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 formatos definidos, tipos de datos, valores permitidos, rangos y reglas de negocio. 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 todas las comprobaciones 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
Por qué es importante la validez de los datos para las empresas
Cómo se puede supervisar la validez de los datos de forma continua
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 situarse dentro de su dominio definido y un código de referencia debe resolverse frente a una lista aprobada.
La validez se diferencia de la precisión en el punto de definición. La precisión se pregunta si un valor representa correctamente el objeto o evento del mundo real. La validez se 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 la ingesta, la transformación, la carga del almacén y la elaboración de informes.
Una secuencia de implementación útil es:
Definir el requisito. Documentar el tipo esperado, el formato, el dominio, el rango, la política de nulos o la relación.
Aplicar la regla al nivel de detalle adecuado. Comprobar los campos críticos individualmente y, a continuación, evaluar los resultados de los registros y de los conjuntos de datos.
Capturar la evidencia. Almacenar la regla que ha fallado, el registro afectado, el origen, la marca de tiempo y el estado de la remediación.
Establecer la propiedad. El equipo responsable de la fuente 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 documentada, un propietario y un propósito empresarial.
Las organizaciones que desarrollan un programa más amplio de calidad de datos pueden situar este control junto a 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 río abajo.
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 se pueden probar 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 integridad referencial, la unicidad o desduplicación, la Timeliness, la razonabilidad y la coherencia.
Los principales tipos de validez son distintos, pero a menudo operan 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 de valores aprobado. | El campo |
Validez de rango | El valor se encuentra entre los límites definidos. | El saldo de una cuenta no está por debajo del umbral empresarial permitido. |
Validez de tipo de datos | El valor utiliza el tipo requerido. | Un campo de ingresos contiene valores numéricos en lugar de texto. |
Anulabilidad | Los valores ausentes cumplen con la política de nulos permitida para el campo. | Un identificador de transacción nunca es nulo tras la autorización del pago. |
Validez de campos cruzados | Los campos relacionados cumplen una relación lógica. | La fecha de finalización de una póliza es posterior a su fecha de inicio. |
Validez de reglas 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. | Un identificador de sucursal existe en el maestro de sucursales actual. |
Elegir la regla correcta
Las comprobaciones de formato detectan fallos de sintaxis evidentes, pero rara vez son suficientes por sí solas. Un valor puede tener la estructura correcta mientras utiliza un código retirado, infringe una relación o contradice una política empresarial.
Por ello, un modelo maduro de dimensiones de calidad de datos trata la validez como un control por capas. Las comprobaciones estructurales deben ejecutarse primero, seguidas de las comprobaciones de dominio, de relación y de reglas de negocio allí donde 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 ejemplos de datos no válidos
Los datos no válidos son aquellos que no cumplen con un formato, tipo, dominio, rango, anulabilidad, relación o regla de negocio definidos. A menudo se introducen a través de formularios permisivos, cambios en los sistemas de origen, cargas manuales, marcadores de posición predeterminados o transformaciones que no conservan 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 una moneda o un código de país no aprobados. | El valor no se encuentra en el dominio mantenido. |
Rango | Una fuente 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 que no se puede analizar. | El valor no puede interpretarse como el tipo requerido. |
Anulabilidad | Un identificador de cliente obligatorio está vacío. | La definición del campo prohíbe los valores nulos. |
Campos cruzados | La fecha de finalización de un 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 falla 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 de la interfaz, mientras que un aumento repentino de códigos de referencia desconocidos puede apuntar a un Release ascendente o a un problema de sincronización de los datos de referencia. La detección de digna 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 cumplen con las reglas de validación definidas. El cálculo principal es:
Tasa de validez = registros o valores válidos / registros o valores evaluados × 100
La visión inversa, la tasa de registros no válidos, muestra la proporción que falló al menos una regla. Los equipos también deben conservar el recuento de fallos de reglas, la tasa de aprobación de 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 general estable mientras una regla crítica se deteriora bruscamente.
Medir en múltiples niveles
A nivel de campo, mida si los valores cumplen las reglas del campo. A nivel de registro, determine si un registro supera todas las comprobaciones requeridas. A nivel de tabla y canalización, agregue los resultados conservando las categorías de fallo subyacentes.
Capa de validación | Métrica | Ejemplo de regla | Umbral típico |
|---|---|---|---|
Formato y tipo | Tasa de aprobación de reglas | Cada identificador coincide con el patrón y tipo aprobados. | Establecido según la criticidad del campo. |
Dominio y rango | Porcentaje dentro del dominio | Cada | Establecido según el riesgo operativo. |
Negocio y campos cruzados | Recuento de fallos de reglas | La fecha de finalización es posterior a la fecha de inicio. | Investigar cualquier aumento material. |
No existe un umbral aceptable universal. Un campo de informe regulatorio puede requerir una conformidad casi total, mientras que un conjunto de datos exploratorio puede tolerar más excepciones si los analistas entienden las limitaciones. El umbral debe reflejar la criticidad empresarial, la exposición regulatoria, el uso posterior 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 de negocio actuales. Los equipos que establezcan 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 se pregunta si los datos siguen unas reglas definidas. La precisión se pregunta si representan la realidad. La integridad se pregunta si los datos requeridos están presentes. La razonabilidad se pregunta si un valor o patrón parece plausible en su contexto.
Considere el registro de un cliente. Un número de teléfono puede ajustarse al formato internacional requerido, lo que lo hace válido, pero pertenecer a otra persona, lo que lo hace inexacto. La falta de una dirección de correo electrónico es principalmente un fallo de integridad. Un salario que se ajusta al rango numérico permitido puede seguir pareciendo irrazonable para el puesto o el grupo de pares del empleado.
Por qué la distinción afecta a las operaciones
La validez suele ser el más barato 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 con pares o modelos de anomalías.
Las dimensiones se superponen, pero no deben colapsarse en una sola puntuación sin explicación. Un registro puede estar completamente cumplimentado y ser estructuralmente válido y, al mismo tiempo, ser inexacto. Por el contrario, un registro puede contener un valor exacto que falle un requisito de formato local porque los sistemas de origen utilizan representaciones incompatibles.
Por lo tanto, la dimensión de precisión en la calidad de los datos pertenece a una evaluación por capas y no debe sustituir a la validez. Utilice puertas de validez deterministas de forma temprana 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 o 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 posterior y socavar el trabajo de análisis, IA y cumplimiento normativo. Un código de referencia fallido puede detener el flujo de una transacción, mientras que las características de un 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 evidentes.
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 falta de precisión como uno de los principales factores, tal y como se resume en la perspectiva estadística de la 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 del 25 % de los ingresos de las grandes empresas debido a una toma de decisiones defectuosa.
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. Esto lo convierte en un primer control práctico antes de realizar una verificación de precisión y un análisis de contexto más costosos.
La IA eleva la apuesta. Los modelos heredan los defectos estructurales de sus entradas, y los registros no válidos pueden provocar fallos silenciosos incluso cuando las predicciones resultantes parecen 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 supervisar la validez de los datos de forma continua
La supervisión continua de la validez de los datos ejecuta reglas de validación cada vez que llegan o cambian los datos, en lugar de esperar a una revisión periódica. El modelo operativo adecuado combina comprobaciones automatizadas, alertas, propiedad y evidencia histórica.
Un patrón práctico se parece a esto:
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 dispone de los campos requeridos y de los datos de referencia.
Enrutar excepciones: Poner en cuarentena o etiquetar los registros fallidos en lugar de descartarlos.
Alertar sobre 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 cambios en el origen o en el esquema.
La validación en tiempo real se adapta a la autorización de pagos, la incorporación de clientes y otros flujos en los que las entradas incorrectas deben rechazarse inmediatamente. La validación por lotes sigue siendo práctica para grandes cargas analíticas, extracciones regulatorias programadas y conjuntos de datos en los que una evaluación completa es 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 sintaxis en su hoja de trabajo de evaluación de la calidad de los datos. La conciliación externa puede añadir una capa de precisión independiente. Un estudio sobre atención al trauma indexado por PubMed asoció la validación externa con una mejora de la precisión y fiabilidad de los datos, así como de la validez del modelo posterior, lo que respalda la combinación de comprobaciones internas con comparaciones autorizadas periódicas.
Cómo puede digna respaldar la validez de los datos
digna Data Validation admite comprobaciones de validez deterministas a nivel de registro frente a reglas definidas. Los equipos pueden utilizarlo para restricciones de formato, dominio, rango, anulabilidad, reglas de negocio, campos cruzados y restricciones referenciales o de negocio, con resultados disponibles para la evaluación de la calidad y la remediación.
Considere un maestro de clientes con un dominio de country_code aprobado. Una regla de validación comprueba cada valor entrante con esa lista de referencia. Si un origen comienza a enviar un código no aprobado, digna Data Validation identifica los registros afectados y registra la regla que ha fallado. A continuación, la canalización puede rechazar, poner en cuarentena o enrutar esos registros de acuerdo con la política operativa de la organización.
digna Data Anomalies tiene un papel complementario. 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, el análisis puede mostrar cuándo comenzaron los fallos, si afectan a una o a varias fuentes y si la remediación restableció el patrón anterior. Dado que digna se ejecuta dentro del entorno del cliente y admite la ejecución en la base de datos, los equipos pueden supervisar los resultados manteniendo los datos en su sitio.
Preguntas frecuentes sobre la validez de los datos
¿Qué es la validez de los datos?
Es el grado en que los datos se ajustan a los formatos, tipos, dominios, rangos y reglas de negocio definidos.
¿Qué es la validez en la calidad de los datos?
La validez es una dimensión medible de la calidad de los datos centrada en la conformidad con las reglas.
¿Cómo se mide la validez de los datos?
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.
¿Cuáles son ejemplos de datos no válidos?
Entre los ejemplos no válidos se incluyen identificadores mal formados, códigos de referencia desconocidos, nulos prohibidos, rangos imposibles y combinaciones de campos contradictorias.
¿Qué es una regla de digna Data Validation?
Es una prueba explícita que determina si un valor o registro cumple un requisito definido.
¿Cuál es la diferencia entre validez y precisión?
La validez comprueba la conformidad. La precisión comprueba la correspondencia con la realidad del mundo real.
¿Cuál es la diferencia entre validez e integridad?
La integridad se refiere a los datos ausentes. La validez se refiere a los datos presentes que no cumplen sus reglas.
¿Cómo se puede supervisar la validez de los datos de forma continua?
Ejecute comprobaciones automatizadas en las canalizaciones, alerte sobre el deterioro, conserve las pruebas y asigne la propiedad de la remediación.
¿Qué módulo de digna respalda la validez de los datos?
digna Data Validation es el módulo principal para los controles de validez deterministas.
Utilice digna para definir reglas de validación a nivel de registro, supervisar 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 digna Data Validation, digna Data Anomalies y digna Data Analytics pueden encajar en el proceso de calidad de datos de su empresa.
