Toda operação comercial brasileira com um mínimo de maturidade reporta algo parecido: “nossos dados estão 99% completos”. E mesmo assim: pedidos duplicados inflam sell-in, sell-out de fim de semana desaparece, ruptura aparece como queda de demanda.
Como o dado pode estar 99% completo e ainda assim ser incapaz de sustentar uma decisão?
Porque completude média é a pergunta errada. E porque confiabilidade tem outras cinco dimensões que quase ninguém mede.
O problema da média
Considere uma fato de sell-out com 99% de registros preenchidos. Parece excelente. Agora distribua os 1% ausentes:
- 100% dos registros de domingo do canal B sumiram (falha sistemática de carga);
- SKUs lançados no último trimestre não têm hierarquia de categoria;
- uma região inteira está sem leitura de PDV há duas semanas.
A média continua 99%. Mas se a diretoria está decidindo reposição para o canal B, a análise está cega exatamente onde interessa. Completude precisa ser medida pela chave de negócio — dia × SKU × canal × região — e reportada pelo pior segmento relevante, não pela média confortável.
As seis dimensões que importam
Em todo diagnóstico que conduzo, audito seis dimensões. A maioria das empresas mede só a primeira.
| Dimensão | Pergunta que responde |
|---|---|
| Completude | O registro esperado existe, na chave certa? |
| Freshness | O dado chegou dentro do SLA combinado? |
| Consistência | Sell-in bate com faturamento? Sell-out bate com PDV? |
| Unicidade | Há pedidos, produtos ou clientes duplicados? |
| Validade | Estrutura e tipos estão conforme o esperado? |
| Linhagem | Dá para explicar de onde veio cada número? |
Cada dimensão sem monitoramento é uma forma diferente de o dashboard enganar alguém na próxima reunião.
Por que isso dói mais em supply chain
Numa operação comercial pura, um erro pontual distorce um relatório. Numa cadeia de suprimentos, ele se propaga em cascata:
- Sell-out subnoticado parece queda de demanda;
- Queda de demanda reduz previsão de venda;
- Previsão menor corta reposição;
- Reposição menor gera ruptura real — que derruba a venda do mês seguinte.
O erro de dado virou erro de operação física, com custo real em venda perdida e estoque mal alocado. Na cadeia, qualidade de dado não é tema de TI: é tema de margem.
Onde começar
Não tente auditar tudo de uma vez. O caminho de menor risco:
- Escolha as três fontes que alimentam as decisões mais caras (normalmente ERP, leitura de PDV e planilhas de trade).
- Defina, com quem decide, o SLA de freshness de cada uma.
- Implemente regras de qualidade por chave de negócio para essas fontes.
- Coloque violações em alerta automático — o erro deve ser descoberto pelo monitor, nunca pela diretoria.
- Só então evolua para as demais fontes.
Esse é o desenho do Data Quality Command Center que construo em projetos: poucas regras críticas bem monitoradas valem mais que centenas de testes genéricos ignorados.
Conclusão
Dado confiável não é o que tem boa média de completude — é aquele cuja falha você descobre antes de decidir. Se quiser verificar onde sua operação está, o checklist gratuito com os 12 pontos de quality em sell-in, sell-out, estoque e pedidos é um bom primeiro passo.