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.

Neste artigo
- 011. O que significa qualidade de dados
- 022. Um problema de qualidade assume várias formas
- 033. Como medir qualidade de dados
- 044. Data quality rules na prática
- 055. O que fazer quando um problema é encontrado
- 066. Qualidade e causa raiz
- 077. Como criar um indicador de qualidade de dados
- 088. Checklist final
- 09Conclusão
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.
| Dimensão | Definição | Exemplo de falha | Impacto |
|---|---|---|---|
| Completude | Os campos necessários estão preenchidos | 30% das ordens de produção sem código de equipamento | Impossível calcular disponibilidade por ativo; análises silenciosamente parciais |
| Acurácia | O valor corresponde ao fato do mundo real | Apontamento de 500 unidades quando a linha produziu 480 | Indicadores de produtividade e custo unitário distorcidos |
| Consistência | O mesmo fato tem o mesmo valor em todos os lugares | Produção do turno divergindo entre MES e ERP | Reuniões gastas conciliando números em vez de decidir |
| Atualidade | O dado está disponível na janela em que é útil | Sensor sem leitura nova há 6 horas em painel de tempo real | Decisão tomada sobre estado passado do processo |
| Unicidade | Cada entidade aparece uma única vez | Mesmo equipamento cadastrado com dois códigos | Histórico de manutenção dividido; falhas recorrentes não detectadas |
| Validade | O valor respeita regras, formatos e domínios | Unidade de medida fora do padrão, data em formato divergente | Cargas 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:
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.
| Métrica | Cálculo | O que observar |
|---|---|---|
| Completude | registros preenchidos / registros esperados | Medir por campo crítico, não pela tabela inteira |
| Duplicidade | registros duplicados / registros totais | Depende de uma chave de negócio definida; sem chave, não há duplicata identificável |
| Atualidade | idade média do dado ou atraso em relação ao esperado | Comparar com a janela de decisão, não com um alvo genérico |
| Validade | registros que atendem às regras / registros avaliados | Só faz sentido com regras declaradas e versionadas |
| Acurácia | registros corretos / registros avaliados | Exige 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:
| Regra | Tipo | Ação ao falhar |
|---|---|---|
| Temperatura não pode ser menor que -273,15 °C | Validade — limite físico | Rejeitar registro e alertar a coleta |
| Data de manutenção não pode ser posterior à data atual | Validade — temporal | Bloquear o apontamento na origem |
| Código do equipamento deve existir no cadastro mestre | Integridade referencial | Enviar para quarentena e notificar o responsável do cadastro |
| Toda ordem de produção precisa estar associada a uma planta | Completude obrigatória | Impedir o fechamento da ordem |
| Unidade de medida deve pertencer ao domínio padronizado | Validade — domínio | Converter quando houver regra, ou rejeitar |
| Leitura de sensor crítico não pode ter mais de 5 minutos | Atualidade | Marcar o indicador como não confiável no painel |
| Vibração deve estar entre 0 e 50 mm/s | Plausibilidade de faixa | Sinalizar 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
- 01DetectarRegra automatizada acusa a falha
- 02ClassificarDimensão, criticidade, volume afetado
- 03Identificar origemEm qual camada o desvio nasce
- 04CorrigirAjuste no ponto de origem
- 05PrevenirValidação ou controle que impede a repetição
- 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.
- 01FonteApontamento em duplicidade, sensor descalibrado
- 02IntegraçãoReenvio sem idempotência, janela sobreposta
- 03PipelineReprocessamento sem chave única
- 04TransformaçãoJunção que multiplica linhas
- 05ArmazenamentoAusência de restrição de unicidade
- 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:
| Indicador | Escopo sugerido | Serve para |
|---|---|---|
| Completude por campo crítico | Por tabela e por campo obrigatório | Mostrar onde faltam dados que sustentam indicadores |
| Acurácia amostral | Comparação com contagem física ou sistema autoritativo | Estimar desvio real, quando há referência disponível |
| Consistência entre sistemas | Pares de fontes que descrevem o mesmo fato | Antecipar divergências antes da reunião de resultados |
| Atualidade | Por fonte, com janela esperada declarada | Distinguir 'sem novidade' de 'coleta parada' |
| Duplicidade | Por chave de negócio | Detectar reprocessamento e falta de restrição de unicidade |
| Taxa de erros por regra | Por regra e por período | Priorizar quais regras causam mais retrabalho |
| Registros rejeitados / em quarentena | Volume e tempo em espera | Evitar que a quarentena se torne um depósito permanente |
| Tempo médio para correção | Por tipo de problema e responsável | Avaliar 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
- 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.
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.
Continue lendo

