ISO/IEC 25012: La calidad de los datos como base de decisiones confiables.
¿Tus decisiones empresariales
se basan en datos realmente confiables?
Una empresa puede tener sistemas modernos, dashboards atractivos y grandes cantidades de información, pero existe una pregunta que pocas veces se hace:
¿Qué tan buenos son los datos que estamos utilizando para tomar decisiones?
Porque si la información es incorrecta, está incompleta, desactualizada o presenta inconsistencias, incluso el mejor análisis puede llevar a conclusiones equivocadas.
En un entorno donde las empresas dependen cada vez más de Business Intelligence, inteligencia artificial, ERP, CRM y analítica de datos, garantizar la calidad de la información se ha convertido en una necesidad estratégica.
Aquí es donde entra ISO/IEC 25012, un modelo internacional que establece características para evaluar la calidad de los datos.
Conocer este estándar puede ayudar a las organizaciones a pasar de simplemente tener datos a contar con información en la que realmente puedan confiar.
¿Qué es ISO/IEC 25012?
ISO/IEC 25012 es un modelo de calidad de datos que forma parte de la familia de estándares ISO/IEC 25000, relacionada con la calidad de sistemas y software.
Su objetivo es proporcionar un marco para definir, medir y evaluar diferentes características de la calidad de los datos.
Esto es especialmente importante porque no todos los datos que una empresa almacena necesariamente son útiles o confiables.
Por ejemplo, una base de datos de clientes puede contener miles de registros, pero si existen:
Clientes duplicados.
Teléfonos incorrectos.
Correos electrónicos incompletos.
Direcciones desactualizadas.
Campos sin información.
Diferentes formatos para un mismo dato.
La cantidad de información no garantiza su calidad.
Más datos no necesariamente significan mejores decisiones.
La calidad es lo que permite convertir esos datos en un activo realmente útil para la organización.
¿Por qué es importante la calidad de los datos?
Los datos están presentes prácticamente en todas las áreas de una empresa.
Ventas los utiliza para conocer clientes y oportunidades.
Marketing los utiliza para analizar campañas.
Finanzas necesita información confiable para reportes y proyecciones.
Operaciones depende de datos para planificar recursos.
Dirección los utiliza para tomar decisiones estratégicas.
Cuando la información presenta errores, las consecuencias pueden trasladarse directamente al negocio.
Por ejemplo:
Dato incorrecto → análisis incorrecto → decisión incorrecta → impacto empresarial.
Por eso, la calidad de los datos debe considerarse una parte fundamental de la estrategia tecnológica.
Las características de calidad
de datos según ISO/IEC 25012.
El modelo ISO/IEC 25012 contempla diferentes características que permiten evaluar la calidad de los datos.
Estas características pueden agruparse, de manera general, en dos perspectivas: Calidad inherente de los datos y calidad dependiente del sistema.
Dos perspectivas para entender la calidad de los datos.
ISO/IEC 25012 analiza la calidad desde dos perspectivas principales. La calidad inherente se relaciona con propiedades del propio dato: sus valores, reglas, relaciones y metadatos. Por ejemplo, un código postal inválido o una fecha de nacimiento imposible son problemas que pueden identificarse al observar el dato y sus reglas.
La calidad dependiente del sistema se refiere a cómo el entorno tecnológico permite alcanzar y preservar la calidad. Aquí intervienen aspectos como disponibilidad, recuperación, portabilidad, controles de acceso, rendimiento, respaldos y capacidades de los componentes que almacenan o procesan la información.
Además, varias características pueden depender tanto del dato como del sistema. Esta separación es útil porque evita atribuir todos los problemas a la base de datos: en ocasiones el valor es correcto, pero el sistema no lo protege, no lo expone de forma eficiente o no conserva su trazabilidad.
1. Exactitud.
Los datos deben representar correctamente aquello que pretenden describir.
Por ejemplo, si el sistema indica que un cliente tiene un saldo de $50,000, ese dato debería corresponder con la realidad.
Un dato incorrecto puede afectar reportes financieros, procesos comerciales y decisiones estratégicas.
Pregunta clave:
¿El dato representa correctamente la realidad?
2. Completitud.
La información necesaria debe estar disponible.
Imagina que una empresa tiene registrados 10,000 clientes, pero el 30% no cuenta con correo electrónico y otro porcentaje importante no tiene teléfono actualizado.
La empresa tiene muchos registros, pero no necesariamente información suficiente para utilizarlos eficazmente.
Pregunta clave:
¿Tenemos todos los datos necesarios para cumplir nuestro objetivo?
3. Consistencia.
Los datos deben mantener coherencia entre diferentes registros, sistemas o conjuntos de información.
Por ejemplo, si un cliente aparece como "activo" en el CRM pero como "inactivo" en otro sistema, existe una inconsistencia que debe analizarse.
Esto es especialmente relevante en empresas que utilizan múltiples plataformas.
Pregunta clave:
¿El mismo dato mantiene coherencia en los diferentes sistemas?
4. Credibilidad.
Los datos deben ser considerados confiables y creíbles por quienes los utilizan.
La credibilidad puede verse afectada cuando los colaboradores encuentran diferencias frecuentes entre reportes.
Por ejemplo:
Ventas reporta $5 millones.
Finanzas reporta $4.6 millones.
Dirección recibe un dashboard con $4.8 millones.
Aunque exista una explicación técnica, la confianza en la información comienza a disminuir.
Pregunta clave:
¿Los usuarios confían en los datos que reciben?
5. Actualidad.
Los datos deben encontrarse suficientemente actualizados para el propósito para el que serán utilizados.
Un reporte de ventas basado en información de hace tres meses puede ser útil para analizar tendencias históricas, pero probablemente no sea suficiente para tomar decisiones sobre la operación actual.
Pregunta clave:
¿La información está actualizada para la decisión que necesitamos tomar?
6. Accesibilidad.
Los usuarios autorizados deben poder acceder a los datos cuando los necesiten.
Esto no significa que toda la información deba estar disponible para cualquier persona.
La accesibilidad debe equilibrarse con la seguridad y los permisos correspondientes.
Pregunta clave:
¿Las personas autorizadas pueden acceder a la información que necesitan?
7. Conformidad.
Los datos deben cumplir con reglas, estándares, formatos o regulaciones aplicables.
Por ejemplo, una organización puede establecer formatos específicos para:
Fechas.
Identificadores.
Códigos de productos.
Datos de clientes.
Catálogos.
Unidades de medida.
La estandarización facilita la integración y el análisis de información.
Pregunta clave:
¿Los datos cumplen con las reglas y estándares definidos?
8. Confidencialidad.
La información debe protegerse contra accesos no autorizados.
Esto es especialmente importante cuando las bases de datos contienen información sensible de clientes, colaboradores, proveedores o socios comerciales.
La calidad de los datos no puede analizarse completamente sin considerar también su adecuada protección.
Pregunta clave:
¿La información está protegida frente a accesos no autorizados?
9. Eficiencia.
Los datos deben poder utilizarse de manera eficiente considerando los recursos necesarios para acceder a ellos y procesarlos.
Cuando una organización necesita procesos excesivamente complejos para consultar o transformar información, puede existir una oportunidad de optimización.
Pregunta clave:
¿Podemos utilizar y procesar los datos de manera eficiente?
10. Precisión.
La información debe proporcionar el nivel de detalle y exactitud necesario para el propósito establecido.
No todos los procesos requieren el mismo nivel de precisión.
Por ejemplo, una empresa puede necesitar información muy detallada para controlar inventarios, mientras que un reporte ejecutivo puede requerir únicamente indicadores consolidados.
Pregunta clave:
¿Los datos tienen el nivel de precisión necesario para el objetivo?
11. Trazabilidad.
La información debe permitir conocer aspectos relacionados con su origen, procesamiento o modificaciones cuando sea necesario.
Esto resulta especialmente relevante para organizaciones que necesitan identificar:
De dónde proviene un dato.
Cuándo fue actualizado.
Qué proceso lo modificó.
Qué sistema lo generó.
Quién realizó determinados cambios, cuando corresponda.
La trazabilidad ayuda a investigar errores y aumentar la confianza en la información.
Pregunta clave:
¿Podemos conocer el origen y recorrido del dato?
12. Autenticidad.
Los datos deben poder asociarse con su origen o fuente de manera confiable.
Esto ayuda a determinar si la información realmente procede de la fuente que se supone que la generó.
Pregunta clave:
¿Podemos confiar en que el dato proviene de la fuente indicada?
¿Por qué importa especialmente la analítica e inteligencia artificial?
Los proyectos de analítica e inteligencia artificial amplifican el valor de los datos, pero también amplifican sus defectos. Si los datos de entrenamiento, contexto o entrada contienen errores, duplicados, sesgos de captura, valores faltantes o definiciones inconsistentes, los resultados pueden perder confiabilidad aunque el algoritmo o modelo haya sido implementado correctamente.
ISO/IEC 25012 ayuda a convertir una preocupación general —“necesitamos mejores datos”— en criterios observables. Exactitud, completitud, actualidad, trazabilidad y comprensibilidad son especialmente relevantes cuando los datos alimentan modelos predictivos, asistentes de IA, reportes ejecutivos o decisiones automatizadas.
La trazabilidad cobra un valor adicional: Conocer de dónde provino un dato, cuándo fue actualizado, qué transformaciones sufrió y qué sistema lo generó facilita auditorías, análisis de incidentes y validaciones de resultados.
Cómo aplicar ISO/IEC 25012 en una organización.
1. Definir los datos objetivo: Seleccionar los conjuntos de datos que realmente impactan procesos, clientes, cumplimiento, reportes, integraciones o modelos de IA. No es necesario comenzar con toda la información de la empresa.
2. Identificar contexto y partes interesadas: Determinar quién usa los datos, para qué decisiones, con qué frecuencia y qué consecuencias tendría un defecto. Esto ayuda a priorizar las características relevantes.
3. Convertir características en requisitos medibles: Ejemplos: porcentaje mínimo de completitud, tolerancia de duplicados, antigüedad máxima aceptable, reglas de consistencia, nivel de trazabilidad o tiempo objetivo de recuperación.
4. Medir la línea base: Realizar perfilado y validaciones para conocer el estado actual. La línea base permite distinguir problemas puntuales de patrones sistémicos.
5. Implementar controles preventivos y detectivos: Validaciones en captura, catálogos maestros, reglas de negocio, restricciones de base de datos, controles de integridad, monitoreo, reconciliaciones, bitácoras y automatización de pruebas de datos.
6. Corregir causas, no solo registros: La limpieza de datos es necesaria, pero si no se corrige el proceso que genera el defecto, los errores reaparecerán. Deben revisarse software, integraciones, reglas y procesos humanos.
7. Monitorear y mejorar de forma continua: La calidad cambia con el tiempo. Conviene establecer indicadores, umbrales, responsables, alertas y ciclos periódicos de revisión.
Beneficios de adoptar un modelo formal de calidad de datos.
Mejores decisiones: Reduce la probabilidad de conclusiones basadas en información incorrecta o incompleta.
Mayor confianza en reportes y analítica: Facilita que distintas áreas trabajen con definiciones y criterios comunes.
Integraciones y migraciones más seguras: Permite validar calidad antes, durante y después de mover información entre sistemas.
Menor retrabajo: Previene correcciones manuales repetitivas y fallas operativas causadas por defectos recurrentes.
Mejor gobierno y cumplimiento: Aporta criterios para confidencialidad, conformidad, trazabilidad y control del ciclo de vida del dato.
Mayor confiabilidad en iniciativas de IA: Fortalece la base sobre la que operan modelos, agentes, automatizaciones y sistemas de apoyo a decisiones.
Calidad de datos y QA: Una responsabilidad compartida.
La calidad de los datos no pertenece exclusivamente al equipo de bases de datos. Requiere participación de negocio, desarrollo, QA, seguridad, arquitectura, analítica y usuarios responsables de generar o mantener información.
Desde QA, el modelo puede incorporarse a planes de prueba mediante validaciones de integridad, reglas de negocio, reconciliación entre origen y destino, pruebas de migración, controles de duplicidad, validación de metadatos y verificación de trazabilidad. En proyectos donde el dato es parte central del producto, estas pruebas deben tratarse como criterios de aceptación y no como revisiones posteriores.
Un enfoque maduro combina prevención, medición y mejora continua. La meta no es perseguir “datos perfectos”, sino asegurar un nivel de calidad suficiente, demostrado y sostenible para cada uso relevante.
En AP Interfaces, la calidad puede abordarse de extremo a extremo:
Desde los requisitos y pruebas del software hasta la confiabilidad de los datos que sostienen los procesos digitales. Evaluar la calidad de datos con un modelo estructurado ayuda a construir soluciones más confiables, medibles y preparadas para evolucionar.
