Calidad de datos para IA: revisión práctica antes del piloto

La calidad de datos para IA se comprueba contra una tarea concreta. Una base puede servir para contar pedidos y resultar insuficiente para recomendar reposición si no incluye fechas, cancelaciones o inventario disponible. Recomendamos describir primero la decisión que quieres apoyar y revisar después una muestra representativa de las fuentes. Así la limpieza resuelve necesidades reales y no se convierte en una actividad indefinida sin criterio de cierre.

Define qué representa cada fila

Antes de combinar archivos, determina si una fila corresponde a un pedido, una línea de producto, un pago o una actualización de estado. Mezclar esos niveles puede duplicar importes aunque las columnas tengan nombres similares. Identifica claves estables y explica qué sucede cuando una operación contiene varios productos. Documenta también moneda, zona horaria y fecha de corte: esas diferencias producen discrepancias que un modelo no debería resolver inventando una interpretación.

Examina faltantes y duplicados por su impacto

No todos los campos vacíos tienen el mismo efecto. Un teléfono faltante puede impedir contactar a un lead; una referencia de producto ausente puede bloquear una conciliación. Clasifica faltantes críticos y opcionales. Para duplicados, acuerda reglas de identificación y conserva evidencia antes de eliminar registros. Evita completar atributos sensibles o importes por inferencia automática. Cuando un valor no se conoce, mostrarlo como pendiente puede ser la salida más honesta y operativamente útil.

Valida la transformación con totales de control

Compara cantidades, sumas y estados antes y después de limpiar o unir datos. Revisa una muestra de registros individuales y los grupos donde aumentó el número de filas. Si existen devoluciones, verifica si su fecha corresponde al pedido o al reembolso. Conserva archivos originales y registra transformaciones para poder reconstruir el resultado. Esta disciplina evita que el dashboard presente cifras aparentemente consistentes que provienen de una combinación incorrecta de fuentes.

Asigna mantenimiento al origen del problema

Una limpieza puntual no basta si el sistema continúa generando identificadores inconsistentes. Acuerda quién corrige el origen y qué control detectará la recurrencia. Puedes clasificar la fuente como utilizable, condicionada o bloqueada según el caso de uso. NIST aporta un marco voluntario para contextualizar y gestionar riesgos; la auditoría de filas y transformaciones es una recomendación operativa de SellerPlus para preparar proyectos de agencia de inteligencia artificial con evidencia comprobable.

Checklist para llevarlo a la práctica

• Definir la unidad de cada registro y su clave.
• Clasificar campos obligatorios según la tarea.
• Comparar totales antes y después de transformar.
• Asignar responsables y alertas de calidad recurrente.