# O que é um Data Quality Score?

> Um data quality score transforma a saúde dos seus dados em um único número. Aprenda como ele é calculado, o que conta como uma boa pontuação e como acompanhá-lo ao longo do tempo.

Source: https://dataqualitysense.com/pt/resources/data-quality/what-is-a-data-quality-score/
Last updated: 2026-06-19

---

## O que é um Data Quality Score

Um data quality score é um único número que resume o quão adequados seus dados são para o uso pretendido. Em vez de perguntar "nossos dados são bons?" e obter uma resposta vaga, uma pontuação transforma a pergunta em um único valor — normalmente um percentual de 0 a 100 — que você pode acompanhar, comparar e sobre o qual pode agir.

A pontuação às vezes é chamada de **data reliability score**. Ambos os nomes descrevem a mesma coisa: uma medida composta que reúne várias verificações de qualidade subjacentes em um único número de destaque.

Uma pontuação por si só não é o objetivo. Seu valor está no que ela permite que você faça: estabelecer uma baseline, observar a degradação e provar que o trabalho de melhoria está dando resultado.

## Por que um único número importa?

As consequências não são abstratas: a Gartner estima que a má qualidade dos dados custa às organizações, em média, 12,9 milhões de dólares por ano ([Gartner, 2020](https://www.gartner.com/en/data-analytics/topics/data-quality)). Uma única pontuação transforma esse custo oculto em um número que você pode acompanhar — e reduzir.

As verificações de qualidade brutas produzem dezenas de sinais separados — taxas de preenchimento, contagens de duplicatas, erros de formato, registros desatualizados. Isoladamente, são difíceis de comunicar e fáceis de ignorar. Um único score resolve três problemas de uma vez:

| Problema | Como o score resolve |
|---------|-----------------------|
| **Sem linguagem comum** | Um número que todos entendem, de analistas a executivos |
| **Sem forma de acompanhar o progresso** | Uma linha de tendência que mostra se a qualidade está melhorando ou piorando |
| **Sem forma de priorizar** | Um detalhamento que aponta para a dimensão ou campo mais fraco |

A pontuação é o destaque. O detalhamento por trás dela é o que você usa para agir.

## Como um Data Quality Score é calculado?

Um data quality score é uma **média ponderada de dimensões individuais de qualidade**. O cálculo acontece em três etapas.

### Etapa 1: Medir cada dimensão

Cada dimensão é medida como uma taxa de aprovação — a parcela de registros ou valores que satisfazem uma regra definida.

| Dimensão | O que mede | Regra de exemplo |
|-----------|------------------|--------------|
| **Completude** | Os dados obrigatórios estão presentes | Os campos obrigatórios estão preenchidos |
| **Validade** | Os dados seguem um formato | Os endereços de e-mail correspondem a um padrão válido |
| **Unicidade** | Sem registros duplicados | Um registro por cliente |
| **Atualidade** | Os dados estão atuais | Registros atualizados nos últimos 90 dias |
| **Consistência** | Os valores são uniformes | País armazenado como "USA", nunca "US" |

Para uma visão mais aprofundada de cada uma, veja [As cinco dimensões](/pt/resources/data-quality/five-dimensions/).

### Etapa 2: Aplicar pesos

Nem toda dimensão importa igualmente. Um peso reflete o quão importante uma dimensão é para o negócio, e os pesos somam 100%.

| Dimensão | Taxa de aprovação | Peso | Contribuição |
|-----------|-----------|--------|--------------|
| Completude | 92% | 30% | 27,6 |
| Validade | 88% | 25% | 22,0 |
| Unicidade | 99% | 20% | 19,8 |
| Atualidade | 75% | 15% | 11,3 |
| Consistência | 90% | 10% | 9,0 |
| **Total** | | **100%** | **89,7** |

### Etapa 3: Combinar em uma única pontuação

As contribuições são somadas no valor final. No exemplo acima, o data quality score é **89,7 de 100**.

A fórmula geral é:

**Data Quality Score = Σ (Taxa de aprovação da dimensão × Peso da dimensão)**

Como a pontuação é ponderada, duas organizações com os mesmos dados brutos podem reportar pontuações diferentes se ponderarem as dimensões de forma diferente — e isso é intencional. Os pesos codificam o que "bom" significa para o seu negócio.

## Níveis de medição

Uma única pontuação para toda a organização é útil para reporting, mas o trabalho real acontece quando você consegue detalhá-la.

| Nível | Pergunta que responde | Uso |
|-------|---------------------|-----|
| **Org / dataset** | Quão saudáveis estão nossos dados no geral? | Reporting executivo, acompanhamento de tendências |
| **Objeto / tabela** | Qual entidade está derrubando a pontuação? | Priorização de correções |
| **Campo** | Exatamente qual coluna é o problema? | Correções direcionadas e validation rules |

Uma pontuação de 89,7 pode ocultar um único campo com 40% de completude. Os detalhamentos em nível de campo transformam um número vago em uma lista específica de tarefas.

## O que conta como uma boa pontuação?

Uma boa pontuação tem a ver, em última análise, com confiança — e a confiança é hoje o gargalo para a IA. No relatório State of Data and Analytics 2025 da Salesforce, quase nove em cada dez líderes de dados afirmaram que resultados de IA imprecisos vieram de dados falhos, e apenas 57% confiavam plenamente em seus próprios dados ([Salesforce, 2025](https://www.salesforce.com/news/stories/data-analytics-trends-2026/)).

Não existe uma nota de corte universal. A meta certa depende de para que os dados são usados — o mesmo princípio de "adequado ao propósito" que sustenta a [qualidade de dados](/pt/resources/data-quality/what-is-data-quality/) de modo geral.

| Faixa de pontuação | Interpretação | Uso típico |
|-------------|----------------|-------------|
| **95–100%** | Confiável | Dados voltados ao cliente e regulados |
| **85–94%** | Estável | Dados operacionais gerais |
| **70–84%** | Precisa de atenção | Dados internos ou secundários |
| **Abaixo de 70%** | Não confiável | Corrigir antes de depender deles |

Defina o limite a partir do custo de estar errado. Um campo que alimenta faturamento ou compliance precisa de um padrão mais alto do que um usado para consultas internas ocasionais.

## Como acompanhar a pontuação ao longo do tempo?

Uma pontuação medida uma única vez é um snapshot. Medida repetidamente, ela se torna uma tendência — e a tendência é onde está o valor.

- Pontuações **pontuais** respondem "onde estamos hoje?"
- Pontuações **contínuas** respondem "estamos melhorando ou piorando?"

Os dados de CRM e operacionais se degradam continuamente por meio da entrada manual, das integrações e da passagem do tempo, de modo que uma pontuação que parecia saudável no trimestre passado pode escorregar silenciosamente. A remedição agendada detecta a degradação cedo, antes que ela chegue a um relatório ou a um modelo de IA.

## Como funciona um Data Quality Score no Salesforce?

Isso se tornou urgente na era da IA: 84% dos líderes de dados dizem que sua estratégia de dados precisa de uma reformulação completa antes que suas iniciativas de IA possam ter sucesso ([Salesforce, 2025](https://www.salesforce.com/news/stories/data-analytics-trends-2026/)). Uma pontuação medida continuamente é como você fecha essa lacuna.

Dentro do Salesforce, o mesmo modelo se aplica: as dimensões são medidas em objetos como Accounts, Contacts e Leads, ponderadas e reunidas em uma única pontuação que você pode monitorar em um dashboard.

O DQS (Data Quality Score) mede isso nativamente — sem exportação de dados — nas cinco dimensões, e adiciona detecção de PII para prontidão para IA. Para ver como a pontuação é construída e lida dentro de um CRM, continue com:

- [Como medir a qualidade de dados no Salesforce](/pt/resources/salesforce/measure-data-quality-in-salesforce/) — a pontuação aplicada a uma org Salesforce, também chamada de data reliability score
- [Salesforce Data Quality Dashboard](/pt/resources/salesforce/salesforce-data-quality-dashboard/) — as métricas que vale a pena acompanhar junto ao número de destaque
- [Qualidade de dados no Salesforce](/pt/resources/salesforce/data-quality-in-salesforce/) — o panorama mais amplo

## Perguntas frequentes

### O que é um data quality score?

Um data quality score é um único número, normalmente expresso como um percentual de 0 a 100, que resume o quão adequados seus dados são para o uso pretendido. Ele é calculado como uma média ponderada de dimensões individuais de qualidade, como completude, validade, unicidade, atualidade e consistência.

### Como um data quality score é calculado?

Cada dimensão de qualidade é medida como uma taxa de aprovação — a parcela de registros ou valores que atendem a uma regra definida. Essas pontuações por dimensão são então combinadas em uma média ponderada, onde o peso de cada dimensão reflete sua importância para o negócio. O resultado é um único percentual entre 0 e 100.

### O que é um bom data quality score?

Não existe uma nota de corte universal, porque a meta certa depende de para que os dados são usados. Como regra geral, 95% ou mais é esperado para dados voltados ao cliente e regulados, 85% ou mais é aceitável para dados operacionais gerais, e qualquer valor abaixo de 70% sinaliza dados que precisam de correção antes de poderem ser confiáveis.

### Um data quality score é o mesmo que um data reliability score?

Sim. Os termos são usados de forma intercambiável. Ambos descrevem um único número composto que expressa o quão confiável é um conjunto de dados, combinando várias dimensões de qualidade subjacentes em uma única medida que você pode acompanhar ao longo do tempo.

## Próximos passos

- Meça em seu CRM: [Como medir a qualidade de dados no Salesforce](/pt/resources/salesforce/measure-data-quality-in-salesforce/)
- Entenda as entradas: [As cinco dimensões](/pt/resources/data-quality/five-dimensions/)
- Comece pela base: [O que é qualidade de dados?](/pt/resources/data-quality/what-is-data-quality/)
- Faça benchmark dos seus próprios dados: faça a [AI Readiness Assessment](/pt/ai-readiness/) para obter suas pontuações em 3 minutos