Una base de 50.000 contactos con un 2 % de direcciones inválidas genera 1.000 mensajes que vuelven como rebote duro (hard bounce) en cada campaña. El CRM, mientras tanto, sigue mostrando 50.000 filas. La calidad de los datos (data quality en inglés) está en esa diferencia entre lo que contiene la base y lo que realmente puedes hacer con ella. Es el grado en que un conjunto de datos se ajusta al uso previsto. Seis criterios la miden: exactitud, completitud, validez, coherencia, actualidad y unicidad, cada uno con un indicador cuantificable que detallamos más abajo.
¿Qué es la calidad de los datos?
La calidad de los datos es el grado en que un conjunto de datos sirve para el uso que quieres darle. Un dato no es bueno o malo en sí mismo: un teléfono fijo es correcto para el departamento de facturación y inservible para una campaña de SMS. Esta lógica de adecuación al uso (fit for purpose en el mundo anglosajón) explica por qué dos equipos de una misma empresa juzgan de forma distinta la misma tabla de clientes.
Conviene además separar dos nociones que los glosarios mezclan. El gobierno del dato fija quién es responsable de cada dato y con qué reglas; la calidad mide lo que esas reglas producen sobre el terreno. Una empresa puede tener una política de gobierno impecable y un 15 % de duplicados en su CRM.
Los seis criterios, de la exactitud a la unicidad
Los marcos de referencia varían según el proveedor: unos enumeran menos criterios, otros más (integridad, conformidad, verosimilitud). Estos seis son los más habituales. La «disponibilidad» que se cita a menudo depende del acceso y de la arquitectura, y no toca el contenido del dato.
| Criterio | Pregunta | Indicador medible | Ejemplo con un email |
|---|---|---|---|
| Exactitud | ¿El valor refleja la realidad? | Tasa de errores en una muestra controlada | La dirección existe, pero el nombre asociado es el de otro contacto |
| Completitud | ¿Están rellenos los campos obligatorios? | Tasa de completitud por campo | Contacto sin email ni teléfono |
| Validez | ¿El formato cumple la regla? | Porcentaje de valores fuera de formato | jean.dupont@gmail,com |
| Coherencia | ¿Dos sistemas dicen lo mismo? | Tasa de divergencia entre el CRM y la herramienta de emailing | Contacto dado de baja en uno y activo en el otro |
| Actualidad | ¿El dato sigue siendo cierto? | Antigüedad de la última actualización | Dirección profesional de un empleado que ya se fue |
| Unicidad | ¿Una entidad aparece una sola vez? | Tasa de duplicados | La misma persona registrada con dos direcciones |
La validez se comprueba con una regla; la exactitud, contrastando con la realidad. Por eso una dirección puede ser válida sin ser exacta. marie@exemple.fr respeta la sintaxis y supera el control del formulario. No existe.
Cómo medir la calidad de los datos
Se empieza por el perfilado (data profiling): un barrido de cada tabla que cuenta los valores vacíos y los duplicados y averigua el rango de fechas de actualización. Con una exportación de 50.000 filas del CRM, una decena de consultas SQL o una hoja de cálculo con tabla dinámica bastan para un primer diagnóstico.
Cuatro métricas de calidad cubren lo esencial para un departamento de marketing:
- la tasa de completitud: campos rellenos divididos entre campos obligatorios, calculada campo a campo y segmento a segmento, no como media;
- la tasa de duplicados: fichas redundantes divididas entre fichas totales;
- la tasa de rebote duro por envío: direcciones rechazadas de forma definitiva divididas entre mensajes enviados;
- la antigüedad mediana de la última actualización, que detecta los segmentos dormidos.
El umbral se fija por uso y se deja por escrito (99 % de completitud exigida en el email, 60 % tolerada en el cargo, por ejemplo). Sin umbral, un indicador del 94 % no dice nada: es aceptable en un campo opcional y alarmante en la dirección de email de una base de envío.
El orden para tratar los criterios
Empieza por la unicidad y la validez. Son los dos criterios que se corrigen en bloque y sin discusión: un deduplicado y un control de formato se programan, y su resultado se comprueba el mismo día.
La completitud va después, porque un campo vacío solo se rellena con una fuente o con una nueva petición al contacto. La exactitud y la actualidad exigen contrastar con la realidad y cuestan más por fila, así que se concentran en los segmentos que se usan. La coherencia va en último lugar, porque supone que cada sistema ya esté limpio antes de compararlo con los demás.
Lo que cuesta la mala calidad de los datos
Varios millones de dólares al año para una gran organización, según las estimaciones más citadas. Son cifras declarativas y no se trasladan tal cual a una pyme.
Gartner calculó en 12,9 millones de dólares anuales en 2020 el coste medio de la mala calidad de los datos, un resultado extraído de una encuesta a 154 clientes de referencia de 16 proveedores de soluciones de calidad de datos. Es una estimación autodeclarada. Más antigua y más llamativa, la cifra de 3 billones de dólares anuales para la economía estadounidense (3 trillion en inglés) la popularizó Thomas Redman en la Harvard Business Review en 2016. Ningún método publicado permite reproducirla: procede de una extrapolación de 2011 que IBM retomó después, y sirve como orden de magnitud y nada más.
Para un equipo de marketing, el coste se lee más abajo, en partidas que se pueden contar: envíos perdidos, llamadas comerciales a fichas obsoletas, cupones de descuento enviados dos veces al mismo cliente. El cálculo se hace con tus propios datos y tus propios costes unitarios.
El ejemplo de las direcciones de email: rebote y entregabilidad
Una base de direcciones envejece sin ruido. Nadie avisa al equipo de marketing cuando un contacto cambia de puesto. Un empleado deja la empresa, se cierra su buzón y la dirección pasa de válida a rechazada de un día para otro, sin que ningún campo del CRM lo refleje. La primera señal llega en el siguiente envío, en forma de NDR (non-delivery report) que devuelve el servidor de destino con un código 550 5.1.1, que indica un buzón inexistente.
Google publica umbrales precisos y ninguno trata del rebote. Sus requisitos para remitentes piden mantener la tasa de spam notificada en Postmaster Tools por debajo del 0,10 % y no alcanzar nunca el 0,30 %, y recomiendan reducir el volumen cuando los mensajes rebotan. No figura ningún umbral de rebote duro. Cada equipo debe fijar el suyo, sabiendo que una tasa al alza degrada la reputación del remitente (sender reputation) y que el filtrado de Gmail afecta entonces a toda la campaña, también a los contactos activos.
Verificar las direcciones antes del envío corta el mecanismo de raíz: sintaxis, existencia del dominio, buzón accesible, detección de dominios catch-all y de direcciones desechables. Frente a la objeción habitual («ya filtraremos después»), el rebote ya se ha producido cuando lo detectas, y eso pesa en la reputación del dominio. Sobre una base real, la verificación de emails de una muestra de 1.000 a 2.000 direcciones tomadas de tu próxima campaña da una tasa de inválidas aprovechable antes de comprometer la lista entera. En cuanto a la entregabilidad, una tasa de rebote que sube perjudica la reputación del dominio remitente igual que una autenticación SPF o DKIM mal configurada.
Lo que dice el RGPD sobre la exactitud
La calidad de los datos también es una cuestión legal: el Reglamento (UE) 2016/679, aplicable desde el 25 de mayo de 2018, la convierte en obligación. El artículo 5, apartado 1, letra d, exige que los datos personales sean «exactos y, si fuera necesario, actualizados», y que se adopten todas las medidas razonables para suprimir o rectificar sin dilación los datos inexactos con respecto a los fines del tratamiento.
Una lista de emails que lleva 3 años sin limpiarse contiene fichas de antiguos empleados, de empresas cerradas, de personas que han cambiado de dirección. El principio se aplica a todas ellas. La recogida también cuenta: un alta con doble opt-in elimina los errores de tecleo desde la inscripción, porque la dirección tiene que responder para quedar registrada.
Cómo corregir una base degradada
Se corrige en el orden de la tabla anterior, sobre una copia de la base, porque una corrección hecha en el original no tiene vuelta atrás. Cuatro operaciones cubren lo esencial:
- el deduplicado: se agrupan las fichas que designan a la misma persona (mismo email normalizado, mismo nombre y misma empresa) y se conserva la más completa;
- la normalización: una sola grafía para fechas, países, tratamientos y direcciones, y en minúsculas para los emails;
- el enriquecimiento: se rellenan los campos vacíos con una fuente fiable y, si no la hay, el campo queda marcado como desconocido;
- la supresión o el archivo de las fichas que ya no tienen un uso previsto, lo que enlaza con el principio de minimización del RGPD.
Cada regla tiene un responsable, a menudo llamado data steward: la persona que decide qué ficha prevalece y valida los umbrales. Si ese nombre no está escrito en ningún sitio, la limpieza depende de la buena voluntad de cada uno y vuelve a empezar de cero en la campaña siguiente.
Los errores que se repiten
Limpiar sin corregir el origen. Una base depurada en enero vuelve a ensuciarse en marzo si el formulario de inscripción sigue aceptando gmail,com o direcciones de prueba. El control en la entrada cuesta menos que 10 depuraciones.
Fusionar dos CRM sin una regla de supervivencia. Cuando dos fichas se contradicen, alguien decide cuál prevalece: la dirección más reciente, la fuente más fiable o la ficha más completa. Sin regla escrita, la fusión sobrescribe datos correctos con datos caducados.
Medir con una media global. Una tasa de completitud del 92 % en toda la base esconde un campo «email» relleno al 99 % y un campo «cargo» al 40 %.
Confundir herramienta y método. Un software de calidad de datos aplica reglas; no las elige. La elección de las herramientas y el seguimiento a largo plazo se tratan en nuestra página sobre la gestión de la calidad de los datos.
