O que é, na prática
Cliente cadastrado três vezes com grafias diferentes. Produto sem código. OS fechada com status "em andamento". Telefone no campo de e-mail. Cada um desses é um problema de qualidade — e juntos explicam por que o relatório nunca bate e a automação "não funciona".
Dimensões
- Completude: os campos obrigatórios estão preenchidos?
- Exatidão: o dado reflete a realidade?
- Consistência: o mesmo dado é igual em todos os lugares?
- Atualidade: foi atualizado quando a realidade mudou?
- Unicidade: cada entidade existe uma vez?
Por que importa
- Relatórios e KPIs só são confiáveis com dado confiável.
- Integrações quebram com dado inconsistente.
- IA aplicada amplifica o que recebe — bom ou ruim.
- Decisões erradas custam mais que o sistema.
Como um sistema ajuda
- Validação na origem (CNPJ válido, campo obrigatório, formato).
- Detecção de duplicidade no cadastro.
- Fonte única por dado.
- Painel de qualidade: o que está incompleto, quem precisa corrigir.
Como a DAS trata
Qualidade de dados é avaliada no diagnóstico — é um dos três critérios de viabilidade de integração — e tratada na migração (ETL) e nas regras de cadastro do novo sistema.
Dúvidas comuns sobre Qualidade de dados
Por que a qualidade de dados importa para IA?
Porque IA aprende e age sobre o dado. Cadastro duplicado, campo vazio e status errado viram decisão errada — mais rápida e em maior volume.
Como melhorar sem parar a operação?
Bloqueando o problema na origem (validação no cadastro), limpando o histórico por etapas (ETL) e medindo: percentual de cadastros completos, duplicados por mês.