La calidad de datos no falla de golpe. Se degrada con columnas que cambian, jobs que llegan tarde, valores inesperados y transformaciones que nadie recuerda.
Lineage y validaciones convierten esos cambios en señales visibles antes de que afecten modelos, dashboards o decisiones de negocio.
Mapear origen y transformación
Lineage responde de dónde viene un dato, qué transformaciones recibió y qué sistemas dependen de él.
Sin esa visibilidad, cualquier incidente de datos obliga a revisar pipelines manualmente y confiar en memoria del equipo.
Validar supuestos críticos
Las validaciones deben cubrir presencia, tipo, rango, unicidad, relaciones y frescura. No se trata de validar todo, sino lo que rompería el negocio si cambia.
Un buen check falla temprano y explica qué cambió.
- Porcentaje máximo de nulos por campo crítico.
- Rangos esperados y valores permitidos.
- Duplicados en claves de negocio.
- Freshness por tabla o fuente.
Detectar drift operativo
El drift no ocurre solo en modelos. También ocurre en datos de entrada cuando cambian usuarios, formularios, campañas o integraciones.
Comparar distribuciones históricas ayuda a detectar cambios que no son errores técnicos, pero sí pueden invalidar análisis previos.
Hacer ownership explícito
Cada dataset crítico necesita dueño, SLA y canal de alerta. Si todos son responsables, nadie responde rápido.
El ownership permite decidir si un cambio es aceptable, urgente o requiere rollback.
Checklist para aplicar
- Lineage visible para fuentes críticas.
- Checks de schema, frescura y distribución.
- Dueño por dataset o dominio.
- Alertas con impacto y sistema afectado.
La integridad de datos no es una tarea de limpieza ocasional. Es una práctica de operación que mantiene confiables las decisiones del producto.