Qualidade de dados:
o que é e como garantir na prática

Duas pessoas de times diferentes, na mesma reunião, olhando para a mesma pergunta: "quantos leads qualificados geramos essa semana?" Marketing responde um número. Vendas responde outro. Ninguém mudou a pergunta, mas a resposta muda dependendo de quem fala. A reação mais comum é pensar que alguém errou a conta. Na maioria das vezes, não é isso.

Qualidade de dados é o grau em que um número reflete o que realmente aconteceu no negócio, de forma completa e consistente o suficiente para sustentar uma decisão. Quando essa qualidade cai, o problema não aparece como um erro óbvio, aparece como divergência: dois times, dois números, e uma reunião que muda de assunto antes mesmo de discutir o que fazer a seguir. Entenda o que é qualidade de dados na prática.

O que é qualidade de dados

Qualidade de dados não é sobre ter dados. A maioria das empresas já tem dados demais, planilhas, CRMs, ferramentas de analytics, ERPs, cada um guardando uma versão da realidade. O problema não é volume, é confiabilidade: será que aquele número, o que está no relatório, no dashboard ou na tela do CRM, corresponde ao que de fato aconteceu na operação?

O framework de referência em gestão de dados, o DAMA-DMBOK, organiza essa pergunta em torno de dimensões de qualidade, critérios objetivos para avaliar se um dado é confiável o suficiente para uma decisão. A literatura acadêmica lista seis, oito, às vezes mais dimensões. Na prática de negócio, três delas concentram quase todo o problema que aparece no dia a dia de marketing, comercial e operação.

• Acurácia: é o quanto o dado reflete o que realmente aconteceu. Uma venda registrada com o valor errado, uma conversão atribuída ao canal errado, um evento de checkout que dispara sem uma compra ter sido concluída, todos esses são problemas de acurácia: o dado existe, mas não corresponde à realidade;

• Completude: é se falta alguma informação relevante para responder à pergunta que está sendo feita. Um campo de origem de tráfego que chega como "not set" em boa parte dos registros, um formulário que não captura o telefone do lead, uma venda sem o vendedor responsável associado, isso é completude: o dado que existe está correto, mas o que falta impede a análise.

• Consistência é se aquele número bate com o mesmo dado em outros sistemas da empresa. Quando o CRM mostra um total de vendas do mês, o financeiro mostra outro e o dashboard de marketing mostra um terceiro, mesmo que os três estejam tecnicamente certos dentro da própria lógica, a falta de consistência é o que transforma uma reunião de resultado numa disputa sobre qual número usar.

Nenhuma dessas três dimensões tem relação com o quanto o painel é bonito ou fácil de usar. Um dashboard bem desenhado, construído sobre um dado que falha em qualquer uma das três, só passa uma confiança que a empresa não deveria ter.

Como validar métricas e garantir a qualidade dos dados

Antes de discutir framework, processo ou ferramenta, vale começar por uma pergunta simples: esse número resiste à validação? Se alguém pegasse o indicador apresentado no relatório e o comparasse com a fonte que registra aquela operação — o CRM, o sistema de vendas ou o financeiro — o resultado seria o mesmo?

Essa checagem ajuda a avaliar, na prática, as três dimensões de qualidade apresentadas anteriormente. Pegue uma métrica importante e confronte o número do relatório com a sua origem, verificando se o valor, o período e os critérios utilizados correspondem ao que realmente aconteceu. Quando existe uma diferença, o próximo passo não é escolher qual número parece mais confiável, mas entender de onde ela veio.

Se ninguém consegue explicar com segurança por que os números são diferentes, a empresa já tem um problema de qualidade de dados, mesmo que nenhum dashboard apresente um alerta. Um dado confiável não é apenas aquele que está disponível: é aquele que pode ser rastreado até sua origem e validado em relação ao que realmente aconteceu.

Esse tipo de problema raramente chega como um alerta explícito. Ele aparece no comportamento das equipes e na forma como os dados são utilizados. Alguns sinais costumam surgir antes de qualquer relatório apontar uma falha:

• Planilhas paralelas continuam vivas ao lado do dashboard oficial. Alguém mantém um controle próprio “só por garantia”, porque, na prática, ainda não confia o suficiente no painel para abandonar a conferência manual;

• Áreas diferentes apresentam números divergentes para a mesma métrica. Em vez de investigar a origem da diferença, a empresa passa a tratá-la como algo normal: “o número do marketing é sempre um pouco diferente do financeiro”;

• Decisões continuam sendo tomadas por percepção, mesmo com os dashboards disponíveis. A liderança olha os indicadores, mas acaba decidindo com base na experiência ou na opinião de quem está na reunião, porque a confiança nos dados já foi corroída;

• A equipe precisa reconciliar os números antes de começar a análise. Parte significativa do tempo é consumida comparando planilhas, sistemas e filtros para descobrir qual resultado deveria ser considerado, em vez de interpretar o que os dados estão mostrando.

Segundo a Gartner, a má qualidade de dados custa às organizações, em média, cerca de US$ 12,9 milhões por ano, considerando retrabalho, decisões erradas e tempo gasto reconciliando números que já deveriam estar corretos. O custo raramente aparece como uma linha isolada em algum relatório financeiro. Ele se acumula, decisão por decisão, planilha por planilha.

De onde vem o problema, na maioria dos casos

A causa mais comum não é falta de ferramenta, é a origem da coleta. Quando o tracking de um site ou aplicativo está mal configurado, o problema de qualidade já começa antes de qualquer relatório existir: o dado chega errado, incompleto ou duplicado na base, e nenhuma camada de análise depois disso consegue corrigir o que já nasceu torto.

Identificar um trackeamento incorreto costuma ser o primeiro sintoma prático de um problema de qualidade de dados maior, e normalmente é o ponto mais barato de resolver, porque ataca a causa antes que ela se espalhe por todos os relatórios que dependem daquele dado.

A segunda causa mais comum é regra de negócio não documentada: cada área define receita, cliente ou conversão de um jeito ligeiramente diferente, e essas definições nunca foram escritas em lugar nenhum. A terceira causa mais comum é sistemas que não conversam entre si, CRM, ERP, ferramentas de marketing, cada um guardando sua própria versão da mesma informação, sem nenhuma reconciliação sistemática entre eles.

Como garantir qualidade de dados na prática

Garantir qualidade de dados não é um projeto de tecnologia, é um conjunto de critérios que a empresa precisa estabelecer antes de investir em mais um dashboard.

1. Primeiro: estruturar a coleta na origem. Uma camada de coleta bem estruturada evita que o problema de qualidade nasça no primeiro passo da cadeia, antes mesmo de o dado chegar a qualquer ferramenta de análise;

2. Segundo: documentar as regras de negócio por trás de cada métrica importante: o que a empresa chama de receita, de cliente, de conversão, e qual lógica de cálculo sustenta cada um desses números. Sem isso, cada área continua preenchendo a lacuna com a própria interpretação;

3. Terceiro: auditar antes de construir. Antes de qualquer projeto de dashboard, vale checar se o que está sendo trackeado e exibido realmente bate com o que acontece na operação, a venda que o comercial fechou, a receita que o financeiro reconheceu. Um painel construído sobre uma medição que não reconcilia é, na prática, pior do que nenhum painel;

4. Quarto: reconciliar com regularidade, não só uma vez. Qualidade de dados não é um estado que se atinge e se mantém sozinho, e sim uma prática contínua, com alguém responsável por perceber quando um número começa a divergir da realidade.

Por que isso importa mais à medida que a análise fica mais sofisticada

Quanto mais avançada a análise que uma empresa tenta fazer, maior a exigência sobre a qualidade do dado que a sustenta. Uma leitura descritiva simples, quanto vendemos esse mês, tolera algum ruído. Já análises que cruzam variáveis, projetam cenários ou tentam explicar causas dependem de dados consistentes entre si para não gerar conclusões erradas.

Entender quais tipos de análise de dados a empresa pretende fazer ajuda a dimensionar o nível de qualidade necessário antes de partir para modelos mais complexos, incluindo o uso de inteligência artificial para consultar esses dados diretamente. Um agente de IA pode não identificar que existe um problema de qualidade antes de responder. Ele pode aplicar, com confiança, a definição e o dado disponíveis, mesmo quando a base contém inconsistências.

Qualidade de dados não é um conceito abstrato de time de dados, é o que determina se um número pode ser usado com segurança numa decisão. Acurácia, completude e consistência não são termos acadêmicos, são três perguntas práticas que qualquer indicador importante da empresa precisa resistir: reflete o que aconteceu, tem tudo que é relevante, bate com o resto do sistema.

Quando esse teste falha, planilhas paralelas se multiplicam, números divergem entre áreas e decisões voltam a ser tomadas por instinto, mesmo com um dashboard aberto na tela.

É por isso que, antes de qualquer projeto novo de dashboard ou de IA, faz sentido auditar a qualidade dos dados que já existem. Esse é um dos primeiros trabalhos a Metricstage faz com um cliente novo: entender se a base que sustenta as decisões de hoje resiste a ser checada, antes de construir qualquer coisa em cima dela.