01What it isQué es
Data quality management is the set of rules, controls and owners that keep SC data fit for the decision it supports — measured on accuracy, completeness, consistency, timeliness, validity and uniqueness — and that remove the process causes of errors instead of correcting them one by one.
La gestión de calidad de datos es el conjunto de reglas, controles y dueños que mantienen los datos de SC aptos para la decisión que soportan —medidos en exactitud, integridad, consistencia, oportunidad, validez y unicidad— y que eliminan las causas de los errores en el proceso en lugar de corregirlos uno por uno.
02Why it mattersPor qué importa
Planning engines, allocation rules and AI models act on whatever data they receive, so a wrong lead time or a four-hour-old stock position turns into late orders and phantom stockouts at scale. Data quality is multidimensional and defined by fitness for use by its consumers, not just accuracy (Wang and Strong, 1996 — Journal of Management Information Systems), and supply chain analytics needs explicit data quality monitoring and control to be trusted (Hazen, Boone, Ezell and Jones-Farmer, 2014 — International Journal of Production Economics).
Los motores de planeación, las reglas de asignación y los modelos de IA actúan con los datos que reciben, así que un lead time equivocado o una posición de inventario de hace cuatro horas se convierte en pedidos tardíos y quiebres de inventario fantasma a gran escala. La calidad de datos es multidimensional y se define por su aptitud para el uso de quien los consume, no solo por su exactitud (Wang y Strong, 1996 — Journal of Management Information Systems), y la analítica de supply chain requiere monitoreo y control explícitos de calidad de datos para ser confiable (Hazen, Boone, Ezell y Jones-Farmer, 2014 — International Journal of Production Economics).
03How it is doneCómo se hace
1
Score quality by domain. Measure the six dimensions separately for item, vendor, customer and inventory data so one weak domain cannot hide inside a composite.
2
Automate the four controls. Run entry validation, cross-system consistency checks, freshness alerts and anomaly detection inside the data pipeline.
3
Cost and kill root causes. Tie each recurring error to the OTIF failures and disputes it caused, then fix the process, field or interface that creates it.
1
Califica la calidad por dominio. Mide las seis dimensiones por separado para artículos, proveedores, clientes e inventario, para que un dominio débil no se esconda en un índice compuesto.
2
Automatiza los cuatro controles. Ejecuta validación en la captura, verificación de consistencia entre sistemas, alertas de frescura y detección de anomalías dentro del pipeline de datos.
3
Costea y elimina causas raíz. Liga cada error recurrente con las fallas de OTIF y disputas que causó, y corrige el proceso, campo o interfaz que lo genera.
04The concept in depthEl concepto a fondo
The 6 dimensions of SC data quality — and which ones matter most operationally›
(1) Accuracy: data correctly represents the real-world state it describes — the most important dimension for operational SC data. (2) Completeness: all required data fields are populated — missing data forces assumptions or manual lookup. (3) Consistency: the same fact is represented the same way across all systems — a supplier code that differs between ERP and WMS is an inconsistency. (4) Timeliness: data is current enough for the decision it supports — a 48-hour-old inventory position is misleading for same-day allocation decisions. (5) Validity: data conforms to defined format and value standards — a quantity in a date field is invalid. (6) Uniqueness: no duplicate records for the same entity — duplicate customer codes generate split order histories and incorrect service level reporting.
The SC data quality failure cascade: how bad data multiplies through the SC›
A single data quality failure generates a cascade of downstream consequences. Example: a supplier lead time set to 30 days in the item master when the actual lead time is 45 days → MRP calculates reorder points 15 days too late → purchase orders are placed 15 days late → supplier delivers 15 days late → production is held waiting for material → OTIF fails → customer complaints. The root cause (wrong lead time in item master) is invisible in the OTIF failure report. This is the data quality failure cascade — a single inaccurate record generating multiple downstream operational failures.
Data quality monitoring: the 4 controls that catch quality failures before they impact operations›
(1) Automated validation rules at data entry: reject records that fail format or value standards at the point of creation. (2) Cross-system consistency checks: compare the same data element across ERP, WMS, and TMS — flag discrepancies automatically. (3) Freshness monitoring: alert when data has not been updated within its expected refresh window. (4) Statistical anomaly detection: flag data that is statistically inconsistent with historical patterns — a lead time that changes from 30 to 300 days is likely a data entry error.
Intermediate vs. Advanced›
Intermediate: identifies and reports data quality issues; follows data quality correction procedures; participates in data quality review meetings.
Advanced: designs data quality monitoring architecture; implements automated detection controls; governs the data quality improvement program; drives root cause elimination of systemic quality issues.
Advanced: designs data quality monitoring architecture; implements automated detection controls; governs the data quality improvement program; drives root cause elimination of systemic quality issues.
Las 6 dimensiones de la calidad de datos de SC y cuáles importan más en la operación›
(1) Exactitud: el dato representa correctamente el estado real que describe; es la dimensión más importante para los datos operativos de SC. (2) Integridad (completitud): todos los campos requeridos están llenos; los datos faltantes obligan a suponer o a buscar manualmente. (3) Consistencia: el mismo hecho se representa igual en todos los sistemas; un código de proveedor que difiere entre el ERP y el WMS es una inconsistencia. (4) Oportunidad: el dato está lo bastante actualizado para la decisión que soporta; una posición de inventario de hace 48 horas es engañosa para decisiones de asignación del mismo día. (5) Validez: el dato cumple con los estándares de formato y valores definidos; una cantidad en un campo de fecha es inválida. (6) Unicidad: no hay registros duplicados para la misma entidad; los códigos de cliente duplicados dividen el historial de pedidos y distorsionan el reporte de nivel de servicio.
La cascada de fallas por calidad de datos: cómo los datos malos se multiplican en la SC›
Una sola falla de calidad de datos genera una cascada de consecuencias posteriores. Ejemplo: el lead time de un proveedor registrado como 30 días en el maestro de artículos cuando el real es de 45 → el MRP calcula los puntos de reorden 15 días tarde → las órdenes de compra se colocan 15 días tarde → el proveedor entrega 15 días tarde → la producción se detiene esperando material → falla el OTIF → quejas de clientes. La causa raíz (el lead time equivocado en el maestro de artículos) es invisible en el reporte de fallas de OTIF. Esta es la cascada de fallas por calidad de datos: un solo registro inexacto que genera múltiples fallas operativas aguas abajo.
Monitoreo de calidad de datos: los 4 controles que detectan fallas antes de que afecten la operación›
(1) Reglas automáticas de validación en la captura: rechazan en el punto de creación los registros que no cumplen los estándares de formato o valor. (2) Verificaciones de consistencia entre sistemas: comparan el mismo elemento de dato en el ERP, el WMS y el TMS y marcan las discrepancias automáticamente. (3) Monitoreo de frescura: alerta cuando un dato no se ha actualizado dentro de su ventana esperada. (4) Detección estadística de anomalías: marca los datos estadísticamente inconsistentes con los patrones históricos; un lead time que cambia de 30 a 300 días probablemente es un error de captura.
Intermedio vs. Avanzado›
Intermedio: identifica y reporta problemas de calidad de datos; sigue los procedimientos de corrección; participa en las reuniones de revisión de calidad de datos.
Avanzado: diseña la arquitectura de monitoreo de calidad de datos; implementa controles automáticos de detección; gobierna el programa de mejora de calidad de datos; impulsa la eliminación de las causas raíz de los problemas sistémicos.
Avanzado: diseña la arquitectura de monitoreo de calidad de datos; implementa controles automáticos de detección; gobierna el programa de mejora de calidad de datos; impulsa la eliminación de las causas raíz de los problemas sistémicos.
05In practiceEn la práctica
Build data quality metrics into the SC operational scorecard — not into a separate IT report›
Data quality is an operational enabler, not an IT metric. When SC leadership monitors data quality with the same discipline as OTIF and inventory accuracy, data quality problems get fixed at the same speed as operational failures. Put data quality in the operational scorecard.
Measure the operational cost of data quality failures — not just the data quality rate›
A data quality rate of 97% is meaningless without knowing the operational cost of the 3% that is wrong. Quantify: how many OTIF failures, receiving discrepancies, and incorrect POs were caused by data quality issues in the last quarter? The financial impact makes data quality an investment, not a compliance obligation.
Fix root causes, not symptoms — correcting individual data errors without fixing the process that created them generates perpetual correction work›
A data quality program that catches and corrects errors after they occur is a maintenance program, not an improvement program. The goal is to identify and eliminate the process, system, or behavior that generates the error — reducing the error rate, not just the error backlog.
Integrar las métricas de calidad de datos al scorecard operativo de SC, no a un reporte separado de TI›
La calidad de datos es un habilitador operativo, no una métrica de TI. Cuando la dirección de SC monitorea la calidad de datos con la misma disciplina que el OTIF y la exactitud de inventarios, los problemas de datos se corrigen a la misma velocidad que las fallas operativas. Pon la calidad de datos en el scorecard operativo.
Medir el costo operativo de las fallas de calidad de datos, no solo la tasa de calidad›
Una tasa de calidad de datos de 97% no dice nada si no se conoce el costo operativo del 3% que está mal. Cuantifica: ¿cuántas fallas de OTIF, discrepancias en recepción y órdenes de compra incorrectas se originaron en problemas de calidad de datos el último trimestre? El impacto financiero convierte la calidad de datos en una inversión, no en una obligación de cumplimiento.
Corregir las causas raíz, no los síntomas: corregir errores individuales sin arreglar el proceso que los creó genera trabajo de corrección perpetuo›
Un programa de calidad de datos que detecta y corrige errores después de que ocurren es un programa de mantenimiento, no de mejora. La meta es identificar y eliminar el proceso, sistema o comportamiento que genera el error, reduciendo la tasa de errores y no solo el rezago de errores pendientes.
06Illustrative caseCaso ilustrativo
Illustrative case built from typical industry values — not data from a specific company.Caso ilustrativo construido con valores típicos de la industria — no son datos de una empresa específica.
Illustrative case: Data quality program — SC analytics transformation, 2024
| Data quality issue identified | Operational impact | Fix and result |
|---|---|---|
| 14% of purchase orders had mismatched UOM between ERP and supplier system (case vs. each) | Systematic receiving discrepancies — 14% of PO lines required manual correction at receiving | UOM validation rule added at PO creation · Supplier UOM mapping table maintained in MDM · Receiving discrepancy rate fell to 1.2% |
| Inventory data updated in WMS 4 hours after physical movement (batch sync) | Allocation decisions made on 4-hour-old inventory data — phantom stockouts and over-allocations | Real-time WMS-ERP sync implemented · Allocation engine refresh cadence reduced from 4h to 5min |
Result: Data quality program eliminated 2 of the top-5 root causes of operational exceptions. The financial impact was indirect but measurable: 23% reduction in receiving-related disputes and 3.1pp OTIF improvement attributable to inventory data timeliness improvement.
Illustrative case built from typical industry values — not data from a specific company.Caso ilustrativo construido con valores típicos de la industria — no son datos de una empresa específica.
Caso ilustrativo: programa de calidad de datos — transformación de analítica de SC, 2024
| Problema de calidad de datos identificado | Impacto operativo | Corrección y resultado |
|---|---|---|
| 14% de las órdenes de compra tenía una unidad de medida distinta entre el ERP y el sistema del proveedor (caja vs. pieza) | Discrepancias sistemáticas en recepción: 14% de las líneas de orden de compra requería corrección manual al recibir | Regla de validación de unidad de medida al crear la orden de compra · Tabla de equivalencias de UOM del proveedor mantenida en el MDM · La tasa de discrepancias en recepción bajó a 1.2% |
| Datos de inventario actualizados en el WMS 4 horas después del movimiento físico (sincronización por lotes) | Decisiones de asignación tomadas con datos de inventario de hace 4 horas: quiebres de inventario fantasma y sobreasignaciones | Sincronización WMS-ERP en tiempo real · Frecuencia de actualización del motor de asignación reducida de 4 h a 5 min |
Resultado: El programa de calidad de datos eliminó 2 de las 5 principales causas raíz de excepciones operativas. El impacto financiero fue indirecto pero medible: 23% menos disputas relacionadas con la recepción y 3.1 pp de mejora en OTIF atribuibles a la mayor oportunidad de los datos de inventario.
07How it is measuredCómo se mide
SC Data Quality Score (composite index across accuracy, completeness, timeliness)›
SC Data Quality Score (composite index across accuracy, completeness, timeliness)
Weighted average: Accuracy % (40%) + Completeness % (30%) + Timeliness % (30%) — measured by data domain
Benchmark: >95 composite score in mature data quality programs · <85 indicates systemic quality issues requiring dedicated remediation
🔑 Track the data quality score by domain (item master, vendor master, customer master, inventory) separately — a composite score above 90 can hide a critical failure in one domain that is destroying operational performance.
Índice de calidad de datos de SC (índice compuesto de exactitud, integridad y oportunidad)›
Índice de calidad de datos de SC (índice compuesto de exactitud, integridad y oportunidad)
Promedio ponderado: Exactitud % (40%) + Integridad % (30%) + Oportunidad % (30%), medido por dominio de datos
Referencia: >95 de índice compuesto en programas maduros de calidad de datos · <85 indica problemas sistémicos de calidad que requieren una remediación dedicada
🔑 Da seguimiento al índice por dominio (maestro de artículos, maestro de proveedores, maestro de clientes, inventario) por separado: un índice compuesto mayor a 90 puede ocultar una falla crítica en un dominio que está destruyendo el desempeño operativo.
08What you would useQué se usa
📌 Data Quality Platforms
Great Expectations / dbt Tests›
Module: Automated Data Quality Testing
Great Expectations and dbt Tests provide automated data quality testing frameworks — defining, running, and monitoring data quality rules as code, integrated into the data pipeline CI/CD process.
Great Expectations and dbt Tests provide automated data quality testing frameworks — defining, running, and monitoring data quality rules as code, integrated into the data pipeline CI/CD process.
Informatica IDMC / Qlik Talend Data Quality›
Module: Enterprise Data Quality
Informatica IDMC (now part of Salesforce) and Talend (part of Qlik since 2023) provide enterprise-grade data quality management — profiling, cleansing, standardization, and monitoring for complex multi-source SC environments.
Informatica IDMC (now part of Salesforce) and Talend (part of Qlik since 2023) provide enterprise-grade data quality management — profiling, cleansing, standardization, and monitoring for complex multi-source SC environments.
📌 Plataformas de calidad de datos
Great Expectations / dbt Tests›
Módulo: Pruebas automatizadas de calidad de datos
Great Expectations y dbt Tests ofrecen marcos de pruebas automatizadas de calidad de datos: definen, ejecutan y monitorean reglas de calidad como código, integradas al proceso de CI/CD de los pipelines de datos.
Great Expectations y dbt Tests ofrecen marcos de pruebas automatizadas de calidad de datos: definen, ejecutan y monitorean reglas de calidad como código, integradas al proceso de CI/CD de los pipelines de datos.
Informatica IDMC / Qlik Talend Data Quality›
Módulo: Calidad de datos empresarial
Informatica IDMC (ahora parte de Salesforce) y Talend (parte de Qlik desde 2023) ofrecen gestión de calidad de datos de nivel empresarial: perfilado, depuración, estandarización y monitoreo para entornos de SC complejos con múltiples fuentes.
Informatica IDMC (ahora parte de Salesforce) y Talend (parte de Qlik desde 2023) ofrecen gestión de calidad de datos de nivel empresarial: perfilado, depuración, estandarización y monitoreo para entornos de SC complejos con múltiples fuentes.
The bottom lineEn corto
Measure data quality where operations can see it and price it, and it gets fixed at the speed of operations.
Mide la calidad de datos donde la operación pueda verla y ponerle precio, y se corregirá a la velocidad de la operación.
← PreviousAnteriorSC data architecture and data lakehouse: enabling analytics at enterprise scaleArquitectura de datos de SC y data lakehouse: habilitando analytics a escala empresarialNextSiguiente →SC data privacy, compliance, and cross-border data governancePrivacidad de datos de SC, compliance y gobernanza de datos transfronterizos
All D16 componentsTodos los componentes de D16D16 artifactsArtifacts de D16SCRA