Las empresas y organizaciones generan continuamente grandes cantidades de información a través de sus sistemas de gestión, aplicaciones, sensores industriales y procesos de negocio.
Estos datos pueden utilizarse para mejorar las operaciones, desarrollar soluciones de inteligencia artificial, optimizar recursos o crear nuevos productos digitales.
Sin embargo, una parte importante de la información almacenada presenta problemas de calidad: registros incompletos, valores duplicados, inconsistencias, formatos incompatibles o datos desactualizados.
Estas deficiencias pueden generar costes operativos, decisiones equivocadas y dificultades para aprovechar la información.
El problema se vuelve especialmente relevante cuando los datos se comparten con otras organizaciones.
Un conjunto de datos puede resultar perfectamente comprensible para la empresa que lo genera, pero ser difícil de interpretar para terceros si no está correctamente documentado, utiliza clasificaciones particulares o contiene errores que el consumidor desconoce.
Para que los datos puedan convertirse en activos reutilizables y generar valor económico, deben ser fiables, comprensibles y adecuados para su finalidad.
Por este motivo, la calidad del dato constituye uno de los pilares del modelo de intercambio de información promovido por Dataspace.es.
Dataspace.es: un marketplace donde la confianza también depende de la calidad
Dataspace.es es un espacio de datos multisectorial concebido para facilitar que empresas, administraciones públicas, universidades y otras organizaciones puedan compartir, descubrir y utilizar información de forma segura, soberana e interoperable.
Una de sus principales capacidades es el marketplace de datos, una plataforma que permite a los participantes publicar productos de información, establecer condiciones de utilización y facilitar su acceso a otras organizaciones.
A diferencia de un repositorio convencional, Dataspace.es contempla mecanismos de gobernanza, identidad, seguridad y control sobre las condiciones de uso de los datos.
Sin embargo, para que un marketplace funcione adecuadamente no basta con disponer de una infraestructura que permita intercambiar información.
Los consumidores también necesitan conocer la calidad de los productos de datos que encuentran en el catálogo.
Imaginemos una empresa que publica información sobre consumos energéticos de instalaciones industriales.
Estos datos podrían resultar de gran utilidad para compañías especializadas en eficiencia energética, desarrolladores de inteligencia artificial o centros de investigación.
Pero antes de utilizarlos, los consumidores necesitarán responder preguntas fundamentales:
¿Qué porcentaje de registros está completo?
¿Cuándo se actualizaron los datos por última vez?
¿Existen valores incorrectos o inconsistentes?
¿Cuál es la procedencia de la información?
¿Qué controles de calidad se han aplicado?
Sin esta información, el consumidor tendrá que invertir recursos adicionales en verificar y depurar los datos, reduciendo el valor del producto y la confianza en el marketplace.
Por ello, Dataspace.es contempla un modelo de gestión y evaluación de calidad del dato que permite avanzar hacia productos de información verificables y comparables, utilizando estándares reconocidos y métricas objetivas.
¿Qué significa que un conjunto de datos tenga calidad?
La calidad del dato puede entenderse como el grado en que la información cumple los requisitos necesarios para su utilización.
Esto significa que no existe una calidad absoluta aplicable a cualquier escenario. Un conjunto de datos puede resultar adecuado para una finalidad e insuficiente para otra.
Por ejemplo, una base de datos de ubicaciones puede servir para elaborar estadísticas por provincias, pero no para organizar rutas de distribución si carece de direcciones suficientemente precisas.
Por tanto, antes de publicar información en un espacio de datos, es importante conocer su finalidad y evaluar sus principales características.
Entre las dimensiones de calidad más relevantes encontramos:
- Exactitud. Los datos deben representar correctamente la realidad. Una medición incorrecta o un identificador equivocado pueden invalidar determinados análisis.
- Completitud. Los conjuntos de datos deben contener la información necesaria para su utilización, evitando valores ausentes que comprometan los resultados.
- Consistencia. La información debe mantener coherencia entre registros, tablas y sistemas, sin contradicciones que dificulten su interpretación.
- Credibilidad. Es importante conocer la procedencia de los datos y disponer de garantías sobre la fiabilidad de sus fuentes.
- Actualidad. Los datos deben estar suficientemente actualizados para la finalidad prevista, especialmente cuando se utilizan en procesos operativos o predictivos.
Estas dimensiones pueden evaluarse mediante indicadores, permitiendo que las organizaciones conozcan el estado de sus datos y comuniquen sus limitaciones a los consumidores.
Las normas UNE: un marco común para garantizar la calidad de los datos
Uno de los grandes retos de los mercados de datos es conseguir que todas las organizaciones puedan evaluar la calidad de su información utilizando criterios comunes.
Si cada proveedor emplea su propio sistema de medición, resulta difícil comparar conjuntos de datos, interpretar sus indicadores o determinar si ofrecen garantías suficientes para una determinada aplicación.
Para abordar este problema, el modelo de Dataspace.es toma como referencia las especificaciones UNE 0079 y UNE 0081, que proporcionan un marco para gestionar y evaluar la calidad del dato.
Estas especificaciones, alineadas con modelos internacionales como ISO/IEC 25012, abordan dos perspectivas complementarias: la gestión de los procesos de calidad y la evaluación de los conjuntos de datos.
UNE 0079: cómo gestionar la calidad del dato
La especificación UNE 0079, Gestión de la Calidad del Dato, establece un marco organizativo para mantener y mejorar la calidad de la información a lo largo de su ciclo de vida.
Su principal aportación consiste en considerar la calidad como una responsabilidad continua, y no simplemente como una actividad puntual de limpieza de bases de datos.
El modelo contempla cuatro procesos fundamentales:
1. Planificación de la calidad
La organización identifica los requisitos que deben cumplir sus datos en función de las necesidades del negocio y de las aplicaciones previstas.
Esto implica definir responsables, establecer métricas y determinar qué controles deben aplicarse.
Por ejemplo, una empresa que publica información diaria sobre consumos energéticos podría establecer como objetivo un porcentaje mínimo de registros completos y una frecuencia máxima de actualización.
2. Control y monitorización
Una vez definidos los requisitos, es necesario medir periódicamente el estado de la información.
Esto permite identificar valores incorrectos, registros duplicados, datos incompletos o desviaciones respecto a los umbrales establecidos.
Siempre que sea posible, estos controles deberían automatizarse para detectar problemas antes de que afecten a los consumidores.
3. Aseguramiento de la calidad
El aseguramiento busca proporcionar confianza sobre la eficacia de los controles implantados.
No basta con detectar errores: también es necesario comprobar que se corrigen adecuadamente y que los procedimientos establecidos permiten mantener los niveles de calidad esperados.
4. Mejora continua
Los problemas recurrentes deben analizarse para identificar sus causas y evitar que vuelvan a producirse.
En muchos casos, mejorar la calidad no consiste únicamente en corregir registros existentes, sino en modificar los procesos que los generan.
Este enfoque permite que los proveedores de Dataspace.es establezcan procedimientos para gestionar la calidad de sus productos de datos, reduciendo incidencias y mejorando su fiabilidad a lo largo del tiempo.
UNE 0081: cómo evaluar la calidad de un conjunto de datos
Mientras que UNE 0079 se centra en los procesos organizativos, la especificación UNE 0081, Evaluación de la Calidad de Conjuntos de Datos, proporciona un marco para analizar las características de los propios datasets.
Su finalidad es facilitar evaluaciones estructuradas mediante métricas que permitan determinar el nivel de calidad de la información.
Entre las características que pueden evaluarse encontramos la exactitud, completitud, consistencia, credibilidad y actualidad.
Para cada una de ellas pueden establecerse indicadores cuantificables.
Por ejemplo, un conjunto de datos podría presentar un nivel de completitud del 99 %, pero contener información que no se actualiza desde hace varios años.
Otro podría disponer de información completamente actualizada, pero presentar numerosas inconsistencias.
Ambos tendrían perfiles de calidad diferentes, y su utilidad dependería de la finalidad prevista.
La aplicación de este modelo permite obtener resultados documentados y comparables, facilitando que los consumidores comprendan las características y limitaciones de los datos.
En Dataspace.es, UNE 0081 constituye una referencia para estructurar la evaluación de los productos publicados y avanzar hacia mecanismos que permitan comunicar su calidad de forma transparente.
Cómo preparar un conjunto de datos para publicarlo en Dataspace.es
A partir de los principios anteriores, las organizaciones pueden seguir una metodología práctica para preparar sus productos de datos antes de incorporarlos al marketplace.
Paso 1. Identificar los datos y su finalidad
El primer paso consiste en determinar qué información se desea compartir y qué utilidad puede tener para otras organizaciones.
Es necesario identificar las fuentes, los responsables, los procedimientos de generación y las posibles restricciones de utilización.
Por ejemplo, una empresa agrícola que desea compartir datos sobre producción debería definir qué cultivos incluye, cuál es su cobertura geográfica, qué períodos abarca y cómo se ha obtenido la información.
También debe comprobar que dispone de los derechos y autorizaciones necesarios para compartirlos.
Paso 2. Realizar un análisis inicial de calidad
Una vez identificado el conjunto de datos, conviene evaluar su estado mediante técnicas de Data Profiling o perfilado de datos.
Estas técnicas permiten analizar automáticamente características como la distribución de valores, los registros duplicados, la presencia de datos nulos o el cumplimiento de determinados formatos.
El resultado proporciona un diagnóstico inicial e identifica las principales deficiencias que pueden afectar a su reutilización.
Paso 3. Corregir errores y normalizar la información
Los problemas detectados deben analizarse y corregirse cuando resulte necesario.
Entre las actuaciones más habituales encontramos la eliminación de duplicados, la normalización de fechas, la revisión de identificadores y la unificación de unidades de medida.
También es recomendable utilizar formatos abiertos y estructuras que faciliten su procesamiento automático, como CSV correctamente estructurados, JSON o interfaces API documentadas.
La normalización resulta especialmente importante en un espacio de datos, donde la información debe poder interpretarse y combinarse con la procedente de otras organizaciones.
Paso 4. Documentar los metadatos y la procedencia
Un conjunto de datos de calidad necesita una descripción que permita comprender su contenido.
La arquitectura de Dataspace.es contempla estándares de catalogación como DCAT-AP, que facilitan la descripción de conjuntos de datos y sus distribuciones.
Los metadatos pueden incluir información sobre el productor, la cobertura temporal y geográfica, el formato, la frecuencia de actualización y las condiciones de utilización.
También es importante documentar la procedencia y las transformaciones realizadas sobre las fuentes originales.
Esta información facilita que los consumidores determinen si un producto de datos resulta adecuado para sus necesidades.
Paso 5. Establecer controles de calidad continuos
La calidad no debe evaluarse únicamente en el momento de publicación.
Los datos pueden cambiar con el tiempo y aparecer nuevos errores durante su generación, transformación o actualización.
Por ello, resulta conveniente establecer indicadores, responsables y procedimientos de revisión periódica.
De esta manera, los productos de datos pueden mantener niveles de calidad adecuados durante su ciclo de vida.
Etiquetas de calidad: cómo trasladar las evaluaciones al marketplace
Una de las posibilidades contempladas en el modelo de Dataspace.es es incorporar etiquetas de calidad del dato (Data Quality Labels) a los productos publicados.
Estas etiquetas permitirían presentar de manera estructurada los resultados de las evaluaciones realizadas conforme al modelo de calidad adoptado.
Así, cuando una organización consulte un producto en el marketplace, podría disponer no solo de su descripción y condiciones comerciales, sino también de información sobre su fiabilidad.
Por ejemplo, una ficha de producto podría incluir los siguientes indicadores:
| Dimensión de calidad | Resultado |
|---|---|
| Exactitud | 96 % |
| Completitud | 99 % |
| Consistencia | 94 % |
| Credibilidad | 98 % |
| Actualidad | 95 % |
Ejemplo ilustrativo de indicadores de calidad. No corresponde a una evaluación real.
El modelo también contempla la posibilidad de obtener un índice global de calidad, mediante una agregación ponderada de las dimensiones evaluadas.
Este índice podría expresarse en una escala de 1 a 5, desde calidad deficiente hasta excelente, utilizando una metodología documentada.
No obstante, una puntuación global nunca debería sustituir al análisis de las características individuales.
Por ejemplo, para una aplicación que necesita información en tiempo real, la actualidad puede resultar más importante que otras dimensiones.
En cambio, para una investigación histórica, la procedencia y la consistencia podrían tener mayor relevancia.
Por eso, las etiquetas deberían acompañarse de información sobre el método de evaluación, la fecha de medición y las limitaciones identificadas.
Para los proveedores, estas evaluaciones también representan una oportunidad comercial.
La calidad puede convertirse en un elemento diferenciador dentro del marketplace, permitiendo que las organizaciones acrediten las características de sus productos de datos y faciliten su valoración por parte de posibles consumidores.
Los principios FAIR: datos preparados para compartirse y reutilizarse
La calidad del dato está estrechamente relacionada con su capacidad para compartirse y reutilizarse.
Por este motivo, Dataspace.es toma como referencia los principios FAIR, que establecen que los datos deben ser:
Findable (Encontrables): disponer de identificadores y metadatos que permitan localizarlos.
Accessible (Accesibles): contar con mecanismos definidos para obtenerlos, respetando las condiciones de acceso.
Interoperable (Interoperables): utilizar formatos, estructuras y vocabularios que faciliten su integración con otros sistemas.
Reusable (Reutilizables): estar suficientemente documentados para comprender sus características, procedencia y condiciones de uso.
Estos principios contribuyen a que los conjuntos de datos puedan aprovecharse más allá de la organización que los generó.
Por ejemplo, una institución puede disponer de información ambiental correctamente registrada, pero si utiliza clasificaciones desconocidas o unidades de medida sin documentar, otras organizaciones tendrán dificultades para interpretarla.
Por ello, la interoperabilidad no consiste únicamente en conectar sistemas.
También exige que los participantes comprendan el significado de los datos intercambiados.
En Dataspace.es, los estándares de catalogación, los vocabularios controlados y los formatos abiertos desempeñan un papel fundamental para facilitar esta interoperabilidad.
Calidad, seguridad y soberanía: los pilares del modelo Dataspace.es
La calidad no puede abordarse de forma aislada.
Para que una organización decida compartir información con terceros, también necesita garantías sobre su seguridad, las condiciones de utilización y el control de sus activos digitales.
La soberanía del dato permite que cada participante establezca quién puede acceder a su información y bajo qué condiciones.
La seguridad protege los procesos de intercambio mediante mecanismos de autenticación, autorización y trazabilidad.
La interoperabilidad permite que los datos puedan descubrirse e intercambiarse entre organizaciones y plataformas diferentes.
Y la calidad proporciona información sobre su fiabilidad y adecuación a los usos previstos.
Estos elementos se complementan entre sí.
Un conjunto de datos puede encontrarse correctamente protegido y ser accesible mediante mecanismos seguros, pero carecer de valor si contiene errores importantes.
Del mismo modo, una información de excelente calidad puede resultar difícil de aprovechar si no está documentada o no puede integrarse con otros sistemas.
El modelo de Dataspace.es busca abordar estas dimensiones de manera conjunta para facilitar intercambios de información confiables.
La calidad como elemento diferenciador en la economía del dato
En un mercado de datos, los consumidores necesitan conocer las características de los productos antes de decidir si les interesa utilizarlos.
Cuando no existe información sobre su calidad, aumenta la incertidumbre y los costes asociados a su evaluación.
Por el contrario, los proveedores que ofrecen datos correctamente documentados, actualizados y acompañados de indicadores de calidad pueden facilitar su adopción y diferenciarse de otras ofertas.
Esto resulta especialmente relevante cuando la información se utiliza para desarrollar aplicaciones de inteligencia artificial, alimentar modelos predictivos o mejorar procesos industriales.
En estos escenarios, los errores pueden propagarse a los resultados de los sistemas y comprometer su fiabilidad.
Por ello, la gestión de calidad debe considerarse una inversión para aumentar el valor de los activos de información.
En un marketplace de datos no solo importa qué información ofrece una organización, sino también qué garantías puede proporcionar sobre ella.
Construyendo una economía del dato basada en la confianza
Los espacios de datos europeos están creando nuevas oportunidades para que empresas e instituciones colaboren, compartan información y desarrollen nuevos modelos de negocio.
Dataspace.es nace con el objetivo de facilitar estos intercambios mediante un marketplace multisectorial, interoperable y orientado a la soberanía de los participantes.
Pero para que esa colaboración genere valor real, los datos compartidos deben resultar comprensibles, fiables y adecuados para sus posibles aplicaciones.
Por este motivo, nuestro modelo de calidad toma como referencia las especificaciones UNE 0079 y UNE 0081, junto con los principios FAIR y los estándares de interoperabilidad y catalogación.
Desde GrayHats, como operador tecnológico de Dataspace.es, trabajamos para proporcionar las capacidades necesarias para que las organizaciones puedan transformar sus conjuntos de información en activos digitales preparados para ser compartidos y reutilizados.
Porque un verdadero mercado de datos no consiste únicamente en intercambiar información, sino en generar confianza sobre su valor y utilidad.
¿Quieres compartir tus datos en Dataspace.es?
Si tu organización dispone de información que podría resultar útil para otras empresas, instituciones o proyectos de investigación, el primer paso es conocer su calidad y prepararla para su intercambio.
Descubre Dataspace.es y las oportunidades de participar en su marketplace de datos
El proyecto «Plataforma dataspace.es» (expediente TSI-100130-2024-31), desarrollado por GrayHats S.L.U., cuenta con financiación del Ministerio para la Transformación Digital y de la Función Pública, a través de la Secretaría de Estado de Digitalización e Inteligencia Artificial (SEDIA), en el marco del Plan de Recuperación, Transformación y Resiliencia, financiado por la Unión Europea — NextGenerationEU.
