O que são métricas de qualidade de dados

Uma métrica de qualidade de dados é uma medida quantificável que indica o grau em que um conjunto de dados atende a critérios predefinidos para um uso específico. Ela difere de dimensão, que é a categoria de avaliação (como completude ou precisão), e de KPI de negócio, que usa dados como insumo para medir resultado comercial. A métrica de qualidade existe uma camada abaixo: ela avalia o próprio dado antes que ele alimente qualquer indicador.

Projetos de CDP, CRM e analytics dependem fundamentalmente da confiança no dado de entrada. Um modelo de propensão calibrado sobre registros duplicados, um segmento de e-mail com 30% de endereços inválidos ou um dashboard de receita consolidado a partir de sistemas desconexos produzem decisões erradas com aparência de precisão. Medir qualidade de dados não é burocracia: é pré-condição para que qualquer iniciativa de dados entregue valor real.

O custo da baixa qualidade de dados é concreto. Pesquisas do setor estimam que organizações perdem entre 15% e 25% da receita operacional em retrabalho, campanhas mal direcionadas e decisões baseadas em informações incorretas. No contexto brasileiro, onde bases cadastrais tendem a ser fragmentadas entre canais, esse número pode ser ainda mais expressivo.

As principais métricas e o que cada uma mede

Completude

Completude mede a proporção de campos preenchidos em relação ao total esperado para um registro. Um cadastro de cliente com campo de CPF ausente em 40% dos registros tem completude de 60% nessa dimensão. A métrica responde à pergunta: o dado está lá?

Precisão

Precisão avalia se o valor registrado reflete corretamente a realidade. Um CEP preenchido, mas incorreto para o endereço informado, tem completude 100% e precisão zero. Precisão exige validação contra uma fonte de verdade externa, como base dos Correios, Receita Federal ou registros transacionais.

Consistência

Consistência mede a uniformidade de um mesmo dado entre sistemas distintos. O nome do cliente no CRM bate com o nome no ERP e no sistema de atendimento? Divergências indicam integração deficiente ou ausência de um registro mestre. Essa dimensão é especialmente crítica em arquiteturas com múltiplos sistemas legados.

Unicidade

Unicidade detecta registros duplicados na base. A taxa de duplicidade é o inverso: proporção de registros que aparecem mais de uma vez. Duplicatas inflam métricas de alcance, distorcem cálculos de LTV e disparam comunicações redundantes para o mesmo cliente, prejudicando a experiência.

Validade

Validade verifica se o dado respeita formatos e regras de negócio definidos. Um CPF com 10 dígitos, uma data de nascimento no futuro ou um e-mail sem “@” são exemplos de registros que passam pelo campo mas violam a estrutura esperada. Validação pode ser sintática (formato) ou semântica (faz sentido para o negócio?).

Atualidade (timeliness)

Atualidade mede o tempo entre a ocorrência de um evento e a disponibilidade do dado para consumo. Um endereço atualizado pelo cliente há seis meses, mas ainda não sincronizado no sistema de logística, pode causar falha na entrega. Em dados comportamentais em tempo real, latência de minutos já compromete personalização.

Como calcular e expressar cada métrica na prática

Fórmulas básicas

A fórmula de completude é direta:

Completude (%) = (Campos preenchidos / Campos esperados) × 100

Exemplo: numa tabela de 10.000 clientes com campo “telefone” obrigatório, 7.800 registros têm o campo preenchido. Completude = 78%.

A taxa de duplicidade segue lógica similar:

Taxa de duplicidade (%) = (Registros duplicados / Total de registros) × 100

Se uma base de 50.000 linhas contém 3.200 duplicatas identificadas por CPF ou e-mail, a taxa é 6,4%. Isso significa que análises de audiência estão superestimadas em pelo menos essa proporção.

Definindo o denominador correto

O erro mais comum é usar o universo total quando o correto é o universo relevante. Completude de “renda declarada” medida sobre toda a base pode ser 20%, mas se esse campo só é obrigatório para clientes PF do segmento premium, o denominador correto é apenas esse subconjunto, e a métrica pode ser 85%. Usar o denominador errado mascara ou exagera problemas.

Scores compostos de qualidade

Quando múltiplas dimensões precisam ser comunicadas para stakeholders não técnicos, um índice composto é útil. Uma abordagem simples é atribuir peso a cada dimensão conforme criticidade para o negócio e calcular a média ponderada. Por exemplo: completude (30%), validade (25%), unicidade (20%), consistência (15%) e atualidade (10%). O score resultante, de 0 a 100, permite comparar domínios de dados e evoluir ao longo do tempo.

Como monitorar métricas de qualidade de dados continuamente

Auditoria pontual vs. monitoramento contínuo

Auditorias pontuais, geralmente feitas antes de uma migração ou lançamento de projeto, revelam o estado do dado em um momento específico, mas não capturam degradação gradual. Monitoramento contínuo via pipelines automatizados detecta anomalias à medida que os dados fluem, permitindo intervenção antes que o problema se propague para relatórios e decisões.

Ferramentas e abordagens agnósticas

Independentemente da stack tecnológica, três abordagens se aplicam a qualquer ambiente:

• Data profiling: análise estatística automática de distribuições, nulos, cardinalidade e padrões. Ferramentas como Great Expectations, dbt tests e Apache Griffin cobrem esse espaço com diferentes graus de complexidade.
• Testes automatizados no pipeline: validações embutidas no processo de ingestão que bloqueiam ou sinalizam registros fora do padrão antes de chegarem à camada analítica.
• Alertas e SLOs de qualidade: thresholds configurados para disparar notificações quando uma métrica cai abaixo do nível acordado, análogo a alertas de disponibilidade em engenharia de software.

Frequência de medição por tipo de dado

Dados transacionais (pedidos, pagamentos) exigem monitoramento próximo ao tempo real, dado o impacto operacional imediato de erros. Dados cadastrais (nome, endereço, CPF) toleram verificações diárias ou semanais, mas precisam de gatilhos para mudanças. Dados comportamentais (cliques, sessões) demandam atenção especial à atualidade, pois perdem relevância rapidamente para personalização.

Dashboards de qualidade para times de negócio e dados

Um dashboard de qualidade eficaz segrega visões: times de dados precisam ver métricas por tabela, campo e pipeline; times de negócio precisam ver o impacto traduzido. “X% dos clientes da campanha têm e-mail inválido” é mais acionável do que “validade do campo email_address: 73%”. Ferramentas como Metabase, Looker ou Power BI permitem construir essas duas camadas sobre os mesmos dados de qualidade.

Aplicação no contexto brasileiro: desafios específicos

CPF, endereço e telefone

CPF é o identificador universal de pessoa física no Brasil, mas bases legadas contêm CPFs formatados de formas distintas (com e sem pontuação), CPFs de teste (111.111.111-11), CPFs de terceiros usados por engano e CPFs duplicados associados a clientes diferentes. Endereços sofrem com a inconsistência entre logradouro digitado livremente e CEP, além de desatualizações por mudanças sem comunicação. Telefones aparecem com e sem DDI, com 8 ou 9 dígitos; o WhatsApp como canal principal aumentou a importância dessa informação ao mesmo tempo que multiplicou os formatos.

Impacto da LGPD nas métricas

A Lei Geral de Proteção de Dados impõe limites sobre o que pode ser coletado, por quanto tempo retido e com qual finalidade. Isso afeta diretamente a completude: campos que antes eram coletados por padrão agora exigem consentimento explícito, reduzindo naturalmente o preenchimento de alguns atributos. Equipes de dados precisam distinguir entre completude baixa por falha operacional e completude baixa por adequação à LGPD, pois as respostas são completamente diferentes.

Fragmentação de canais

No Brasil, um consumidor interage com uma marca via WhatsApp, marketplace (Mercado Livre, Shopee, Amazon BR), app próprio, PDV físico e e-commerce, muitas vezes sem login unificado. Cada canal gera um cadastro parcial com identifiers diferentes. O resultado é inconsistência estrutural: o mesmo cliente com quatro representações distintas na base, cada uma com atributos conflitantes. Esse cenário torna as dimensões de unicidade e consistência especialmente desafiadoras e justifica investimento em resolução de identidade.

Armadilhas comuns ao definir métricas de qualidade de dados

Medir tudo sem priorizar

Calcular todas as dimensões para todos os campos de todos os domínios de dados gera volume de informação que paralisa em vez de orientar. O ponto de partida correto é mapear quais dados alimentam decisões críticas para o negócio e concentrar esforço de medição neles. Qualidade de dados irrelevantes para nenhum processo não precisa ser monitorada.

Confundir meta com métrica: a Lei de Goodhart

Quando uma métrica vira meta, ela deixa de ser boa métrica. Se o time é cobrado por completude de CPF acima de 95%, a pressão pode levar ao preenchimento de CPFs fictícios para atingir o número. A métrica sobe; a qualidade real despenca. Metas de qualidade precisam ser acompanhadas de auditoria sobre o processo que gera o dado, não apenas sobre o número resultante.

Focar no sintoma, ignorar a causa

Um campo com baixa validade é um sintoma. A causa pode ser um formulário sem validação no front-end, um operador de call center sem treinamento ou uma integração que trunca valores. Tratar apenas o dado já corrompido, via limpeza manual ou transformação, sem corrigir o processo de origem garante que o problema se repita. Diagnóstico de causa-raiz é parte inseparável de qualquer programa de qualidade de dados.

Ausência de data ownership

Sem um responsável claro por cada domínio de dado, seja um data owner no negócio ou um steward técnico, métricas de qualidade ficam sem dono para agir quando o indicador piora. A definição de ownership por domínio (cliente, produto, transação, contrato) é pré-requisito para que o monitoramento gere ação e não apenas relatório.

Como avaliar e evoluir seu programa de qualidade de dados

Use os passos abaixo como roteiro de maturidade progressiva, sem tentar implementar tudo de uma vez:

1. Mapeie os dados críticos: identifique quais domínios e campos alimentam decisões de alto impacto, como campanhas, modelos preditivos e relatórios financeiros. Comece por eles.
2. Estabeleça a linha de base: rode um profiling inicial para saber onde você está hoje em completude, unicidade e validade nos campos prioritários.
3. Defina thresholds aceitáveis: em conjunto com as áreas de negócio, estabeleça o nível mínimo de qualidade para cada dimensão crítica. Documente e formalize.
4. Automatize testes no pipeline: implemente validações automatizadas para que dados fora do padrão sejam identificados antes de chegar a relatórios e modelos.
5. Atribua ownership: para cada domínio de dado prioritário, designe um responsável com autoridade para acionar correções no processo de origem.
6. Revise trimestralmente: à medida que o negócio evolui, novos dados se tornam críticos e antigas prioridades mudam. O programa de qualidade precisa acompanhar essa dinâmica.

Qualidade de dados não é um projeto com fim definido. É uma capacidade organizacional que se constrói incrementalmente e que, quando bem estabelecida, reduz o custo de qualquer iniciativa analítica futura.