La calidad de los datos mide qué tan completos, únicos, consistentes y actuales son los registros de tu empresa. Pedirle un informe a una IA no cambia eso. La herramienta lee la misma tabla que ya tienes, con los mismos duplicados y las mismas celdas vacías, y devuelve un documento con formato impecable sobre esos registros. Si la tabla está mal, el informe sale mal y, para colmo, suena convincente.
Las pymes que ya han usado sus datos en creación de informes ya se habrán dado cuenta de eso. Pedirle las ventas por cliente del trimestre a ChatGPT, a Copilot o a un tablero de Power BI puede dar totales distintos si los registros no coinciden entre sí.
Si en el sistema contable un cliente quedó creado tres veces (una con el NIT, otra con la cédula del representante legal y otra con el nombre comercial), la herramienta los trata como tres clientes distintos. Te muestra un ranking con tres posiciones y suma las mismas compras en cada una. El total no cuadra con la caja y la reunión se va discutiendo de dónde salió el número, mientras la IA sigue respondiendo con seguridad.
Cuando los datos no están bien y la herramienta los entiende como si lo estuvieran, solo los usa. En general no avisa que están mal, a menos que se le pida revisarlos.
Este artículo puede ayudarte a revisar tus datos antes de conectar una IA a la operación de tu empresa. Luego, puedes tomar decisiones usando datos con IA para tu pyme.
¿Qué es la calidad de los datos?
La calidad de los datos es el grado en que los registros de tu empresa sirven para hacer uso de ellos, si son confiables para las operaciones y para la toma de decisiones de una organización. Se mide en dimensiones, y estas son las que usan algunas guías en internet y que hemos resumido para el artículo:
- Exactitud. El grado en que los datos reflejan fielmente el hecho o la realidad que representan.
- Completitud (o exhaustividad). La ausencia de valores vacíos, nulos o información faltante en los registros.
- Consistencia (o coherencia). La ausencia de contradicciones entre datos almacenados en diferentes sistemas de la misma empresa.
- Validez. El cumplimiento de las reglas de negocio, formatos y tipos de datos establecidos.
- Puntualidad (u oportunidad). Que la información esté disponible y actualizada en el momento en que se necesita.
- Singularidad (o unicidad). La ausencia de registros duplicados.
- Adecuación al propósito. Que los datos sirvan efectivamente para el objetivo analítico o comercial específico para el que se recopilaron.
Según un estudio de Gartner:
“La falta de datos preparados para la IA pone en riesgo los proyectos en los que se usan estas herramientas”.
Su comunicado advierte que las organizaciones que no reconocen las diferencias entre los requisitos de datos para IA y la gestión de datos tradicional ponen en riesgo sus esfuerzos. Para ellos, “si los datos tienen problemas, no están listos para la IA”.
El mejor dato es el que sirve exactamente para responder la pregunta que te haces para generar un informe o analizar tu situación actual. Un conjunto de datos con una precisión técnica del 99% es inútil si no incluye las variables necesarias para el informe que quieres pedir.
¿Cómo afectan los datos sucios los informes que le pides a una IA?
Un dato sucio puede arruinar el informe que le pides a una inteligencia artificial, y afecta el resultado de dos formas.
La primera son las conclusiones sesgadas o “alucinaciones” lógicas. Si alimentas a la IA con datos incompletos o mal etiquetados, el informe puede mostrar tendencias falsas como si fueran verdades o llegar a conclusiones erróneas pensando que es la respuesta que esperas tener.
La segunda son las recomendaciones irrelevantes o genéricas. Cuando los datos carecen de contexto o están duplicados, la IA puede perder la capacidad de encontrar patrones y limitarse a dar respuestas obvias o inútiles.
Estos efectos nacen principalmente de cinco problemas que afectan la calidad de los datos:
Registros repetidos (unicidad)
Un cliente cargado dos veces se cuenta dos veces.
Una IA que lee la tabla tal como está no sabe que son la misma empresa. Suma las compras en dos filas y te entrega un ranking inflado. El negocio no creció, pero el informe dice que sí.
Campos vacíos o con texto libre (completitud)
Un campo vacío es un dato que el informe no tiene.
Cómo lo resuelva depende de la herramienta. Puede excluir esas filas del total o agruparlas bajo una etiqueta como “sin dato”, y el informe termina mostrando un cliente o una ciudad que no existen.
El texto libre agrava el problema. La misma dirección escrita “Cra 38 # 26-385” y “Carrera 38 No 26 - 385” son dos direcciones distintas para la máquina, y un municipio anotado “Medellín” y “Medellin - Antioquia” puede partir las ventas de una región en dos.
A diferencia de un humano, que puede deducir que un guion (-) o un N/A significa que no hay valor, la IA puede intentar procesar todo lo que encuentre o ignorar variables críticas.
Formatos distintos para el mismo dato (validez)
Una fecha escrita 03/04 puede ser el 3 de abril o el 4 de marzo según quién la digitó. Un informe por mes mezcla las dos lecturas y mueve ventas de un periodo a otro. Lo mismo pasa con los montos si unos van en pesos y otros en dólares o en miles.
Sistemas que no coinciden entre sí (consistencia)
Cuando las ventas se registran en un sistema y la facturación en otro, cada uno da un total distinto para el mismo mes.
Gartner señala esa inconsistencia entre fuentes como el problema de calidad más difícil de resolver, y es uno de los más comunes en Colombia al trabajar con datos.
Una IA no reconcilia por sí sola los dos sistemas. Usa el que le entregues y responde con ese número. Las inconsistencias o las discrepancias entre los datos obtenidos es algo que solo un humano puede ver.
Datos desactualizados (puntualidad)
Un precio, una dirección o el responsable de una cuenta que cambió en la realidad y no en el sistema hace que el informe describa una situación que ya pasó. La IA trabaja con lo que encuentra en la tabla, sin saber qué dato está obsoleto, no debe tenerse en cuenta o dejó de ser cierto.
¿Cómo saber en una tarde en qué estado están tus datos?
Evaluar el estado de los datos de tu pyme no requiere un proyecto de tres meses. Si necesitas saber qué tan “listos para usarlos con IA” o para consultarlos como fuente confiable de información, puedes ejecutar un diagnóstico express en una sola tarde.
La idea viene del ejercicio que Nagle, Redman y Sammon propusieron en Harvard Business Review. Ellos plantean reunir 100 registros y revisar cada uno para sacar un porcentaje de salud al final de la jornada.
Cien registros dan una primera señal y no un diagnóstico completo, pero alcanzan para decidir si vale la pena usarlos.
-
Elige el informe que quieres que prepare la IA y ubica la tabla de donde salen sus datos.
-
Reúne los 100 registros más recientes de esa tabla. Reflejan cómo se capturan los datos hoy. Si no sabes exportarlos, pídele a quien administra el sistema una lista de los últimos 100.
-
Revisa cada registro con dos preguntas. ¿Le falta un valor que el informe necesita? ¿Su formato coincide con el del resto?
-
Cuenta cuántos registros tienen al menos un error y saca el porcentaje. Ese es el número que le vas a mostrar a quien los va a usar.
-
Anota cuántos valores vacíos hay por columna.
-
Identifica y cuenta los datos repetidos.
-
Si prefieres no contar a mano, apóyate en lo que ya tienes instalado. Una tabla dinámica en Excel o Google Sheets te agrupa los valores únicos y te muestra los vacíos en segundos.
Para interpretar el resultado, usa la siguiente regla simple.
Si los errores aparecen en las columnas que la IA va a utilizar para crear el informe, arréglalas antes de pedirlo. Si los errores están en columnas que no vas a usar, puedes avanzar.
¿Por dónde empiezo a arreglar los datos de mi empresa sin frenar la operación?
Antes de iniciar debes tener en cuenta que arreglar toda la base de datos de una empresa es un proyecto de meses. Por fortuna, para que empieces a trabajar con IA no hace falta eso. Empieza por arreglar los datos que vas a utilizar y a limpiarlos organizándolos bien.
Los duplicados de clientes van primero, porque son los que más ensucian cada conteo. Define un dato como identificador único. Si tienes una tienda virtual, ese dato puede ser el número de identidad, un correo o el id de usuario. Con este dato puedes unificar las fichas que apuntan al mismo cliente.
Pro tip. Muchos CRM y programas contables tienen una función para fusionar datos sin perder el historial, y conviene confirmarlo en el tuyo. Si no, siempre existe la opción de hacerlo en Excel.
Después ataca la fuente del problema.
Si el dato con el que vas a identificar los otros datos es obligatorio, el duplicado no vuelve a nacer. Cada validación que agregas en el formulario de captura es un error menos que vas a limpiar el mes entrante.
Prepárate para la resistencia interna.
La manera en que tus colaboradores ingresen los datos y la disposición que tengan para hacerlo es la parte que ningún ajuste del sistema resuelve.
La calidad de los datos es una disciplina del equipo. Usar campos obligatorios y tener alguien que revise debe ser casi obligatorio para una empresa que comienza a cambiar su mindset hacia una cultura data driven. Sin ese acuerdo la limpieza de hoy se vuelve a ensuciar el mes entrante.
No debes olvidar que la inteligencia artificial es un copiloto que confía ciegamente en lo que le entregas. Si la información de partida es descuidada o contradictoria, la tecnología no se detiene a dudar ni te hace preguntas a menos que se lo pidas. Con registros claros y confiables, cualquier análisis, predicción o resumen automatizado ayuda a mover el negocio hacia adelante. Sin ellos, te lleva a tropezar con números ficticios.
Leímos estos artículos antes de hablarte sobre calidad de datos.
- Nagle, T., Redman, T. C. y Sammon, D. (11 de septiembre de 2017). Only 3% of Companies’ Data Meets Basic Quality Standards. Harvard Business Review.
- Gartner (26 de febrero de 2025). Lack of AI-Ready Data Puts AI Projects at Risk.
- Gartner. Data quality: why it matters.
