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 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
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.
Acompanhando 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.
Data Quality Score no Salesforce
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 — a pontuação aplicada a uma org Salesforce, também chamada de data reliability score
- Salesforce Data Quality Dashboard — as métricas que vale a pena acompanhar junto ao número de destaque
- Qualidade de dados no 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
- Entenda as entradas: As cinco dimensões
- Comece pela base: O que é qualidade de dados?
- Faça benchmark dos seus próprios dados: faça a AI Readiness Assessment para obter suas pontuações em 3 minutos