SQL
Qualidade · dados confiáveis
Data Quality
Lab
Dados ruins não geram só erro técnico. Eles geram decisão errada, retrabalho, desconfiança e dashboards que ninguém acredita.
5 dimensões
8 problemas
2 linguagens
Laboratório
Uma base pequena, cheia de problemas reais
Use os filtros para destacar problemas de qualidade. A tabela é didática, mas os erros são bem comuns: nulos, duplicidades, e-mails inválidos, datas incoerentes e categorias fora do padrão.
| ID | Nome | Estado | Cadastro | Compra | Status |
|---|
Regras copiáveis
Transforme percepção em teste
Qualidade melhora quando a regra sai da cabeça das pessoas e vira validação repetível.
Antes e depois
Limpeza não é maquiagem, é critério
Corrigir dados exige regra de negócio. Nem todo erro deve ser “consertado” automaticamente; alguns precisam voltar para a origem.
Completar ou bloquear?
Se e-mail é obrigatório para comunicação, cadastro sem e-mail precisa voltar para correção na origem.
Unificar com regra
Escolha registro sobrevivente por data mais recente, fonte confiável ou confirmação manual.
Padronizar entrada
Valide e-mail, UF, datas e CPF/CNPJ antes de gravar, não só depois de quebrar relatório.
Comparar campos
Data de compra antes do cadastro indica erro, migração ruim ou regra de negócio não mapeada.
Checklist
Checklist de qualidade antes do dashboard
Antes de publicar análise ou indicador, valide a base com perguntas simples e repetíveis.
Campos obrigatórios estão preenchidos?
Valores seguem formato e domínio esperado?
Há duplicidade indevida em chaves ou cadastros?
Campos relacionados fazem sentido juntos?
A base está atualizada para a decisão?
Origem, regra e responsável estão documentados?
Princípio do Mestre dos DadosO correto é arrumar os dados diretamente na origem, e não dar um jeitinho no DW, no dashboard ou em qualquer outra camada para apenas ajustar o sintoma.