Calidad de datos: la base invisible (y carísima) de cada decisión

01El dato se pudre, y más rápido de lo que crees

Empecemos por el hecho que cambia la perspectiva de todo el mundo cuando lo escucha por primera vez: los datos no son un activo que compras una vez y conservas. Son perecederos. Diversas fuentes del sector, recogidas por proveedores como Cognism o IndustrySelect, sitúan la decadencia de los datos de contacto B2B en torno al 2,1% mensual, lo que compone aproximadamente un 22,5% anual. Otras estimaciones, como las de Twilio Segment o las recogidas por HubSpot, elevan la cifra al 25-30% anual. Sea cual sea el número exacto, la conclusión es la misma: cerca de una cuarta parte de tu base de datos de contactos deja de ser fiable cada año, aunque la hayas comprado verificada.

¿Por qué se degrada tan rápido? No es aleatorio. Responde a eventos predecibles del mundo real. El principal, con diferencia, son los cambios de trabajo: distintas fuentes estiman que una porción muy alta de los contactos profesionales cambia de rol, empresa o responsabilidades a lo largo de doce meses. Cada vez que alguien cambia de empleo, varios campos de su ficha mueren a la vez: su email corporativo deja de funcionar, su teléfono directo se reasigna, su cargo cambia y la persona que ahora ocupa ese puesto es alguien con quien nunca has hablado. A eso se suman fusiones y adquisiciones, reestructuraciones, cambios de marca y el simple error humano en la entrada de datos.

02Las seis dimensiones de la calidad de datos

«Calidad» es una palabra vaga hasta que la desglosas. Los profesionales del gobierno del dato la descomponen en seis dimensiones medibles. Entenderlas te permite diagnosticar qué falla exactamente, en lugar de quejarte de que «los datos están mal».

• Exactitud: ¿el dato refleja la realidad? Un email que existe pero pertenece a otra persona es inexacto.
• Completitud: ¿están todos los campos que necesitas, o hay huecos? Un contacto sin cargo es difícil de calificar.
• Consistencia: ¿coincide el dato entre sistemas? Si el CRM dice una cosa y la herramienta de facturación otra, tienes un problema de consistencia.
• Frescura (o actualidad): ¿está actualizado? Un cargo correcto hace dos años es hoy un dato caducado.
• Unicidad: ¿hay duplicados? Tres fichas de la misma empresa inflan tus métricas y multiplican los errores.
• Validez: ¿cumple el formato esperado? Un teléfono con letras o un email sin arroba son inválidos por construcción.

Lo interesante de este marco es que cada dimensión se puede medir con un indicador concreto: porcentaje de emails que superan la verificación, porcentaje de campos completos, tasa de duplicados, antigüedad media desde la última validación. Lo que se mide, se puede gestionar; lo que no, se deteriora en la oscuridad.

03El coste oculto de los datos sucios

Los datos malos no te envían una factura, y por eso es tan fácil ignorarlos. Pero el coste es real y está cuantificado. Gartner ha estimado durante años que la mala calidad de datos cuesta a una organización una media de alrededor de 12,9 millones de dólares anuales (algunas estimaciones la elevan a 15 millones). A escala macroeconómica, IBM calculó que los datos de baja calidad cuestan a la economía de Estados Unidos en torno a 3,1 billones de dólares al año. Son cifras tan grandes que casi pierden significado, así que bajemos al terreno concreto, que es donde se siente.

• Tiempo comercial desperdiciado. Cuando un comercial llama a un número desconectado o escribe a quien dejó la empresa hace meses, ese tiempo no se recupera. Diversos estudios sitúan el tiempo que los comerciales dedican realmente a vender muy por debajo de lo deseable, y los datos malos reducen aún más esa fracción.
• Reputación de remitente dañada. Las altas tasas de rebote por emails caducados degradan la reputación de tu dominio. El efecto es perverso: incluso tus contactos buenos dejan de recibir tus correos porque te marcan como spam.
• Decisiones sobre datos falsos. Los duplicados inflan tus cifras; los datos caducados sesgan tus análisis. Si tu informe de pipeline se basa en datos sucios, estás decidiendo a ciegas creyendo que ves.
• IA que amplifica el error. Y aquí está el riesgo de 2026: si entrenas o ejecutas modelos de IA sobre datos sucios, no solo obtienes malos resultados, sino que los produces a escala y con apariencia de rigor.

Aplicar inteligencia artificial sobre datos malos no corrige el problema. Lo automatiza, lo acelera y le pone una capa de credibilidad que no se merece.

04Por qué la limpieza puntual no funciona

La reacción instintiva ante el problema es organizar una «limpieza» una vez al año: contratar a alguien, pasar la base por una herramienta y respirar tranquilo. No funciona, y la razón es matemática. Si tu base decae un 22,5% anual y la limpias una vez al año, durante once de los doce meses estás trabajando con datos cada vez más deteriorados. La limpieza puntual es como achicar agua de un barco que hace agua: te mantiene a flote un rato, pero no tapa la vía.

La defensa eficaz tiene dos componentes. El primero es la validación en el punto de entrada: comprobar y enriquecer el dato en el momento en que entra en tu sistema, no meses después. El segundo es la monitorización continua: vigilar señales de cambio, rebotes que suben, contactos que cambian de empresa, y actuar sobre ellas en tiempo casi real. La diferencia entre una foto fija que envejece desde el segundo en que se toma y una película que se actualiza sola.

05Cómo medir y mantener la calidad: un plan práctico

Pasar de la teoría a la acción no requiere un proyecto faraónico. Requiere constancia. Un plan sensato:

1. Mide tu línea base. Toma una muestra de tu base y verifícala: ¿qué porcentaje de emails rebota, de teléfonos no conecta, de campos están vacíos? Ese número, por incómodo que sea, es tu punto de partida.
2. Define métricas por dimensión. Establece indicadores concretos (% de validez, de completitud, tasa de duplicados, frescura media) y un objetivo para cada uno.
3. Automatiza la validación de entrada. Verifica emails y teléfonos y enriquece los registros nuevos en el momento del alta, idealmente vía API.
4. Deduplica de forma sistemática. Aplica resolución de identidad para fusionar los registros que son la misma entidad en un único «golden record».
5. Monitoriza en continuo. Vigila señales de decadencia (rebotes, cambios de empleo) y refresca antes de que el dato te falle.
6. Asigna responsabilidad. El dato necesita dueño. Sin gobierno, políticas, roles, responsables claros, la calidad se diluye en «cosa de todos y de nadie».

06El gobierno del dato: de proyecto a proceso

La lección más difícil de interiorizar es esta: la calidad de datos no es un proyecto que se termina, sino un proceso que no acaba nunca. El mundo cambia cada día, y tus datos con él. Las organizaciones que lo entienden dejan de tratar la calidad como una limpieza ocasional y la convierten en una función permanente con responsables, métricas y herramientas. Es lo que se conoce como gobierno del dato (data governance), y diversos análisis del sector asocian su madurez con un retorno significativamente mayor de las iniciativas de analítica.

07Cómo lo aborda Funneld

En Funneld, la calidad no es un servicio aparte: es una propiedad del motor. Cada registro se valida antes de entregarse, formato, frescura, duplicados, encaje, y la calidad, la frescura y la deriva se monitorizan de forma continua. Cada dato lleva además su origen y su fecha de validación, de modo que la calidad es medible y demostrable, no una promesa. Trabajamos con una red de más de cuarenta fuentes precisamente porque ninguna fuente única basta para combatir la decadencia: el cruce de fuentes es lo que mantiene la frescura. Porque, como hemos visto, la calidad de datos no es la parte aburrida del trabajo con datos. Es la parte que decide si todo lo demás sirve para algo.

08Fuentes y lecturas

1. Cognism / Marketing Sherpa, tasa de decadencia de datos B2B (~2,1% mensual, 22,5% anual)
2. Gartner, coste medio de la mala calidad de datos (~12,9 M$/año por organización)
3. IBM, coste de los datos de baja calidad para la economía de EE. UU. (~3,1 billones $/año)
4. DAMA, Data Management Body of Knowledge (DMBOK): dimensiones de calidad y gobierno del dato
5. Landbase / Cleanlist, estadísticas de decadencia de datos 2026

09Preguntas frecuentes