El problema de confundir excelencia con necesidad
Rosalía tiene 11 Grammy Latinos, 5 Los 40 Music Awards, 4 MTV Video Music Awards. Su canción «Despechá» fue un fenómeno global. Y sin embargo, si analizáramos su letra únicamente desde una perspectiva literaria—como estructura narrativa, profundidad poética, complejidad de lenguaje—muchos de nosotros probablemente concluiríamos que carece de sofisticación.
Entonces surge la pregunta obvia: ¿cómo es posible que algo que muchos consideramos de baja calidad se convierta en un éxito masivo?
La respuesta no es que los jurados de estos premios hayan perdido el criterio, ni que nosotros carezcamos de buen gusto. La respuesta es que hemos ignorado algo fundamental: el objetivo.
El error que cometemos en las empresas
Rosalía no escribió esa canción para ganar un Premio Cervantes. Tampoco buscaba el reconocimiento literario. Su objetivo era diferente: crear algo que hiciera que la gente se levantara a bailar. Y para ese objetivo específico, la calidad de esa letra es más que suficiente.
Ahora llevemos esto a las organizaciones.
Cuando preguntamos a negocio cuál es la calidad de datos que necesita para un caso de uso específico, la respuesta que frecuentemente obtenemos es: «calidad máxima». El 100%.
Y aquí es donde comenzamos a construir mal.
Por qué el 100% es una trampa
Perseguir una calidad del 100% en datos no es solo ambicioso. Es, en la mayoría de casos, ineficiente y económicamente insostenible. Requeriría:
- Evaluación registro a registro
- Ciclos iterativos de validación y corrección casi infinitos
- Costes que rara vez el proyecto puede absorber
- Tiempo que probablemente no tienes
Y aquí viene lo más importante: en la mayoría de casos de uso, la calidad necesaria es significativamente inferior al 100%.
Un modelo de predicción de churn puede funcionar perfectamente con una completitud del 85% y un margen de error del 5%. Una segmentación de clientes puede ser estratégicamente valiosa con datos validados al 90%. Un dashboard operativo puede tomar decisiones acertadas con datos que tienen ciertos niveles de inconsistencia.
El objetivo define la calidad necesaria. No la ambición.
Calidad de datos: solo una pieza del puzzle
Aquí viene el matiz que completa la idea: la calidad de datos no es lo único que importa.
Si Despechá dependiera únicamente de la calidad de su letra, sin ritmo, sin producción, sin la voz de Rosalía, sin la dirección artística… no sería un éxito. Los elementos que la hacen funcionar son múltiples.
Con los datos ocurre exactamente lo mismo.
La calidad es importante. Pero es solo uno de varios pilares:
- Seguridad y privacidad: ¿quién accede a los datos? ¿cómo están protegidos?
- Arquitectura: ¿dónde están, cómo fluyen, cómo se actualizan?
- Ética: ¿qué sesgos estamos perpetuando? ¿qué implicaciones tienen nuestras decisiones basadas en estos datos?
- Gobernanza: ¿quién es responsable? ¿qué políticas regulan su uso?
- Accesibilidad: ¿pueden usarlos quienes los necesitan?
Sin estos elementos, los datos son solo números. Con ellos, se convierten en conocimiento. Y el conocimiento es el Grammy del mundo empresarial.
La verdadera pregunta
La próxima vez que definas los requisitos de calidad para un proyecto de datos, no preguntes «¿qué calidad máxima podemos lograr?». Pregunta: «¿cuál es el objetivo específico de este caso de uso, y qué calidad mínima necesitamos para lograrlo?».
La respuesta será probablemente más realista. Y mucho más valiosa.