Skip to main content

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.

Atualizado

O que é um Data Quality Score?

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). 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.

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).

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 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). 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:

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