# Monitorização da qualidade dos dados: dimensões, KPIs e alertas

> Conheça os KPIs de monitorização da qualidade dos dados para completude, precisão e atualidade, além de alertas que detetam dados incorretos antes de chegarem aos relatórios.

Source: https://www.electe.net/pt/posto/data-quality-monitoring

Site guide: https://www.electe.net/pt/llms.txt

Os seus relatórios podem parecer impecáveis enquanto os números por trás deles estão atrasados, duplicados ou em falta. É este o problema que a **monitorização da qualidade dos dados** resolve. Verifica os dados em que se apoia antes de uma previsão, um relatório para a administração ou uma encomenda de reposição os utilizar. Vai aprender que métricas acompanhar, como definir limites adequados à decisão em risco e como criar alertas que uma equipa pequena consiga tratar.

## Porque é que dados fracos drenam o orçamento em silêncio

Quando os nomes de clientes diferem entre a faturação e o CRM, alguém tem de encontrar a discrepância e corrigi-la. Esse trabalho tira tempo à análise. Multiplique-o por vendas, stock e ficheiros de fornecedores, e as horas gastas a reconciliar registos tornam-se visíveis nas folhas de horas.

### Para onde vai o dinheiro

- **Custos visíveis:** tempo da equipa gasto em retrabalho, reconciliação manual, transações falhadas e atrasos nos relatórios.
- **Custos mais difíceis de rastrear:** decisões baseadas em informação incorreta, oportunidades perdidas, exposição a riscos de conformidade e danos de reputação.

A **monitorização da qualidade dos dados** consiste em verificações recorrentes que detetam dados inválidos, incompletos, duplicados, inconsistentes ou desatualizados antes de chegarem às operações ou à análise. Uma limpeza pontual pode ajudar a preparar um relatório mensal, mas feeds em tempo real podem levar o mesmo registo errado para vários resultados antes de alguém reparar. Por isso, [previsões fiáveis começam com dados limpos](https://www.electe.net/post/data-preprocessing-steps). Rotinas para [manter os registos de clientes consistentes durante o fecho](https://blog.loopfour.ai/blog/automatic-data-synchronization/) também podem reduzir a correção manual.

Em análises com IA como o ELECTE, entradas desatualizadas ou incompletas podem afetar os insights gerados. Verificações de atualidade, completude e consistência ajudam a manter esses resultados assentes nos dados disponíveis.

## Seis dimensões e as métricas a acompanhar

Não existe uma pontuação única de qualidade em que se possa confiar. Um feed pode chegar perfeitamente a tempo e continuar cheio de duplicados. Acompanhe as seis dimensões em separado, cada uma com a sua taxa, para ver exatamente o que está a falhar.

DimensãoO que medeMétricaAlertar quando**Completude**Proporção de valores obrigatórios ou de registos esperados que estão presentesCampos obrigatórios preenchidos ou registos recebidos / total esperadoA taxa de nulos ou de registos em falta aumenta, ou o feed esperado chega vazio**Validade**Conformidade com a sintaxe, o tipo e o intervalo permitidoRegistos válidos / total de registosA taxa de inválidos excede a tolerância acordada**Exatidão**Proximidade ao valor do mundo realAmostra correspondente ou montante reconciliado / registos verificadosO erro da amostra ou a divergência de reconciliação excede a tolerância**Atualidade**Atraso entre o evento e os dados utilizáveisMinutos ou horas desde o momento do evento até à ingestão ou consulta; reporte p95 e p99A atualidade p95 falha o SLA ou o atraso dispara face à linha de base**Unicidade**Um registo por entidade ou transação realChaves duplicadas / total de chavesA taxa de duplicados dispara face à linha de base histórica**Consistência**Concordância do mesmo facto entre sistemasRegistos divergentes / registos comparadosA divergência entre sistemas excede a tolerância

### As três que pode medir logo no primeiro dia

As [definições de qualidade de dados do NIST QDAR](https://www.nist.gov/itl/health-it-testing-infrastructure/testing-tools/qdar-quality-data-rest) definem **validade como a conformidade com a sintaxe, o tipo e o intervalo esperados**, **completude como a proporção da informação potencialmente disponível que é capturada** e **atualidade como o intervalo entre um evento do mundo real e o seu registo ou a sua disponibilidade para uso**. Estas definições traduzem-se diretamente nas fórmulas da tabela.

A completude precisa de um denominador externo. Sem uma contagem esperada de transações, um inventário de ativos ou um total de controlo da origem, um feed vazio parece saudável, porque zero campos em falta em zero registos parece perfeito. Se gere um catálogo de produtos, a mesma lógica ajuda a [melhorar a exatidão e a completude do catálogo](https://nanopim.com/post/dimensions-of-data-quality), comparando os SKUs recebidos com a lista que esperava.

> **Regra prática:** se não consegue indicar o total esperado, não consegue medir a completude. Está apenas a medir o que está em branco no que chegou.

### Por que as médias escondem o problema

A atualidade é onde as médias mais enganam. Um atraso médio de vinte minutos pode esconder um pequeno grupo de registos que chegou seis horas atrasado, e esses registos tardios são muitas vezes os que mudam uma decisão de stock ou de tesouraria. Acompanhe, em vez disso, a **atualidade em p95 e p99**. O p95 indica o atraso que 95% dos registos conseguem cumprir, por isso uma cauda a piorar aparece de imediato.

A precisão funciona de forma diferente da validade, e é comum confundi-las. Um valor de vendas pode passar em todas as verificações de formato e, mesmo assim, pertencer à loja errada. Só é possível detetar isso ao comparar amostras de registos com uma fonte fiável ou ao reconciliar totais, e é por isso que [exemplos práticos de validação de dados](https://www.electe.net/post/data-validation-techniques) combinam verificações de formato com comparações entre fontes.

A unicidade e a consistência também são verificações por rácio. Chaves duplicadas divididas pelo total de chaves mostram se a mesma transação foi registada duas vezes. Registos divergentes divididos pelos registos comparados mostram se dois sistemas concordam sobre o mesmo cliente, preço ou saldo.

### Primeiro a linha de base, depois o alerta

Execute cada métrica durante alguns ciclos normais antes de definir um alerta. Depois, acione-o em duas condições: uma **violação absoluta** do limite acordado e uma **mudança súbita** no volume, nas taxas de nulos ou na distribuição de categorias face a essa linha de base. Uma deriva lenta importa menos do que um feed de terça-feira que, de repente, traz metade das linhas habituais.

## Defina os limites pela decisão em risco

Um relatório diário de receitas para a direção tolera um pequeno atraso na ingestão. Um sinal de fraude, não. Se aplicar a mesma meta de atualidade a ambos, ou sobredimensiona o relatório ou deixa a verificação de risco desprotegida. Os limites pertencem às decisões, não a conjuntos de dados em abstrato.

As [normas de qualidade da informação do NIST](https://www.nist.gov/director/nist-information-quality-standards) recomendam **definir níveis de erro aceitáveis de acordo com a importância para o negócio, a utilização prevista, a sensibilidade temporal, a permanência e os recursos disponíveis**. O NIST enquadra também a qualidade da informação em **utilidade, integridade e objetividade**, um bom lembrete de que os dados só precisam de ser suficientemente bons para a tarefa que suportam, nem pior nem melhor.

DecisãoNecessidade de atualidadeResponsávelContactar uma pessoa quandoRelatório diário de receitas para a direçãoUm pequeno atraso de algumas horas pode ser aceitávelAnalista financeiroA previsão ou o dossiê do conselho mudariaReposição de inventárioQuase em tempo realGestor de operaçõesRisco de rutura de stock ou uma promoção falhariaPosição de tesourariaNo próprio dia ou intradiáriaResponsável financeiroO prazo de um pagamento ou dos salários está em riscoSinal de AML ou fraudeQuase em tempo realResponsável de complianceQualquer alteração material na pontuação de riscoRelatório regulamentar ou de compliancePronto até ao prazo limite de reporteResponsável de complianceUm controlo falha antes da submissão

### As verificações de formato não são prova

Testes de sintaxe, tipo e intervalo detetam valores que não podem estar certos. Não conseguem provar que um valor plausível está certo. Um montante corretamente formatado pode estar associado à loja errada, ao cliente errado ou a uma transação duplicada. Para decisões que movimentam dinheiro, acrescente **verificações de regras de negócio** (esta encomenda excede o padrão de crédito do cliente?) e **verificações de reconciliação** (o total coincide com o do sistema de origem?).

> Encaminhe os alertas pelo impacto no negócio, não pelo número de falhas. Cinquenta campos opcionais em branco importam menos do que um único feed bancário em falta.

### O que contém um alerta útil

- **Conjunto de dados e regra falhada:** Que feed falhou em que verificação.
- **Desvio face à referência:** Quão longe o valor de hoje está do normal.
- **Impacto a jusante:** Que relatório, previsão ou modelo lê estes dados.
- **Equipa responsável:** A pessoa identificada que atua primeiro.

Os alertas ruidosos são o principal custo para uma equipa pequena. Cada aviso de pouco valor consome a atenção de que uma falha de grande impacto precisa, e as pessoas passam a ignorar o canal por completo. Reveja o volume de alertas todos os meses. Retire qualquer regra que nunca tenha alterado uma decisão e reforce as que alteraram.

## Como funcionam a monitorização contínua e os alertas

A monitorização funciona como um ciclo de gestão, não como um painel que se consulta quando algo parece estranho. A [norma ISO 8000-8 sobre conceitos de qualidade dos dados](https://www.iso.org/standard/60805.html) trata a qualidade como algo mensurável dentro de um processo de gestão. A **ISO 8000-8:2015** define os conceitos fundamentais para medir a qualidade, a **ISO/TS 8000-81:2021** descreve a criação de perfis através de análise de estrutura, análise de colunas, estatísticas do conjunto de dados e análise de relações, e a **ISO 8000-100:2016** acrescenta requisitos verificáveis por computador para dados mestre. Em termos simples: define-se o que é bom, mede-se de forma periódica e guardam-se as evidências.

### A rotina de sete passos

1. **Escolha as decisões e nomeie os responsáveis.** Liste os relatórios e as ações que cada conjunto de dados alimenta e atribua um responsável por conjunto. Sem responsável, os alertas passam a ser problema de todos e tarefa de ninguém.
2. **Crie um perfil de referência.** Registe contagens de linhas, taxas de nulos, intervalos de valores, unicidade de chaves e relações entre tabelas durante um período normal. É com esta referência que as execuções seguintes são comparadas.
3. **Escreva um conjunto reduzido de regras.** Cubra validade, completude, atualidade, unicidade e consistência, mais uma reconciliação para a exatidão. Atribua a cada regra um nível de serviço associado à respetiva decisão.
4. **Execute as regras em cada carga ou de forma agendada.** Guarde cada resultado com data e hora. Um histórico guardado permite a um auditor, ou a si no futuro, ver exatamente o que falhou e quando.
5. **Compare com a referência.** Alerte em caso de violação de limites e de desvios súbitos no volume, nos nulos ou na distribuição de categorias, já que o desvio costuma surgir antes de uma violação clara. É também aqui que [deteta vendas e reembolsos invulgares](https://www.electe.net/post/anomaly-detection) que passam nas verificações de formato mas quebram o padrão.
6. **Encaminhe o alerta com contexto.** Envie o conjunto de dados, a regra, o desvio, o relatório ou modelo afetado e o responsável numa só mensagem. O contexto é o que transforma uma notificação numa ação.
7. **Corrija ou ponha em quarentena antes de usar.** Mantenha os registos incorretos fora da previsão ou do pacote para a administração, corrija-os na origem sempre que possível e registe a causa. As causas não registadas repetem-se.

### Dois casos limite para os quais vale a pena planear

Uma **alteração de esquema** num sistema de origem pode quebrar de um dia para o outro uma relação entre tabelas. O seu passo de criação de perfis só a deteta se as verificações de relações correrem em cada carga, e não mensalmente. Uma **origem atrasada** cria a armadilha oposta. Se medir a completude face ao que chegou, um feed que chegou pela metade tem pontuação perfeita. Meça face à contagem esperada.

Defina as tolerâncias iniciais a partir do seu próprio histórico, em vez de copiar os números de outros. Use uma referência móvel de períodos comparáveis, fixe a banda de alerta na dispersão normal desses períodos e alargue-a apenas depois de um falso alarme revisto. Termine cada semana a rever que regras dispararam e quais alteraram uma decisão. Essa revisão é o que mantém o sistema enxuto.

## Casos de retalho e finanças que mudam as regras

Um feed de loja em falta e um saldo de caixa que não coincide podem ambos passar nas verificações básicas de formato, mas cada um pode distorcer uma decisão de negócio diferente. O teste de qualidade certo depende daquilo que os números vão conduzir.

### Promoções e stock no retalho

Para uma promoção planeada por loja e SKU, meça a **completude** face à contagem esperada de lojas e SKU. Se contar apenas as linhas que chegaram, um feed de loja em falta pode parecer procura zero. Defina também uma meta exigente de **atualidade**: dados de stock desatualizados podem desencadear a reposição de artigos que já estão na prateleira, ou manter uma promoção ativa depois de o stock acabar. As verificações de **unicidade** detetam transações duplicadas antes de inflacionarem a procura e afetarem a encomenda seguinte.

Um alerta acionável identifica as lojas afetadas, a verificação de atualidade que falhou e o relatório de reposição ou de promoção em risco. Isso dá ao responsável de operações a hipótese de suspender a promoção nessas lojas antes de os clientes chegarem à caixa.

### Caixa e conformidade nas finanças

Em decisões de caixa e conformidade, a **exatidão** significa reconciliar os saldos com o banco ou com o livro razão. Um valor pode estar bem formatado e mesmo assim estar errado. Verifique os dados de caixa no próprio dia, ou durante o dia, quando os salários e o momento dos pagamentos dependem deles. As verificações de **consistência** devem confirmar que os identificadores de clientes coincidem entre o livro razão e o ficheiro de risco. Uma alteração material numa pontuação AML deve chegar a uma pessoa para revisão, em vez de esperar pelo ciclo semanal.

Cada conjunto de dados precisa de um responsável identificado que reaja quando os números derrapam. Um [inquérito de referência sobre qualidade de dados de 2025 da Synq](https://synq.io/blog/2025-data-quality-benchmark-survey) indicou que quase 20% dos inquiridos tinham sofrido um único incidente de dados com custo superior a 10 000 USD. O inquérito concluiu ainda que a falta de conhecimento sobre como testar eficazmente era o principal desafio, enquanto quase 40% planeavam aumentar o investimento em qualidade e observabilidade de dados.

> Mais alertas não significam melhor qualidade. Uma lista curta de verificações com responsável definido para inventário, caixa, previsões e declarações é mais fácil de manter e de acionar do que uma checklist longa.

Estes controlos apoiam processos operacionais; não constituem aconselhamento jurídico nem de conformidade. Para decisões reguladas, confirme os requisitos com o responsável de conformidade ou com o seu consultor.

## Monitorização de documentos, imagens e outras entradas

A maioria dos conselhos sobre monitorização fica por valores nulos, alterações de esquema e duplicados em tabelas. A análise com IA também lê agora documentos, e-mails, imagens, áudio e dados de sensores, e essas entradas falham de forma mais discreta. Uma fatura digitalizada não tem taxa de nulos. Tem uma vírgula decimal mal lida.

Um relatório de 2025 sobre a confiança em IA nas empresas, divulgado pela insideHPC, concluiu que **menos de um terço das organizações alimenta atualmente modelos de IA com dados não estruturados**, que **42% dos responsáveis de dados e análise continuam a não confiar nos resultados de IA/ML** e que **51% apontam a falta de competências como principal obstáculo à maturidade da observabilidade**. Apenas uma pequena fração aplica observabilidade estruturada ou verificações automáticas de qualidade a essas entradas.

### Traduzir as seis dimensões

- **Completude:** Ficheiros em falta, páginas em falta num contrato ou metadados em falta, como origem, autor e data/hora.
- **Validade:** O tipo de ficheiro corresponde ao esperado, o texto extraído é legível e a data/hora é convertida numa data real.
- **Exatidão:** Em faturas digitalizadas, a **taxa de erro do OCR** numa amostra de valores e datas conferidos com o documento de origem.
- **Unicidade:** O mesmo contrato, e-mail ou foto de entrega ingerido duas vezes com nomes de ficheiro diferentes.
- **Atualidade:** Continua a ser o intervalo entre o evento real e a disponibilização do ficheiro para análise.
- **Consistência:** Etiquetas e categorias têm o mesmo significado entre pessoas, locais e momentos no tempo.

### Verificações que só existem para estas entradas

Três controlos não têm equivalente simples em tabelas. A **consistência das anotações** importa quando pessoas etiquetam imagens ou classificam e-mails, porque dois revisores com critérios diferentes treinam a sua análise com ruído. A **proveniência** regista que sistema ou pessoa produziu um ficheiro, para que possa rastrear uma conclusão errada até à origem. A **deriva semântica** surge quando o significado de uma categoria muda, por exemplo uma etiqueta de suporte que passa a abranger reembolsos além de reclamações, mesmo sem alteração do esquema.

Seja claro sobre onde uma pessoa tem de rever. Redação jurídica, notas clínicas e qualquer caso em que um pequeno erro de significado altere uma previsão, uma avaliação de risco ou uma ação junto do cliente exigem olhos humanos. A automação sinaliza com fiabilidade uma data/hora em falta ou um pico na taxa de erro do OCR. Não avalia contexto subtil, ironia num e-mail nem uma cláusula que inverte uma obrigação.

### Um conjunto inicial que pode executar sem especialistas

1. **Verificação de chegada de ficheiros:** Ficheiros esperados recebidos, contados face a um calendário.
2. **Verificação de metadados:** Origem, autor e data/hora presentes e interpretáveis.
3. **Amostra de extração:** Um pequeno conjunto de documentos revisto manualmente em cada ciclo para detetar erros de OCR ou de transcrição.
4. **Verificação de duplicados:** Hashes de ficheiros ou IDs de documentos comparados antes da ingestão.
5. **Fila de revisão:** Extrações com baixa confiança encaminhadas para um revisor designado antes de serem usadas.

## Coloque verificações nas decisões que movem dinheiro

Uma boa regra de monitorização protege uma decisão, não apenas um campo de dados. Escolha as verificações que podem alterar uma encomenda de reposição, um plano de tesouraria ou uma previsão para o conselho, e depois defina quem age quando uma verificação falha.

### A sua primeira semana

1. **Liste três decisões** que prejudicariam este mês se os números estivessem errados, como reposição, caixa ou uma previsão para o conselho.
2. **Para cada decisão, defina verificações** para registos esperados, valores válidos, concordância com uma fonte fiável e há quanto tempo os dados foram atualizados.
3. **Nomeie um responsável** e registe quando essa pessoa deve ser notificada.
4. **Retenha ou sinalize o relatório afetado** quando uma regra de alto impacto falhar, para que números duvidosos sejam revistos antes de orientarem uma decisão.
5. **Reveja os alertas após uma semana.** Mantenha as regras que motivam ações úteis e remova as que não mudam nenhuma decisão.

A ELECTE oferece análise de dados sem necessidade de um analista. O seu Agente de IA pode analisar desvios de receita, comparar modelos de previsão e preparar apresentações para o conselho. Os relatórios agendados usam dados atuais e descrevem o que mudou desde o relatório anterior. A sua equipa continua a definir os limites e a decidir como responder.

Ligue as suas fontes de vendas, contabilidade e bancárias à [ELECTE](https://www.electe.net) para centralizar o acesso aos dados e usar dashboards e KPIs para os analisar. Antes do próximo pacote para o conselho, atribua um responsável e defina um limite e um alerta para as três decisões que movem dinheiro no seu negócio.