?
- quais atributos são críticos?
- qual regra define um valor aceitável?
- quem responde por cada regra e exceção?
- qual tolerância é adequada ao risco?
As seis dimensões centrais da qualidade de dados
Não existe uma única lista universal de dimensões. Entretanto, seis aparecem com frequência em programas empresariais e são úteis para começar: completude, unicidade, validade, consistência, acurácia e atualidade. A página da MDM Academy sobre dimensões de qualidade também apresenta essa abordagem orientada ao uso.
| Dimensão | Pergunta | Exemplo de regra | Exemplo de indicador |
|---|---|---|---|
| Completude | Os dados necessários estão presentes? | Fornecedor ativo precisa de CNPJ, categoria e conta aprovada | Registros completos ÷ registros avaliados |
| Unicidade | Cada entidade aparece uma única vez? | Não pode haver dois clientes para o mesmo CPF | Entidades sem duplicidade ÷ entidades avaliadas |
| Validade | O valor respeita formato, domínio e regra? | Unidade de medida deve estar na lista permitida | Valores válidos ÷ valores avaliados |
| Consistência | Os dados não se contradizem? | Peso bruto deve ser maior ou igual ao peso líquido | Registros consistentes ÷ registros testados |
| Acurácia | O dado representa a realidade? | Razão social corresponde à fonte confiável | Valores confirmados ÷ valores verificados |
| Atualidade | O dado está atualizado para o uso? | Fornecedor crítico deve ser recertificado no prazo | Registros dentro da validade ÷ registros sujeitos à regra |
Completude
Mede se os valores necessários estão presentes. Não significa preencher todos os campos do sistema. Um campo opcional vazio pode estar correto; um campo crítico preenchido com “não informado” pode continuar incompleto. A regra precisa considerar processo, categoria e condição.
Unicidade
Mede se cada entidade real possui a representação esperada. Duplicidade nem sempre é igualdade de texto: “ABC Comércio Ltda.” e “ABC Com. LTDA” podem ser a mesma empresa; matriz e filial podem ser entidades distintas relacionadas. Por isso, unicidade exige chaves, regras de comparação e resolução de entidades.
Validade
Mede conformidade com formatos, listas e regras. Um e-mail com formato inválido, uma data futura proibida, um código fora do domínio ou uma unidade incompatível são falhas de validade. Essa dimensão costuma ser altamente automatizável no ponto de entrada.
Consistência
Mede a ausência de contradições dentro de um registro ou entre sistemas. Um cliente ativo no CRM e bloqueado no ERP pode estar correto se os estados tiverem significados diferentes — ou indicar falta de regra. A governança precisa definir semântica, fonte prioritária e tratamento de divergências.
Acurácia
Mede o quanto o valor representa o mundo real. Geralmente exige uma referência confiável, evidência documental, confirmação do titular ou inspeção. Um CNPJ pode ter 14 dígitos e passar na validação matemática, mas ainda pertencer a outra empresa: válido não significa acurado.
Atualidade
Mede se o dado continua adequado no tempo. A frequência depende do uso e da volatilidade. Endereço, conta bancária, preço, licença ou situação cadastral possuem ritmos diferentes. Defina validade, evento de atualização e responsável pela recertificação.
Outras dimensões que podem ser necessárias
Dependendo do contexto, inclua integridade referencial, disponibilidade, acessibilidade, rastreabilidade, relevância, cobertura, precisão técnica e conformidade semântica. Em dados analíticos e de IA, também podem importar representatividade, equilíbrio e documentação das limitações.
Não transforme a lista em burocracia. Escolha dimensões que expliquem riscos reais do caso de uso.
Qualidade de dados, integridade, governança e saneamento
| Conceito | Função principal | Exemplo |
|---|---|---|
| Qualidade de dados | Determinar se o dado atende ao uso | Medir completude e unicidade de clientes |
| Integridade de dados | Preservar estrutura, relações e confiabilidade | Impedir pedido ligado a cliente inexistente |
| Governança de dados | Definir decisões, responsabilidades e políticas | Nomear owner e aprovar metas de qualidade |
| Saneamento de dados | Corrigir, padronizar, validar e deduplicar | Unificar registros duplicados e completar campos |
| MDM | Gerenciar identidade e ciclo de vida de dados mestres | Criar registro mestre e sincronizar ERP e CRM |
As disciplinas se complementam. Saneamento melhora uma base; qualidade mede o resultado; governança define owner e regra; e MDM sustenta a criação e distribuição de registros mestres confiáveis. Consulte também o guia de saneamento de dados e o que é Master Data Management.
Como medir qualidade de dados
Uma regra de qualidade precisa registrar pelo menos:
- nome e objetivo;
- dado e domínio avaliados;
- dimensão;
- lógica de cálculo;
- população e exclusões;
- fonte e periodicidade;
- meta, tolerância e criticidade;
- owner e steward;
- ação diante de falha;
- evidência e histórico.
Exemplo de completude
Se 9.400 de 10.000 materiais ativos possuem unidade de medida obrigatória, a completude é 94%. Mas o indicador só é útil se a população estiver correta: itens bloqueados ou classes que não exigem o atributo podem precisar ser excluídos.
Exemplo de validade
Se 19.600 de 20.000 clientes têm UF pertencente à lista oficial utilizada pelo sistema, a validade é 98%. A regra deve esclarecer como tratar registros estrangeiros e territórios especiais.
Exemplo de unicidade
Se um motor encontra 120 grupos de duplicidade confirmada envolvendo 260 registros em uma base de 50.000 clientes, não basta dividir 260 por 50.000 sem declarar o critério. Você pode medir registros envolvidos, entidades duplicadas ou pares confirmados; cada métrica responde a uma pergunta diferente.
Scorecard de qualidade: como evitar uma nota enganosa
Uma pontuação agregada facilita comunicação, mas pode esconder falhas críticas. Uma base com 99% de completude geral pode ter 20% de contas bancárias sem validação. Portanto:
- apresente dimensões separadamente;
- segmente por domínio, processo, sistema e criticidade;
- mostre volume absoluto além do percentual;
- destaque violações críticas mesmo quando o score é alto;
- publique tendência e recorrência;
- registre a versão da regra e mudanças de escopo.
Se usar pesos, documente a justificativa. A nota não deve permitir que excelente completude compense fraude potencial em dado bancário ou erro grave de classificação.
Como implementar um programa de qualidade de dados
1. Escolha uma dor ligada ao negócio
Comece por algo mensurável: pedidos devolvidos, pagamentos bloqueados, materiais duplicados, divergência entre relatórios ou demora no onboarding. Isso cria patrocínio e permite demonstrar resultado.
2. Defina uso, escopo e tolerância
Identifique processo, consumidores, dados críticos, sistemas e impacto do erro. Uma regra usada em obrigação fiscal pode exigir tolerância diferente de uma segmentação exploratória.
3. Faça o perfilamento da base
Meça nulos, padrões, frequências, valores fora do domínio, extremos, duplicidades, relações quebradas e divergências. O profiling revela a linha de base e ajuda a separar sintomas de causas.
4. Defina regras com o negócio
Data owners e stewards transformam requisitos em verificações. A equipe técnica ajuda a torná-las executáveis. Cada regra precisa de população, lógica, severidade, owner e ação.
5. Atue em prevenção, detecção e correção
- Prevenção: campos condicionais, listas, validações, treinamento e workflow.
- Detecção: profiling, monitoramento, testes de pipeline, reconciliação e alertas.
- Correção: saneamento, enriquecimento, deduplicação, análise de exceção e ajuste da causa.
Corrigir sem prevenir cria uma fila infinita. Prevenir sem monitorar deixa falhas invisíveis.
6. Priorize pela combinação de impacto e frequência
Classifique problemas pelo dano potencial, volume, recorrência e custo de correção. Um erro raro que impede faturamento pode ser mais prioritário do que milhares de abreviações sem impacto operacional.
7. Implemente no ponto certo
Valide o mais próximo possível da origem, mas mantenha controles nos pipelines e destinos. Dados externos podem exigir quarentena; regras complexas podem rodar em lote; alterações críticas podem exigir revisão humana.
8. Crie um fluxo para incidentes e exceções
Defina quem recebe o alerta, quem investiga, quem decide, prazo, evidência e escalonamento. Exceções precisam expirar. Um painel cheio de alertas sem processo de resolução não é gestão de qualidade.
9. Meça causas e valor
Além da taxa de conformidade, acompanhe origem do erro, recorrência, tempo de correção, horas de retrabalho, impacto financeiro e satisfação do usuário. Isso mostra se a organização está melhorando ou apenas corrigindo registros.
10. Revise e expanda
Regras envelhecem quando o processo muda. Revise escopo, meta e lógica; retire controles sem utilidade; e expanda o programa por domínios com padrões reutilizáveis.
Exemplos por domínio
Clientes
CPF ou CNPJ, contato, endereço, consentimentos e segmentação exigem regras diferentes. Deduplicação melhora a visão consolidada; atualidade evita comunicação com dados vencidos. Veja o guia de saneamento de clientes.
Fornecedores
Identidade jurídica, situação cadastral, documentos, categoria e conta bancária são críticos. A qualidade precisa estar conectada à homologação, segurança e recertificação. Consulte saneamento de fornecedores.
Materiais e produtos
Descrição, taxonomia, unidade de medida, atributos técnicos, classificação e hierarquia impactam compras, estoque, engenharia, fiscal e comércio eletrônico. Padrões como PDM reduzem duplicidade e tornam comparações possíveis.
Dados analíticos
Indicadores precisam de definição, fórmula, fonte, periodicidade e linhagem. Testes em pipelines verificam volume, esquema, nulos, relacionamentos e distribuição antes que o erro chegue ao painel.
Qualidade de dados e inteligência artificial
IA pode amplificar problemas existentes. Dados duplicados distorcem frequências; rótulos inconsistentes prejudicam treinamento; falta de representatividade limita generalização; dados sem origem dificultam correção e auditoria. Antes de usar um conjunto em IA, registre:
- origem, finalidade e permissão;
- período, cobertura e população representada;
- transformações e exclusões;
- dimensões e regras avaliadas;
- limitações, vieses e lacunas conhecidos;
- owner, versão e frequência de atualização;
- monitoramento de mudanças e deriva.
Qualidade de dados não garante uma IA correta ou ética, mas é condição necessária para avaliações confiáveis.
Como MDM sustenta a qualidade
O MDM controla a identidade e o ciclo de vida de entidades centrais. Ele pode combinar validações, resolução de duplicidades, regras de sobrevivência, hierarquias, workflow, linhagem e sincronização. A qualidade deixa de ser apenas uma limpeza posterior e passa a fazer parte da criação e alteração do dado.
Em vez de cada sistema corrigir o mesmo cliente ou material, o registro mestre aplica regras comuns e distribui a versão governada. Saiba como funciona um software de MDM.
Checklist rápido
- O uso pretendido e o impacto do erro estão claros?
- Dados críticos e populações foram definidos?
- Cada regra possui dimensão, fórmula, owner e ação?
- Há linha de base, meta e tolerância justificadas?
- Resultados estão segmentados por criticidade?
- Prevenção, detecção e correção estão conectadas?
- Exceções têm aprovador e prazo?
- Causas recorrentes são tratadas no processo de origem?
- O score não esconde falhas críticas?
- O valor operacional ou financeiro é acompanhado?
Perguntas frequentes
O que é qualidade de dados em uma frase?
É o grau em que os dados são adequados ao uso pretendido, considerando dimensões mensuráveis como completude, unicidade, validade, consistência, acurácia e atualidade.
Quais são as principais dimensões?
As seis dimensões mais utilizadas são completude, unicidade, validade, consistência, acurácia e atualidade. Outras podem ser necessárias conforme o contexto.
Qual é a diferença entre dado correto e dado completo?
Um dado correto representa a realidade; um dado completo contém os atributos necessários. Um cadastro pode ter todos os campos preenchidos e ainda conter valores errados.
Quem é responsável pela qualidade?
O data owner responde pelo domínio e aprova critérios; data stewards acompanham regras e desvios; produtores atuam na origem; equipes técnicas implementam controles; consumidores comunicam problemas.
Como calcular um indicador de qualidade?
Defina população, regra e unidade. Uma fórmula comum é registros conformes divididos pelos registros avaliados, multiplicado por 100. Documente exclusões, versão e periodicidade.
Qualidade e limpeza de dados são a mesma coisa?
Não. Limpeza ou saneamento corrige problemas. Qualidade define requisitos, mede resultados, previne falhas e mantém melhoria contínua ao longo do ciclo de vida.
É possível ter 100% de qualidade?
Algumas regras determinísticas podem atingir 100%, mas buscar perfeição universal costuma ser caro e desnecessário. A meta deve refletir risco, valor e uso pretendido.
Ferramenta resolve qualidade de dados?
Ferramentas automatizam profiling, validações, matching e monitoramento, mas não definem significado, tolerância, prioridade ou responsabilidade. Processo e governança continuam essenciais.
Conclusão
Qualidade de dados não é uma faxina isolada. É uma capacidade contínua que começa pelo uso, transforma expectativas em regras, mede dimensões, corrige causas e demonstra valor. A combinação de governança, saneamento, MDM e monitoramento torna o dado confiável de forma sustentável.
Para aprender a aplicar dimensões, indicadores, saneamento e dados mestres, conheça a formação da MDM Academy.
Como a 4MDG pode apoiar
A 4MDG ajuda a transformar regras de qualidade em validações, workflows, indicadores, deduplicação, rastreabilidade e controle do ciclo de vida dos dados mestres. A empresa é especializada em saneamento de materiais e aplica qualidade também aos domínios de clientes e fornecedores.
O 4MDG é uma solução SaaS completa de MDM com homologação de fornecedores, onboarding de clientes e padronização descritiva de materiais.
https://www.4mdg.com.br/
Fone: (11) 4113-2510
Fontes consultadas
- ISO — ISO 8000-8: conceitos e medição da qualidade de dados.
- NIST — Research Data Framework, seção de qualidade de dados.
- IBM — dimensões de qualidade de dados.
- MDM Academy — qualidade e dimensões aplicadas.
Nota editorial: conteúdo educacional atualizado em outubro de 2026. Dimensões, regras e tolerâncias devem ser adaptadas ao uso, ao risco e às normas aplicáveis à organização.
4 Comentários