Validez de los datos: qué significa, cómo medirla y por qué es importante
|
9
minuto de lectura
La validez de los datos es el grado en que los datos se ajustan a los formatos, tipos de datos, valores permitidos, rangos y reglas de negocio definidos. La validez mide la conformidad con los requisitos definidos; no demuestra por sí misma que los datos reflejen la realidad.
Esa distinción es fácil de pasar por alto y costosa de ignorar. Un valor puede superar todos los controles estructurales y, aun así, describir al cliente, transacción o evento equivocado. Para los equipos empresariales, la validez es el control práctico basado en reglas que detecta los datos mal formados antes de que lleguen a los análisis, informes, modelos de IA o procesos regulatorios.
Tabla de contenidos
Qué es la validez de los datos y por qué es importante
La validez como puerta operativa
Qué significa la validez en la calidad de los datos
Elegir la regla correcta
Cuáles son algunos ejemplos de datos no válidos
Cómo se mide la validez de los datos
Medir en múltiples niveles
Validez frente a precisión, integridad y razonabilidad
Por qué la distinción afecta a las operaciones
Por qué es importante la validez de los datos para las empresas
La validez como punto de control
Cómo se puede monitorear la validez de los datos de forma continua
Cómo puede apoyar digna la validez de los datos
Preguntas frecuentes sobre la validez de los datos
¿Qué es la validez de los datos?
¿Qué es la validez en la calidad de los datos?
¿Cómo se mide la validez de los datos?
¿Cuáles son algunos ejemplos de datos no válidos?
¿Qué es una regla de Data Validation?
¿Cuál es la diferencia entre validez y precisión?
¿Cuál es la diferencia entre validez e integridad?
¿Cómo se puede monitorear la validez de los datos de forma continua?
¿Qué módulo de digna admite la validez de los datos?
Qué es la validez de los datos y por qué es importante
La validez de los datos es una dimensión medible de la calidad de los datos que comprueba si los valores cumplen unos requisitos predefinidos. Esos requisitos pueden describir la sintaxis, el tipo, el rango, los dominios permitidos, las relaciones o la lógica empresarial. Un correo electrónico debe seguir un patrón aceptado, un mes debe estar dentro de su dominio definido y un código de referencia debe resolverse comparándose con una lista aprobada.
La validez se diferencia de la precisión en el punto de definición. La precisión pregunta si un valor representa correctamente el objeto o evento del mundo real. La validez pregunta si el valor se ajusta a las reglas que ha establecido la organización. Una fecha como 1800-01-01 puede ser estructuralmente válida si utiliza el formato de fecha esperado y se encuentra dentro del rango configurado, pero aun así puede ser la fecha de nacimiento incorrecta.
La validez como puerta operativa
Una regla de validez es determinista. Ante el mismo valor y la misma regla, el resultado debe ser de aprobación o de fallo. Eso hace que la validez sea adecuada para realizar comprobaciones automatizadas en los límites de ingesta, transformación, carga en el almacén de datos y generación de informes.
Una secuencia de implementación útil es:
Definir el requisito. Documentar el tipo, formato, dominio, rango, política de nulos o relación esperados.
Aplicar la regla al nivel adecuado. Comprobar los campos críticos de forma individual y, a continuación, evaluar los resultados de los registros y de los conjuntos de datos.
Capturar pruebas. Almacenar la regla que ha fallado, el registro afectado, el origen, la marca de tiempo y el estado de la corrección.
Establecer la propiedad. El equipo responsable del origen o de la transformación debe ser el propietario de la corrección, no solo el equipo que descubre el defecto.
Regla práctica: Una puntuación de validez solo es significativa cuando cada regla tiene una definición, un propietario y un propósito empresarial documentados.
Las organizaciones que estén creando un programa de calidad de datos más amplio pueden situar este control junto con otras dimensiones en su marco de calidad de datos. El punto central sigue siendo sencillo: la validez evita que los datos que infringen los requisitos conocidos se propaguen de manera descendente.
Qué significa la validez en la calidad de los datos
La validez en la calidad de los datos significa la conformidad con restricciones explícitas que pueden probarse de forma coherente. La edición revisada de DAMA-DMBOK® 2.0 identifica la validez como una dimensión estándar de la calidad de los datos, junto con dimensiones como la precisión, la integridad, la conformidad, la unicidad o deduplicación, la Timeliness, la razonabilidad y la coherencia.
Los principales tipos de validez son distintos, pero a menudo funcionan juntos:
Tipo de validez | Definición | Ejemplo empresarial |
|---|---|---|
Validez de formato | El valor sigue un patrón o sintaxis esperados. | Un identificador de factura coincide con el patrón de identificador aprobado por la organización. |
Validez de dominio | El valor pertenece a un conjunto aprobado de valores. |
|
Validez de rango | El valor se encuentra entre los límites definidos. | El saldo de una cuenta no está por debajo del umbral comercial permitido. |
Validez del tipo de datos | El valor utiliza el tipo requerido. | Un campo de ingresos contiene valores numéricos en lugar de texto. |
Anulabilidad | Los valores faltantes cumplen con la política de nulos permitidos del campo. | Un identificador de transacción nunca es nulo después de la autorización del pago. |
Validez de campos cruzados | Los campos relacionados cumplen una relación lógica. | La fecha de finalización de una póliza se produce después de su fecha de inicio. |
Validez de la regla de negocio | El registro cumple con la política específica del dominio. | El estado de reembolso de un préstamo sigue las reglas asociadas con el estado de su ciclo de vida. |
Validez referencial | Las claves y los códigos se resuelven en registros válidos en los datos de referencia. | Existe un identificador de sucursal en el maestro de sucursales actual. |
Elegir la regla correcta
Las comprobaciones de formato detectan fallos de sintaxis obvios, pero rara vez son suficientes por sí solas. Un valor puede tener la forma correcta y, al mismo tiempo, utilizar un código obsoleto, infringir una relación o contradecir una política empresarial.
Por eso, un modelo de dimensiones de calidad de datos maduro trata la validez como un control por niveles. Las comprobaciones estructurales deben ejecutarse en primer lugar, seguidas de las de dominio, relación y reglas de negocio cuando el uso de los datos lo requiera. Cuanto más trascendental sea el campo, más importante será validarlo a nivel de campo en lugar de confiar en una única puntuación para todo el conjunto de datos.
Cuáles son algunos ejemplos de datos no válidos
Los datos no válidos son aquellos que no superan una regla definida de formato, tipo, dominio, rango, anulabilidad, relación o negocio. A menudo se introducen a través de formularios permisivos, cambios en el sistema de origen, cargas manuales, marcadores de posición predeterminados o transformaciones que no preservan las restricciones originales.
Subtipo de validez | Ejemplo de datos no válidos | Por qué falla |
|---|---|---|
Formato | Letras almacenadas en un campo de identificador nacional que requiere un patrón definido. | El valor no coincide con la sintaxis requerida. |
Dominio | Un registro de pago utiliza un código de moneda o de país no aprobado. | El valor no está en el dominio mantenido. |
Rango | Una señal de IoT almacena | El valor infringe el rango físico u operativo del campo. |
Tipo de datos | Un importe numérico llega como una cadena de texto imposible de analizar. | El valor no se puede interpretar como el tipo requerido. |
Anulabilidad | Un identificador de cliente obligatorio está vacío. | La definición del campo prohíbe los valores nulos. |
Campos cruzados | Una fecha de finalización de contrato precede a su fecha de inicio. | Los valores relacionados infringen la lógica temporal. |
Regla de negocio | Un registro de préstamo supera un límite de la política para su categoría de riesgo. | El registro no supera una regla organizativa explícita. |
Referencial | Una transacción apunta a una clave de cliente ausente en el maestro de clientes. | La relación no se puede resolver. |
Un valor como 0000-00-00 ilustra por qué el análisis sintáctico por sí solo no es suficiente. Un sistema puede almacenarlo como texto, o un analizador permisivo puede aceptarlo, pero el valor puede seguir infringiendo la definición de fecha de la organización.
Los equipos operativos deben clasificar los fallos en lugar de limitarse a contarlos. Un fallo de formato puede indicar un defecto en la interfaz, mientras que un aumento repentino de códigos de referencia desconocidos puede apuntar a una versión ascendente o a un problema de sincronización de los datos de referencia. La detección de Data Anomalies complementa la validación determinista al destacar cambios inusuales en el comportamiento de los fallos sin sustituir las reglas subyacentes.
Cómo se mide la validez de los datos
La validez de los datos se mide contando los valores o registros que superan las reglas de validación definidas. El cálculo básico es:
Tasa de validez = registros o valores válidos / registros o valores evaluados × 100
La perspectiva inversa, la tasa de registros no válidos, muestra la proporción de registros que han fallado en al menos una regla. Los equipos también deben conservar el recuento de fallos de las reglas, la tasa de aprobación de las reglas y el porcentaje de valores dentro de un dominio aprobado. Estas métricas revelan realidades operativas diferentes. Un conjunto de datos puede tener una tasa de validez global estable mientras que una regla crítica se deteriora bruscamente.
Medir en múltiples niveles
A nivel de campo, se mide si los valores cumplen las reglas de ese campo. A nivel de registro, se determina si un registro supera todas las comprobaciones requeridas. A nivel de tabla y de canalización, se agregan los resultados conservando las categorías de fallo subyacentes.
Capa de validación | Métrica | Regla de ejemplo | Umbral típico |
|---|---|---|---|
Formato y tipo | Tasa de aprobación de reglas | Cada identificador coincide con el patrón y el tipo aprobados. | Se establece en función de la importancia crítica del campo. |
Dominio y rango | Porcentaje dentro del dominio | Cada | Se establece en función del riesgo operativo. |
Negocio y campos cruzados | Recuento de fallos de reglas | La fecha de finalización es posterior a la de inicio. | Investigar cualquier aumento sustancial. |
No existe un umbral aceptable de carácter universal. Un campo de información regulatoria puede requerir una conformidad casi total, mientras que un conjunto de datos exploratorios puede tolerar más excepciones si los analistas comprenden las limitaciones. El umbral debe reflejar la importancia crítica para el negocio, la exposición regulatoria, el uso descendente y el coste de bloquear frente a poner en cuarentena los registros.
La automatización es importante porque la elaboración de perfiles puntuales produce una instantánea, no un control. Realice un seguimiento de los resultados a lo largo del tiempo, conserve muestras de registros fallidos y revise si las reglas siguen reflejando las definiciones actuales del negocio. Los equipos que estén estableciendo una práctica de medición más amplia pueden utilizar esta guía práctica de control de calidad para 2026 junto con sus controles de calidad de datos. Para un marco de métricas más amplio, consulte las métricas de calidad de datos.
Validez frente a precisión, integridad y razonabilidad
La validez pregunta si los datos siguen unas reglas definidas. La precisión pregunta si representan la realidad. La integridad pregunta si los datos requeridos están presentes. La razonabilidad pregunta si un valor o un patrón parece plausible en su contexto.
Pensemos en el registro de un cliente. Un número de teléfono puede cumplir con el formato internacional requerido, por lo que es válido, pero pertenecer a otra persona, por lo que es inexacto. La falta de una dirección de correo electrónico es principalmente un fallo de integridad. Un salario que se ajuste al rango numérico permitido puede seguir pareciendo poco razonable para la función o el grupo de homólogos del empleado.
Por qué la distinción afecta a las operaciones
La validez suele ser el más económico de ejecutar de estos controles porque se basa en reglas explícitas. La precisión a menudo necesita una fuente de confianza, como un registro de cliente autorizado o una verificación externa. La integridad requiere una definición clara de qué campos son obligatorios, y la razonabilidad puede requerir distribuciones históricas, comparaciones entre homólogos o modelos de anomalías.
Las dimensiones se solapan, pero no deben reducirse a una única puntuación sin explicación. Un registro puede estar completamente cumplimentado y ser estructuralmente válido sin dejar de ser inexacto. Por el contrario, un registro puede contener un valor exacto que no cumpla un requisito de formato local porque los sistemas de origen utilizan representaciones incompatibles.
Por lo tanto, la dimensión de la precisión en la calidad de los datos pertenece a una evaluación por capas, en lugar de servir como sustituto de la validez. Utilice puertas de validez deterministas en fases tempranas y, a continuación, aplique controles de precisión y razonabilidad allí donde se disponga de una verdad externa o de una interpretación contextual.
Un registro válido es utilizable según las reglas. No es automáticamente verdadero, completo ni sensato.
Por qué es importante la validez de los datos para las empresas
La validez de los datos es importante porque los valores no válidos pueden perturbar el procesamiento descendente y perjudicar el análisis, la IA y las tareas de cumplimiento normativo. Un código de referencia fallido puede detener el flujo de una transacción, mientras que unas características de modelo mal formadas o fuera de rango pueden pasar a través de un lago de datos e influir en las decisiones sin que se produzcan errores obvios.
El caso de negocio es sustancial. Gartner informó de un coste medio anual de 12,9 millones de dólares por organización debido a la mala calidad de los datos, y el 68 % de los encuestados citó la inexactitud como uno de los factores principales, tal como se resume en la perspectiva estadística de NISS sobre la calidad de los datos. Otro resumen de costes de IBM citado en la cobertura de 2026 afirmaba que la inexactitud podría provocar una pérdida de ingresos del 25 % para las grandes empresas debido a la toma de decisiones erróneas.
La validez como punto de control
Una comprobación de validez no demostrará que la dirección de un cliente sea correcta, pero puede evitar que un código de país imposible, un identificador roto o una fecha no válida entren en un informe regulado. Eso lo convierte en un primer control práctico antes de realizar una verificación de precisión y un análisis de contexto más costosos.
La IA eleva las expectativas. Los modelos heredan los defectos estructurales de sus entradas, y los registros no válidos pueden crear fallos silenciosos incluso cuando las predicciones resultantes parezcan plausibles. Las comprobaciones continuas ofrecen a los equipos de ingeniería y governance una forma auditable de detectar el deterioro de las reglas, aislar los datos afectados y decidir si bloquean, ponen en cuarentena o liberan un conjunto de datos con una excepción explícita.
Cómo se puede monitorear la validez de los datos de forma continua
El monitoreo continuo de la validez de los datos ejecuta reglas de validación cada vez que los datos llegan o cambian, en lugar de esperar a una revisión periódica. El modelo operativo adecuado combina comprobaciones automatizadas, alertas, propiedad y evidencia histórica.
Un patrón práctico tiene el siguiente aspecto:
Validar pronto: Ejecutar comprobaciones de formato, tipo, dominio y anulabilidad cerca de la ingesta, donde los fallos son más fáciles de aislar.
Validar relaciones: Aplicar comprobaciones de campos cruzados, de reglas de negocio y referenciales una vez que se disponga de los campos obligatorios y de los datos de referencia.
Dirigir las excepciones: Poner en cuarentena o etiquetar los registros fallidos en lugar de descartarlos.
Alertar sobre los cambios: Notificar a los propietarios cuando los recuentos de fallos o las tasas de validez se muevan más allá de los límites aprobados.
Conservar el historial: Conservar los resultados de las reglas para que los equipos puedan identificar cuándo comenzó la degradación y conectarla con los cambios de origen o de esquema.
La validación en tiempo real resulta idónea para la autorización de pagos, la incorporación de clientes y otros flujos en los que una entrada incorrecta deba rechazarse de inmediato. La validación por lotes sigue siendo práctica para grandes cargas analíticas, extracciones reguladas programadas y conjuntos de datos en los que una evaluación completa resulta más útil que el bloqueo registro por registro.
Los CDC distinguen la validez de la precisión y describen la validez como la conformidad con las reglas de metadatos y de sintaxis en su hoja de trabajo de evaluación de la calidad de los datos. La conciliación externa puede añadir entonces una capa de precisión independiente. Un estudio sobre la atención de traumas indexado por PubMed asoció la validación externa con una mejora de la precisión, fiabilidad de los datos y validez del modelo descendente, lo que respalda la combinación de comprobaciones internas con comparaciones periódicas autorizadas.
Cómo puede apoyar digna la validez de los datos
digna Data Validation admite comprobaciones de validez deterministas a nivel de registro en función de unas reglas definidas. Los equipos pueden utilizarlo para restricciones de formato, dominio, rango, anulabilidad, reglas de negocio, campos cruzados y referenciales o comerciales, con resultados disponibles para la evaluación de la calidad y la corrección.
Pensemos en un maestro de clientes con un dominio de country_code aprobado. Una regla de validación comprueba cada valor entrante con respecto a esa lista de referencia. Si un origen empieza a enviar un código no aprobado, Data Validation identifica los registros afectados y registra la regla que ha fallado. A continuación, la canalización puede rechazar, poner en cuarentena o dirigir esos registros de acuerdo con la política operativa de la organización.
digna Data Anomalies tiene una función complementaria. Puede identificar un aumento inusual en los fallos de códigos de país en comparación con el comportamiento establecido del conjunto de datos, pero no sustituye a la regla determinista que define qué códigos están aprobados.
digna Data Analytics ayuda a los equipos a examinar los resultados de la validación y las tendencias a lo largo del tiempo. En el ejemplo del maestro de clientes, los análisis pueden mostrar cuándo comenzaron los fallos, si afectan a uno o a varios orígenes y si la corrección restableció el patrón anterior. Dado que digna se ejecuta dentro del entorno del cliente y admite la ejecución en base de datos, los equipos pueden monitorear los resultados manteniendo los datos en su sitio.
Frequently Asked Questions About Data Validity
What is Data Validity?
Es el grado en que los datos se ajustan a los formatos, tipos, dominios, rangos y reglas de negocio definidos.
What is Validity in Data Quality?
La validez es una dimensión medible de la calidad de los datos centrada en la conformidad con las reglas.
How do you measure Data Validity?
Utilice la tasa de validez, la tasa de registros no válidos, la tasa de aprobación de reglas, el recuento de fallos y la conformidad con el dominio aprobado.
What are examples of invalid data?
Entre los ejemplos no válidos se incluyen identificadores mal formados, códigos de referencia desconocidos, nulos prohibidos, rangos imposibles y combinaciones de campos contradictorias.
What is a Data Validation rule?
Se trata de una prueba explícita que determina si un valor o un registro cumple un requisito definido.
What is the difference between Validity and Accuracy?
La validez comprueba la conformidad. La precisión comprueba la correspondencia con la realidad del mundo real.
What is the difference between Validity and Completeness?
La integridad se refiere a los datos que faltan. La validez se refiere a los datos presentes que no cumplen sus reglas.
How can Data Validity be monitored continuously?
Ejecute comprobaciones automatizadas en las canalizaciones, alerte sobre el deterioro, conserve las pruebas y asigne la propiedad de la corrección.
Which digna module supports Data Validity?
digna Data Validation es el módulo principal para los controles deterministas de validez.
Utilice digna para definir reglas de validación a nivel de registro, monitorear fallos en conjuntos de datos críticos e investigar cambios antes de que los datos no válidos lleguen a los flujos de trabajo de informes o de IA. Visite digna para evaluar cómo sus capacidades de Data Validation, digna Data Anomalies y digna Data Analytics pueden encajar en el proceso de calidad de datos de su empresa.
