Recursos e conteúdos
Operação 26 de agosto de 2026 13 min de leitura

Qualidade de dados na prática: como saber se seus dados são realmente confiáveis

Dimensões, métricas, regras e ciclo de tratamento: um guia prático para identificar, medir e corrigir problemas de qualidade de dados em ambientes industriais.

Athenas — Qualidade de dados na prática: como saber se seus dados são realmente confiáveis
Neste artigo

Um dado preenchido não é necessariamente um dado correto.

O exemplo mais banal aparece em qualquer base de clientes ou fornecedores. Três sistemas da mesma empresa registram a mesma entidade assim:

NORVALE | NORVALE S.A. | Norvale Indústria Brasileira S.A.

Nenhum dos três está errado. Todos os campos estão preenchidos, nenhuma validação foi violada. Mas quando alguém consolida faturamento por cliente, aparecem três clientes onde existe um. O ranking muda, o total por conta muda, e a análise de concentração de receita passa a descrever uma realidade que não existe.

O problema não é de digitação: é de ausência de identificação única de entidade e de padrão de escrita. Sem um identificador estável — CNPJ, código mestre — nenhuma correção manual resolve, porque o próximo registro vai chegar com a quarta variação. Esse padrão se repete em ambiente industrial com equipamentos, materiais, centros de custo e fornecedores.

1. O que significa qualidade de dados

Qualidade de dados não é um atributo único — é um conjunto de dimensões que podem falhar de forma independente. Um dado pode ser completo e impreciso, preciso e desatualizado, atual e inconsistente com outro sistema. Tratar “qualidade” como uma coisa só é o que faz projetos de correção não convergirem.

Seis dimensões de qualidade
DimensãoDefiniçãoExemplo de falhaImpacto
CompletudeOs campos necessários estão preenchidos30% das ordens de produção sem código de equipamentoImpossível calcular disponibilidade por ativo; análises silenciosamente parciais
AcuráciaO valor corresponde ao fato do mundo realApontamento de 500 unidades quando a linha produziu 480Indicadores de produtividade e custo unitário distorcidos
ConsistênciaO mesmo fato tem o mesmo valor em todos os lugaresProdução do turno divergindo entre MES e ERPReuniões gastas conciliando números em vez de decidir
AtualidadeO dado está disponível na janela em que é útilSensor sem leitura nova há 6 horas em painel de tempo realDecisão tomada sobre estado passado do processo
UnicidadeCada entidade aparece uma única vezMesmo equipamento cadastrado com dois códigosHistórico de manutenção dividido; falhas recorrentes não detectadas
ValidadeO valor respeita regras, formatos e domíniosUnidade de medida fora do padrão, data em formato divergenteCargas rejeitadas, conversões erradas, médias sem sentido

2. Um problema de qualidade assume várias formas

Em ambiente industrial, os casos abaixo aparecem com frequência e raramente disparam qualquer alerta — os sistemas aceitam todos eles:

Casos recorrentes

Equipamento sem código

A ordem de manutenção existe, mas não está vinculada a um ativo do cadastro mestre. O custo é registrado e não pode ser atribuído.

Data de manutenção inválida

Registro com data futura ou anterior à instalação do equipamento. O cálculo de MTBF passa a incluir intervalos negativos.

Unidade inconsistente

A mesma grandeza chega em bar e em kPa dependendo do gateway. A média da coluna deixa de significar qualquer coisa.

Sensor sem atualização

O último valor válido continua sendo exibido como se fosse atual. O painel parece saudável enquanto a coleta está parada.

Registro duplicado

Reprocessamento de carga gera o mesmo apontamento duas vezes; a produção do turno aparece inflada.

Ordem sem planta

Ordem de produção sem vínculo com planta ou linha. Some das análises filtradas por unidade, sem que ninguém perceba a ausência.

Divergência entre sistemas

Estoque no ERP diferente do apontado no MES, sem regra clara sobre qual fonte prevalece.

Isso significa que problemas pequenos e localizados se propagam. Um vínculo ausente entre ordem e planta não parece grave até o momento em que um relatório por unidade omite 4% da produção — e a decisão de alocação de capacidade é tomada com esse número.

3. Como medir qualidade de dados

Medição é o que separa percepção de gestão. As fórmulas abaixo são deliberadamente simples: o valor está em serem calculadas de forma automática, no mesmo lugar, com a mesma definição, ao longo do tempo.

Métricas básicas
MétricaCálculoO que observar
Completuderegistros preenchidos / registros esperadosMedir por campo crítico, não pela tabela inteira
Duplicidaderegistros duplicados / registros totaisDepende de uma chave de negócio definida; sem chave, não há duplicata identificável
Atualidadeidade média do dado ou atraso em relação ao esperadoComparar com a janela de decisão, não com um alvo genérico
Validaderegistros que atendem às regras / registros avaliadosSó faz sentido com regras declaradas e versionadas
Acuráciaregistros corretos / registros avaliadosExige referência externa: inspeção, contagem física, sistema autoritativo

Duas advertências. Primeiro: essas fórmulas são exemplos e devem ser adaptadas ao contexto — o que conta como “esperado” em completude depende da regra de negócio de cada campo. Segundo: acurácia é a dimensão mais difícil e a mais frequentemente fingida. Sem uma fonte de verdade independente para comparar, o que se mede não é acurácia, é consistência interna.

4. Data quality rules na prática

Regras de qualidade são verificações declaradas, executadas automaticamente e associadas a uma ação quando falham. Alguns exemplos aplicáveis a um ambiente industrial:

Exemplos de regras
RegraTipoAção ao falhar
Temperatura não pode ser menor que -273,15 °CValidade — limite físicoRejeitar registro e alertar a coleta
Data de manutenção não pode ser posterior à data atualValidade — temporalBloquear o apontamento na origem
Código do equipamento deve existir no cadastro mestreIntegridade referencialEnviar para quarentena e notificar o responsável do cadastro
Toda ordem de produção precisa estar associada a uma plantaCompletude obrigatóriaImpedir o fechamento da ordem
Unidade de medida deve pertencer ao domínio padronizadoValidade — domínioConverter quando houver regra, ou rejeitar
Leitura de sensor crítico não pode ter mais de 5 minutosAtualidadeMarcar o indicador como não confiável no painel
Vibração deve estar entre 0 e 50 mm/sPlausibilidade de faixaSinalizar para análise sem descartar o valor

A coluna mais importante é a terceira. Uma regra sem ação definida vira relatório que ninguém lê. E a escolha da ação é decisão de negócio, não técnica: rejeitar um registro de temperatura implausível pode ser correto em um cálculo de custo e errado em uma investigação de falha, onde justamente o valor anômalo interessa.

5. O que fazer quando um problema é encontrado

Ciclo de tratamento
  1. 01DetectarRegra automatizada acusa a falha
  2. 02ClassificarDimensão, criticidade, volume afetado
  3. 03Identificar origemEm qual camada o desvio nasce
  4. 04CorrigirAjuste no ponto de origem
  5. 05PrevenirValidação ou controle que impede a repetição
  6. 06MonitorarAcompanhamento contínuo da métrica
  • Detectar: a falha aparece por regra automatizada, não por alguém estranhar um número na reunião.
  • Classificar: qual dimensão falhou, quantos registros foram afetados, quais decisões dependem deles. Classificação é o que permite priorizar.
  • Identificar origem: descobrir em qual camada o desvio aparece pela primeira vez — coleta, integração, transformação ou consumo.
  • Corrigir: agir no ponto onde o problema nasce; corrigir cópias a jusante é remediação temporária.
  • Prevenir: adicionar validação na entrada, restrição de domínio, chave única ou ajuste de procedimento operacional.
  • Monitorar: manter a métrica visível para confirmar que a correção funcionou e detectar reincidência.

A etapa mais frequentemente saltada é “prevenir”. Sem ela, o ciclo vira uma rotina de correções manuais que consome equipe e nunca reduz a incidência — e a percepção interna passa a ser de que “os dados são ruins”, sem que ninguém consiga apontar onde.

6. Qualidade e causa raiz

Considere o seguinte cenário. O painel gerencial mostra produção acima do real em uma das linhas. Um analista identifica o problema, ajusta a consulta do painel para desconsiderar os registros duplicados e o número volta ao esperado. Três semanas depois, o mesmo desvio reaparece — agora também em um relatório de custos que ninguém havia ajustado.

O ajuste no painel não era uma correção: era um filtro que escondia o sintoma em um único ponto de consumo. A duplicação continuava sendo gravada, e todo consumidor que não recebeu o mesmo filtro seguiu apresentando o valor inflado.

Onde a causa pode estar
  1. 01FonteApontamento em duplicidade, sensor descalibrado
  2. 02IntegraçãoReenvio sem idempotência, janela sobreposta
  3. 03PipelineReprocessamento sem chave única
  4. 04TransformaçãoJunção que multiplica linhas
  5. 05ArmazenamentoAusência de restrição de unicidade
  6. 06ConsumoFiltro que apenas mascara o sintoma

A investigação segue a mesma lógica de descida por camadas usada em rastreabilidade: verifique em qual delas a duplicação já está presente. Se a camada bruta já contém dois registros idênticos, a causa é anterior ao pipeline. Se ela contém um e a tabela analítica contém dois, a causa está na transformação — muito provavelmente uma junção com cardinalidade não verificada.

Problemas de qualidade muitas vezes surgem durante integrações e transformações. O conteúdo sobre data lineage explica como rastrear esse caminho camada por camada.

7. Como criar um indicador de qualidade de dados

Um painel de qualidade não precisa ser sofisticado. Precisa ser específico, calculado sempre da mesma forma e ter alguém responsável por cada linha. Uma estrutura mínima funcional:

Estrutura de um painel de qualidade
IndicadorEscopo sugeridoServe para
Completude por campo críticoPor tabela e por campo obrigatórioMostrar onde faltam dados que sustentam indicadores
Acurácia amostralComparação com contagem física ou sistema autoritativoEstimar desvio real, quando há referência disponível
Consistência entre sistemasPares de fontes que descrevem o mesmo fatoAntecipar divergências antes da reunião de resultados
AtualidadePor fonte, com janela esperada declaradaDistinguir 'sem novidade' de 'coleta parada'
DuplicidadePor chave de negócioDetectar reprocessamento e falta de restrição de unicidade
Taxa de erros por regraPor regra e por períodoPriorizar quais regras causam mais retrabalho
Registros rejeitados / em quarentenaVolume e tempo em esperaEvitar que a quarentena se torne um depósito permanente
Tempo médio para correçãoPor tipo de problema e responsávelAvaliar a capacidade de resposta, não apenas a incidência

Deliberadamente, não há valores-alvo aqui. Metas de qualidade só fazem sentido a partir da linha de base da própria operação e da criticidade de cada dado: exigir 99% de completude em um campo que não sustenta nenhuma decisão desperdiça esforço, e aceitar 90% em um campo que alimenta cálculo de custo compromete o resultado. Meça primeiro, defina alvo depois.

8. Checklist final

Avaliação rápida
  • Existem regras de qualidade definidas e documentadas para os dados críticos?
  • Essas regras são executadas automaticamente, e não por conferência manual?
  • Existe monitoramento contínuo das métricas de qualidade?
  • Cada tipo de problema tem um responsável nomeado?
  • A origem dos erros pode ser identificada camada por camada?
  • Existe histórico dos problemas encontrados e das correções aplicadas?
  • Os dados críticos têm critérios mínimos de qualidade declarados?
  • A qualidade é acompanhada de forma contínua, e não apenas em projetos pontuais?

Se a maioria das respostas for negativa, o ponto de partida mais eficiente não é um programa amplo de qualidade. É escolher os três dados que sustentam as decisões mais caras, declarar suas regras, automatizar a verificação e medir. O resultado dessa medição costuma justificar — com números da própria operação — a extensão do trabalho para o resto do ambiente.

Conclusão

Dados confiáveis não surgem apenas de uma boa coleta. Eles dependem de regras declaradas, monitoramento automatizado, rastreabilidade da origem e processos contínuos de melhoria. Coleta resolve disponibilidade; confiabilidade é construída depois, e mantida.

Isso significa que qualidade é uma prática operacional, não um projeto com data de encerramento. Cada nova fonte, cada mudança de regra e cada integração adicionada reintroduz as mesmas perguntas — e a diferença entre um ambiente confiável e um ambiente em constante conciliação está em ter respostas automatizadas para elas.

EAEquipe AthenasAthenas Data Intelligence
Compartilhar

Veja como o Athenas organiza os dados da sua operação

Uma demonstração de aproximadamente 40 minutos mostrando a conexão das fontes, o catálogo, o UNS ISA-95 e a distribuição dos dados em tempo real.