Fuentes de datos, calidad y ética

Empieza por la pregunta que necesitas responder. Después pregunta quién recopiló cada posible fuente y hasta qué punto describe a las personas, los lugares y el período que necesitas.

Sigue los datos hasta quien los recopiló

Tus registros de ventas, registros del sitio web y solicitudes de atención al cliente son datos propios. Los registros de reservas de una aerolínea compartidos directamente con un hotel asociado son datos obtenidos directamente de otra organización para el hotel. Un archivo de audiencias combinado por un intermediario es, para quien lo compra, un conjunto de datos obtenidos mediante intermediarios. Estas etiquetas describen la relación con quien recopiló los datos; no clasifican la calidad de cada archivo.

Mantén separadas las otras distinciones

Los datos internos se encuentran dentro de tu organización; los externos proceden de fuera. Los datos primarios se recopilan para tu pregunta actual; los secundarios se reutilizan de otra finalidad o momento. Los registros antiguos de ventas reutilizados para investigar una nueva pregunta sobre precios son datos propios y secundarios. Una encuesta nueva diseñada para esa pregunta es una fuente primaria.

Los datos abiertos son accesibles y reutilizables por cualquiera para cualquier finalidad, incluido el uso comercial, bajo una licencia abierta. Las oficinas de estadística, los ayuntamientos y los servicios meteorológicos publican ejemplos. Lee la licencia: la atribución puede exigir que se reconozca la fuente y la condición de compartir igual puede exigir que las versiones adaptadas usen la misma licencia. Un archivo público que prohíbe la reutilización comercial no contiene datos abiertos en este sentido estricto.

Examina la elección de una fuente

Una empresa de bicicletas compartidas pregunta por qué los viajes de fin de semana bajaron un 15 % esta primavera.

1. Sus registros de viajes muestran en qué estaciones y horarios disminuyeron los viajes. Son evidencia procedente de datos propios sobre su servicio.
2. Los datos de uso del transporte compartidos directamente por la agencia de la ciudad añaden evidencia procedente de otra organización sobre el uso de autobuses y trenes cercanos en las mismas semanas.
3. Los registros abiertos de lluvia y temperatura diarias ayudan a investigar el tiempo como posible factor.
4. Un archivo de barrios de un intermediario añade contexto demográfico, después de comprobar sus fechas, métodos y permisos.

Estas fuentes apoyan distintas partes de la investigación. Una bajada de los viajes en bicicleta junto a una subida de los viajes en tren no demuestra que las mismas personas hayan cambiado de servicio.

Comprueba el canal y el detalle

Las encuestas llegan a quienes responden; las entrevistas recogen lo que dicen las personas; las observaciones registran lo que alguien percibe. Los sensores cubren los lugares donde están instalados. Los registros de sitios web abarcan las acciones realizadas en ese sitio. Una API permite que un programa solicite datos a otro sistema; la extracción automatizada de datos de páginas web copia contenido de páginas web. Ninguno de los dos canales garantiza la completitud ni el permiso para reutilizar el resultado.

Comprueba la granularidad, es decir, el detalle de cada registro. Los totales mensuales de una ciudad no pueden responder a una pregunta por hora y estación. Compara las fuentes según su cobertura, documentación, usos permitidos, esfuerzo de obtención y costo. Un enorme archivo sobre la población puede ser menos útil que un archivo pequeño y bien documentado sobre tus propios clientes.

La estructura de los datos describe cómo se organiza la información. Te indica qué puede entrar directamente en un cálculo y qué necesita primero una interpretación.

Reconoce tres formas

Una tabla relacional asigna una función a cada columna. Esto facilita la ordenación, el filtrado, el recuento y la agrupación. Los registros semiestructurados pueden tener campos opcionales o listas: un cliente puede tener dos números de teléfono y otro ninguno. El contenido no estructurado requiere lectura, escucha, observación o un método de análisis adecuado para ese contenido.

Separa un contenedor de su contenido

Considera este registro JSON:

{"review_id": 1047, "rating": 4, "text": "Fast delivery, but the box was damaged."}

Las claves identifican los valores, por lo que el registro es semiestructurado. El identificador y la valoración pueden convertirse en columnas de una tabla. El texto sigue siendo un comentario escrito libremente. Colocarlo en una celda de una hoja de cálculo no convierte su significado en una categoría lista para usar.

Una hoja de cálculo puede ordenar los comentarios alfabéticamente, pero eso no te dirá cuántos clientes se quejaron del embalaje. Necesitas un campo que registre esa idea, como mentions_packaging, con una regla clara para asignarlo.

Convierte los comentarios en campos que puedan contarse

Un equipo lee 200 reseñas y marca cada tema que menciona cada reseña. Registra un indicador de entrega y otro de precio para cada reseña. Hay 84 menciones de la entrega y 46 menciones del precio:

• Entrega: 84 de 200, o el 42 %.
• Precio: 46 de 200, o el 23 %.

Una reseña puede mencionar ambos temas, por lo que estos grupos se solapan. Sus porcentajes no tienen por qué sumar 100 %. Si el equipo quiere, en cambio, un tema principal por reseña, necesita una regla para elegirlo; esta es una tarea de codificación distinta.

Las etiquetas son datos estructurados derivados del texto original. Mantén la reseña original disponible para los analistas autorizados, de modo que alguien pueda comprobar por qué se asignó una etiqueta. Una definición breve de codificación, como «menciona un retraso en la entrega o la hora de llegada», ayuda a las personas a aplicar la misma categoría de forma consistente.

Utiliza los metadatos sin confundirlos con el contenido

Los metadatos describen datos. Una foto puede tener una hora de captura, un modelo de cámara y una ubicación GPS. El contenido de la imagen no está estructurado; su hora de captura es un valor estructurado que puede agruparse por día. Un archivo también puede tener un autor, un tamaño y una fecha de creación, y una tabla puede tener descripciones de sus columnas.

La estructura y la calidad responden a preguntas distintas. Un archivo de audio cuidadosamente mantenido sigue sin estar estructurado. Una hoja de cálculo con cantidades incorrectas sigue estando estructurada. Evalúa cómo está organizado el contenido por separado de si es exacto, completo y adecuado para el análisis.

El significado de un valor determina qué operaciones tienen sentido. Los dígitos por sí solos no pueden indicarte si algo es una cantidad, un identificador o una categoría ordenada.

Clasifica el significado de un campo

Los datos cuantitativos cuentan o miden algo. Los datos cualitativos, o categóricos, nombran una cualidad o grupo.

El tiempo de entrega es continuo incluso si se registra en minutos enteros; la precisión del registro no convierte la medición subyacente en un recuento. Un código de producto como «300» es nominal porque identifica un producto. Sumar códigos de productos no produciría un total con sentido.

Mantén los códigos de categorías en contexto

Una escala de satisfacción puede codificar «muy insatisfecho» como 1 y «muy satisfecho» como 5. Los recuentos, los porcentajes y la respuesta central ordenada ayudan a describirla. Una media de los códigos supone que los pasos entre categorías vecinas son iguales. Una diferencia de 1 a 2 puede no representar el mismo cambio en la percepción que una diferencia de 4 a 5.

Cuando un campo llamado status contiene 3, pregunta qué significa 3. Podría ser un recuento, una etiqueta de tienda o una valoración. El diccionario de datos o el titular de los datos proporciona ese significado.

Elige un tipo de almacenamiento

Los tipos de almacenamiento indican al software cómo conservar y manejar los valores. Los tipos habituales son texto o cadena de caracteres, entero, decimal, fecha, fecha y hora, y booleano. Un tipo booleano tiene dos valores: VERDADERO y FALSO. Los nombres de bases de datos como INTEGER, DECIMAL, VARCHAR, DATE, TIMESTAMP y BOOLEAN varían según el sistema.

Una tienda en línea podría elegir:

• order_id: texto; un identificador nominal.
• order_date: fecha; un valor de calendario.
• items: entero; una cantidad discreta.
• parcel_kg: decimal; una cantidad continua.
• payment_method: texto; una categoría nominal.
• rating: una categoría ordenada codificada de 1 a 5.
• is_member: booleano.

Una valoración puede almacenarse como entero sin convertirse en una cantidad medida. El significado estadístico y el tipo de almacenamiento son decisiones relacionadas, pero no son la misma etiqueta.

Evita los cambios silenciosos

Los códigos postales y los números de teléfono deben guardarse en campos de texto. Almacenar el código postal estadounidense «02134» como número produce 2134 y hace que se pierda parte del identificador. Un identificador numérico más largo también puede perder precisión en un programa de hojas de cálculo.

Las fechas almacenadas como texto pueden ordenarse por su primer carácter. En ese orden, «10/02/2025» precede a «9/15/2025» porque «1» precede a «9», aunque septiembre va primero. Utiliza un tipo de fecha cuando el campo represente fechas.

Un número almacenado como texto puede ser omitido por SUM cuando una hoja de cálculo suma un rango de celdas. El total puede parecer plausible y aun así omitir un valor. Comprueba tanto el significado del campo como el tipo de almacenamiento antes de calcular, ordenar o comparar.

El formato de un archivo determina qué puede contener y cómo lo lee el software. Comprueba esas capacidades antes de elegir una exportación o abrir un archivo desconocido.

Adapta el formato a la información

CSV escribe los valores de los campos como texto, no como fórmulas de hoja de cálculo. TSV usa tabulaciones entre campos. Algunas exportaciones de hojas de cálculo usan puntos y comas donde la coma decimal es habitual. Inspecciona el delimitador y la codificación en una vista previa de importación.

Lee los campos CSV entre comillas

Un campo CSV que contiene una coma, una comilla doble o un salto de línea se encierra entre comillas dobles. Una comilla dentro de ese campo se duplica:

1047,"Lee, Ana","She said ""great"""

Este registro tiene tres campos. La coma del nombre forma parte del nombre. Las comillas duplicadas conservan las comillas alrededor de «great». Existen variantes de CSV, así que confirma cómo lee el archivo el programa receptor.

JSON utiliza claves y valores, como en {"city": "Lyon", "stations": 3}. XML utiliza etiquetas, como en <city>Lyon</city>. Las listas dentro de cualquiera de los dos formatos requieren decidir qué elemento se convierte en una fila.

Conserva los caracteres y los identificadores

La codificación de caracteres asigna caracteres a los bytes. UTF-8 admite sistemas de escritura de todo el mundo. Leer UTF-8 con la codificación equivocada puede convertir «São Paulo» en «São Paulo». Vuelve a importar con la codificación correcta; editar el texto ilegible visible oculta la causa.

La conversión automática de las hojas de cálculo crea otro riesgo. Un código «02134» puede perder su cero, los identificadores numéricos largos pueden mostrarse en notación científica y Excel almacena solo 15 dígitos significativos. Por tanto, un identificador de 16 dígitos puede perder precisión. Importa los identificadores como texto. El texto que se parece a una fecha también puede cambiar: la conversión repetida de símbolos de genes como SEPT2 contribuyó a que se cambiaran sus nombres, por ejemplo, a SEPTIN2, en 2020.

Comprueba fechas, filas y conversiones

La fecha «03/04/2025» puede significar el 4 de marzo o el 3 de abril. El formato ISO de año-mes-día, como «2025-03-04», evita esa ambigüedad y se ordena cronológicamente como texto cuando se aplica de manera consistente.

El antiguo formato XLS admite 65 536 filas por hoja. En octubre de 2020, una importación a ese formato contribuyó a que se omitieran 15 841 resultados positivos de pruebas de COVID-19 de las cifras diarias de Inglaterra correspondientes al período del 25 de septiembre al 2 de octubre. Compara el número de filas importadas con el de la fuente para detectar cortes silenciosos.

Cambiar el nombre de sales.xlsx a sales.csv deja intacto el formato subyacente. Convierte el archivo mediante exportación o «Guardar como». Conserva el archivo original: abrir un CSV y volver a guardarlo puede escribir los valores sin los ceros eliminados o las fechas modificadas aunque no hayas hecho cambios deliberados.

Una tabla debe permitir identificar fácilmente qué describe cada fila. Empieza por nombrar esa observación: un pedido, un cliente o las ventas de una tienda durante un trimestre.

Da a cada valor un lugar claro

Una disposición de datos ordenados tiene una variable por columna, una observación por fila y un valor por celda. Usa una sola fila de encabezados. Mantén los clientes y los pedidos en tablas separadas porque son tipos de observaciones diferentes.

Las celdas combinadas, las filas vacías decorativas y varios valores en una celda hacen que la ordenación y el filtrado sean poco fiables. Almacena la masa como número en parcel_kg, no como texto como «12 kg». Registra el estado en un campo; el color por sí solo no puede trasladar su significado de forma fiable a otra herramienta.

Mantén las filas de totales fuera de los registros. Supón que tres tiendas tienen valores de ventas de 120, 80 y 100. Su total es 300. Si una cuarta fila también contiene 300 con la etiqueta «Total», sumar toda la columna da 600. El total se ha contado junto con sus propias partes.

Elige una disposición ancha o larga

La disposición ancha facilita la lectura comparativa. La disposición larga facilita el filtrado, la agrupación y la creación de gráficos por período. Un quinto trimestre añade filas a la tabla larga en vez de cambiar su estructura de columnas. La dinamización convierte el formato largo en ancho; la anulación de dinamización convierte el formato ancho en largo.

Ninguna de las dos disposiciones cambia las ventas. Lo que cambia es la definición de una fila y dónde se registra el período. Documenta ese significado de la fila para que los identificadores de tienda repetidos en la tabla larga se entiendan correctamente.

Explica los campos

Un diccionario de datos describe el significado, tipo, unidad, valores o rango permitidos y código de valor ausente de cada campo. Por ejemplo:

trip_km: Distancia del viaje en kilómetros; decimal; cero o más; en blanco cuando falló la señal GPS.

Esta entrada distingue una celda en blanco de un cero medido. También evita que un lector interprete los kilómetros como metros. Un README ofrece la visión general del conjunto de datos: su fuente, cobertura, período y problemas conocidos.

Los metadatos descriptivos identifican el conjunto de datos, el autor y el tema. Los metadatos estructurales describen campos, tablas y relaciones. Los metadatos administrativos registran la titularidad, los derechos de acceso, las licencias, las fechas de creación y los tipos de archivo. En conjunto, ayudan a las personas a localizar y evaluar los datos, además de utilizarlos.

Deja rastro de tu trabajo

Utiliza nombres significativos con un solo estilo, como parcel_kg y order_date. Un nombre de archivo como bike_trips_2025-03-04_v02.csv registra el contenido, la fecha y la versión sin espacios ni caracteres especiales. Las fechas en orden año-mes-día hacen que los nombres de archivos relacionados se ordenen cronológicamente.

Mantén los datos en bruto sin cambios y en modo de solo lectura, con copias de trabajo y resultados en carpetas separadas. Registra los cambios en un breve registro o en un historial de versiones compartido. Escribe las definiciones mientras tengas el trabajo reciente: un valor 3 de status sin explicación puede impedir que el siguiente analista interprete una tabla que por lo demás está limpia.

Elige un medio de almacenamiento según la cantidad de datos, las relaciones que contienen y las personas que necesitan leerlos o modificarlos. Una presentación cómoda es solo una parte de esa elección.

Comprende las tablas vinculadas

Una base de datos es una colección electrónica organizada y administrada por un sistema de gestión de bases de datos, o SGBD. El SGBD gestiona el almacenamiento, los permisos y la consistencia. Una base de datos relacional conserva datos relacionados en tablas vinculadas mediante claves. Su esquema define las tablas, los campos, los tipos y las relaciones.

Una clave primaria identifica de forma única una fila y nunca está vacía. Puede ser un campo o una combinación de campos. Una clave foránea vincula una tabla con la clave primaria de otra. Varios registros pueden apuntar al mismo registro relacionado.

Considera customers, con customer_id, name y city, y orders, con order_id, customer_id, order_date e items. El cliente C102 tiene tres pedidos. El identificador C102 aparece tres veces en orders, pero solo una vez como clave primaria en customers. Cada pedido conserva su propio order_id único.

Si cambia la ciudad actual del cliente, al actualizar la fila del cliente la nueva ciudad queda disponible mediante la relación. Repetir la ciudad en cada pedido facilitaría la aparición de ediciones contradictorias. Organizar datos relacionados en tablas vinculadas para reducir repeticiones y contradicciones es la normalización de bases de datos. Utiliza identificadores estables: los nombres pueden repetirse o cambiar.

Compara las necesidades de trabajo

Una hoja de Excel admite como máximo 1 048 576 filas y 16 384 columnas. Google Sheets permite hasta 20 millones de celdas por archivo, límite aumentado desde 10 millones en septiembre de 2026. La capacidad es un máximo, no una garantía de que todos los archivos funcionen con fluidez.

Concreta la comprobación del tamaño

Un archivo de 2 500 000 viajes necesita aproximadamente 2,4 veces las filas de una hoja de Excel. Almacénalo en una base de datos y extrae un subconjunto útil. Una tabla de 700 000 filas y 30 columnas utiliza 21 000 000 de celdas, por encima del límite de Google Sheets. Una lista de 300 inscripciones a un evento cabe cómodamente en una hoja de cálculo.

Incluso los datos de poco volumen pueden necesitar una base de datos cuando muchas personas actualizan registros relacionados y la consistencia de las claves importa. Las hojas de cálculo pueden rechazar entradas incorrectas mediante reglas de validación, pero estas deben configurarse y pueden eludirse, incluso al pegar datos. Una tabla en una hoja no adquiere restricciones de base de datos simplemente por su disposición.

Reconoce otros medios de almacenamiento

Una base de datos NoSQL orientada a documentos puede almacenar registros JSON con campos variables. Un almacén de datos combina datos preparados de varias fuentes para su análisis. Un lago de datos conserva grandes volúmenes de datos en bruto en sus formatos originales, incluidos contenidos multimedia. Un flujo de trabajo habitual mantiene los datos principales en una base de datos y envía un subconjunto seleccionado a una hoja de cálculo o herramienta de inteligencia de negocios.

La credibilidad significa que una fuente es fiable y que su recopilación y documentación permiten confiar en ella. Un archivo bien presentado es fácil de leer; la evidencia que lo respalda determina cuánta confianza merece.

Aplica ROCCC

ROCCC representa fiabilidad, originalidad, exhaustividad, actualidad y citación. Trata cada palabra como una cuestión que debes investigar.

Originalidad no significa que debas recopilarlo todo tú mismo. Una tabla reutilizada puede ser creíble si puedes rastrearla hasta un original documentado. Actualidad no significa usar los datos más nuevos a cualquier precio: los registros históricos son los adecuados para una pregunta histórica.

Rastrea una afirmación antes de aceptarla

Una publicación en un foro enlaza una hoja de cálculo llamada «Tiempo medio de desplazamiento al trabajo por ciudad». No tiene autor, fecha ni definición de «desplazamiento al trabajo». No puedes saber si sus cifras describen trayectos de ida, viajes de ida y vuelta, trabajadores o a todas las personas de la ciudad.

Primero, busca la oficina de estadística o la autoridad de transporte de origen. Encuentra su tabla y su metodología. Comprueba el año y la definición de la medida y, después, confirma que las cifras copiadas coinciden. Si no puedes reconstruir ese recorrido, el archivo del foro deja sin respuesta preguntas importantes sobre su fiabilidad.

Una fuente puede ser fiable y aun así no responder a tu pregunta. Una encuesta de desplazamientos de adultos empleados puede servir para una pregunta sobre viajes al trabajo, pero omitir los viajes de personas jubiladas. La exhaustividad siempre se refiere a la pregunta y a las personas sobre las que trata.

Sigue la procedencia y los permisos

La procedencia de los datos es el registro de dónde se originaron y qué les ocurrió. Un recorrido útil conecta la publicación original, la versión descargada, cualquier transformación o filtrado y el extracto utilizado en un resultado. Los metadatos y un diccionario de datos explican los campos y las definiciones a lo largo de ese recorrido.

Comprueba la licencia o el acuerdo antes de reutilizar los datos. El permiso para descargar un archivo puede ser distinto del permiso para publicar sus filas o utilizarlo comercialmente. Una fuente técnicamente sólida puede seguir siendo inutilizable para la finalidad prevista según sus condiciones.

Contrasta el significado además de los totales

Compara los totales regionales con el total nacional del editor cuando las regiones abarquen toda esa población y período. Una discrepancia es motivo para investigar áreas ausentes, fechas distintas, revisiones o definiciones diferentes. Compara también una fuente independiente; varios sitios web que repiten una cifra proporcionan una sola cadena de evidencia, no una confirmación independiente.

Lee las notas de revisión. Una corrección posterior puede dejar desactualizado un extracto guardado, aunque se haya descargado recientemente. Registra la versión que utilizaste y la fecha en que accediste a ella. Cuando un panel de control diga «usuario activo», averigua si significa un inicio de sesión, una compra u otra acción antes de compararlo con un segundo panel.

El sesgo es una distorsión sistemática en la forma de recopilar, registrar, seleccionar o interpretar los datos. Desplaza un resultado en una dirección. Más registros recopilados de la misma forma sesgada conservan esa distorsión.

Identifica qué salió mal

El sesgo del observador afecta al proceso de registro; el sesgo de interpretación afecta al significado que alguien da a la información. El sesgo de confirmación se aprecia especialmente en las evidencias que alguien busca o conserva. En un proyecto puede aparecer más de uno, pero identifica el mecanismo que la evidencia realmente respalda.

Calcula el efecto de los clientes ausentes

Una encuesta recibe 300 respuestas de usuarios de la aplicación, de los cuales 240 están satisfechos. La tasa de satisfacción observada es del 80 %. Los usuarios de la aplicación representan el 40 % de todos los clientes. Una comprobación independiente revela que el 55 % del 60 % restante está satisfecho.

Para combinar estas tasas de grupo, ten en cuenta la proporción de cada grupo:

• Contribución de la aplicación: el 40 % del 80 %, o 32 puntos porcentuales.
• Contribución de los demás clientes: el 60 % del 55 %, o 33 puntos porcentuales.
• Satisfacción global: 32 más 33, o el 65 %.

Presentar el 80 % como resultado de todos los clientes extendería el resultado de la aplicación a un grupo al que no representaba. Una encuesta aún más grande limitada a la aplicación seguiría omitiendo a ese grupo.

Busca lagunas y decisiones sesgadas

Compara la composición del conjunto de datos con cifras conocidas de la población, como las proporciones por grupo de edad o los canales de los clientes. Pregunta quién está ausente, quién abandonó y por qué. Revisa cómo se definieron las categorías y si alguna opción de respuesta deja fuera a personas. Examina quién registró las valoraciones y qué expectativas podrían haberle afectado.

Un registro exacto de decisiones pasadas merece una comprobación independiente de equidad. Si un proceso de contratación favoreció a un grupo, almacenar sus decisiones con exactitud conserva ese patrón. Una transcripción correcta no repara la desigualdad histórica.

Reduce el mecanismo que detectaste

Las definiciones claras para el registro, los procedimientos estándar y los observadores independientes ayudan a reducir el sesgo del observador. Los criterios acordados para interpretar resultados reducen la posibilidad de que las expectativas determinen las conclusiones. Anotar la pregunta y los criterios de éxito antes del análisis, y buscar activamente evidencias contrarias a tu idea, contrarresta el sesgo de confirmación.

Documenta los sesgos que no puedas eliminar y explica cómo limitan las conclusiones. Si faltan los clientes que cancelaron, describe el resultado como un resultado sobre los suscriptores actuales. Si la decisión requiere comprender la cancelación, busca información sobre quienes se fueron.

La calidad de los datos es su adecuación al uso previsto. Evalúa los campos y registros que realmente necesita la decisión y después determina cómo afectarían los problemas al resultado.

Examina seis dimensiones

La validez y la exactitud son diferentes. Una edad de 42 puede estar dentro del rango permitido y ser incorrecta para una persona cuya edad real es 24. La exactitud requiere una comparación con la realidad, no solo una comprobación del formato.

Realiza el perfilado de una tabla de clientes

Una tabla tiene 5000 filas, 600 direcciones de correo electrónico en blanco, 45 identificadores de clientes que aparecen más de una vez, una edad máxima de 212 y una fecha de actualización de hace 18 meses.

1. Divide 600 entre 5000: falta el 12 % de las entradas de correo electrónico.
2. Los identificadores repetidos plantean un problema de unicidad si cada fila debe describir a un cliente.
3. La edad 212 incumple una regla de rango de edad plausible y requiere investigación.
4. La fecha de actualización plantea una duda sobre la oportunidad de los datos para contactar actualmente con los clientes.

Este perfil localiza problemas; no decide todos los usos. Un análisis del gasto por región del año pasado puede continuar después de verificar los importes de compra, las fechas y las regiones, resolver los registros duplicados y comprobar que se cubre todo el año solicitado. Una campaña de correo electrónico necesita direcciones actuales y se ve afectada directamente por el campo de contacto ausente.

Decide qué evidencia es suficiente

Los datos son insuficientes cuando faltan los registros, campos, cobertura o período que necesita la pregunta. Una sola fuente merece una comprobación adicional cuando no puedes contrastarla. Una fuente cambiante necesita una instantánea fija o una fecha de corte para el informe, como «todos los pedidos hasta 2025-06-30», para que alguien pueda reproducir el resultado.

Cuando una carencia importa, analiza la decisión con las partes interesadas. Puedes buscar nuevos datos, esperar, acotar la pregunta, comunicar un resultado limitado o utilizar datos sustitutivos claramente explicados. Los datos sustitutivos reemplazan algo que no está disponible. Las primeras ventas de un producto similar podrían orientar una estimación para un producto nuevo, pero la similitud es un supuesto que se debe indicar y examinar.

Comprueba el efecto de tu respuesta

Eliminar todas las filas con una celda vacía puede introducir sesgo. Si los clientes de mayor edad tienen más probabilidades de omitir una dirección de correo electrónico, eliminar esas filas los infrarrepresenta incluso en un análisis que no necesita el correo electrónico.

Un archivo sin celdas vacías aún puede describir a la población equivocada o usar una definición incorrecta. Registra qué problemas afectan a la decisión prevista, qué debe resolverse y qué límites permanecen.

Los datos personales se relacionan con alguien que está identificado o puede ser identificado. También es habitual la denominación información de identificación personal, o PII. En el análisis cotidiano, observa qué revela la información y cómo podría vincularse con una persona.

Busca la identificación directa e indirecta

Un identificador directo puede señalar directamente a una persona o cuenta: una dirección de correo electrónico, un número de teléfono, un documento nacional de identidad, un número de cuenta o una foto clara del rostro. Los nombres también ayudan a identificar a las personas, aunque un nombre común puede necesitar contexto.

Un identificador indirecto, o cuasiidentificador, permite identificar a alguien en combinación con otros detalles. La fecha de nacimiento, el código postal, el género, el empleador y el puesto de trabajo pueden parecer amplios por separado, pero dejar un grupo muy pequeño al combinarlos.

Latanya Sweeney estimó a partir de los datos del censo estadounidense de 1990 que aproximadamente el 87 % de la población probablemente era única según el código postal de cinco dígitos, el género y la fecha de nacimiento completa. Un estudio posterior con datos del censo de 2000 estimó aproximadamente un 63 %. Son hallazgos ligados a esas poblaciones y fechas, no una tasa de identificación universal. Sweeney también vinculó un conjunto de datos de salud de un estado con una lista de votantes para identificar los registros de un gobernador.

Examina todos los campos, incluidas las notas

Considera estos campos de clientes:

Una nota como «Pregunta por María en la sucursal de la calle Olmo, ella conoce mi caso» contiene un nombre y una ubicación a pesar de la etiqueta genérica del campo. Lee los campos de texto libre antes de decidir que un extracto es seguro para compartir.

Los identificadores de dispositivos y cookies, las direcciones IP, los historiales de desplazamiento preciso y los metadatos GPS también pueden ayudar a identificar a alguien. Una ruta que comienza en la misma casa cada mañana puede revelar dónde vive una persona aunque el registro de la ruta no tenga nombre.

Reconoce la información sensible

Los datos sensibles son información personal cuyo uso indebido puede causar daños graves. Algunos ejemplos son los datos de salud, genéticos y biométricos; el origen racial o étnico; las creencias religiosas y políticas; la orientación sexual; la afiliación sindical; los datos financieros; la ubicación precisa; y la información sobre menores. Una tarea debe tener una necesidad clara de esos campos antes de incluirlos en una copia para análisis.

La identificación y la sensibilidad son cuestiones distintas. Un correo electrónico puede identificar a una persona sin describir su salud. Un diagnóstico puede ser sensible incluso cuando su tabla ha sustituido los nombres por códigos, porque los registros aún pueden ser vinculables.

Respeta el uso además de la fuente

La privacidad se refiere al control de las personas sobre la información que les concierne y a si su recopilación, uso e intercambio son adecuados y esperados. Los perfiles y directorios públicos siguen describiendo a personas. Combinar detalles públicos puede revelar más de lo que mostraban conjuntamente los autores originales.

Entre los ejemplos de leyes de privacidad están el RGPD de la UE, el RGPD del Reino Unido y la CCPA de California. En el trabajo, sigue la política de privacidad de la organización y consulta a su equipo de privacidad o jurídico sobre usos dudosos. Eliminar un nombre es un cambio en un conjunto de datos; evaluar qué puede revelar la información restante requiere examinar todo el extracto y las posibles fuentes vinculadas.

La desidentificación elimina o modifica detalles para que sea más difícil vincular los registros con las personas. El método adecuado conserva información suficiente para la pregunta y reduce lo que un destinatario puede averiguar sobre los individuos.

Distingue los códigos del anonimato

La seudonimización sustituye los identificadores por códigos. Una clave de correspondencia separada puede volver a vincularlos, por lo que los datos siguen siendo personales. La anonimización requiere que ya no sea razonablemente posible identificar a las personas, teniendo en cuenta los medios que probablemente se utilicen, y que la transformación no pueda revertirse.

Aplicar una función hash común a las direcciones de correo electrónico es seudonimización: alguien puede aplicar la función a una lista de posibles direcciones y comparar los resultados. Los identificadores aleatorios o un método con clave secreta protegida ofrecen seudónimos más seguros, aunque la información de correspondencia sigue necesitando protección por separado.

Elige una transformación

Cada elección pierde algo de detalle. Los grupos de edad pueden responder a una pregunta sobre segmentos sin exponer las edades exactas, pero no pueden mostrar la variación dentro de un grupo.

Examina el k-anonimato

El k-anonimato comprueba los grupos formados por los cuasiidentificadores que seleccionaste. Cada combinación debe aparecer al menos k veces. El tamaño del grupo más pequeño es la k de la tabla.

Ocho registros de pacientes contienen pares de edad y código postal: 34/10115, 36/10117, 38/10119, 31/10115, 52/10243, 57/10245, 55/10247 y 59/10249. Cada par completo es único, por lo que k es 1.

Generaliza la edad en grupos de diez años y el código postal a sus tres primeros dígitos:

• Cuatro registros comparten ahora el grupo de edad 30–39 y el prefijo postal 101.
• Cuatro registros comparten el grupo de edad 50–59 y el prefijo postal 102.

El grupo más pequeño tiene cuatro registros, por lo que el resultado es 4-anónimo respecto a esos cuasiidentificadores. El tamaño del grupo utiliza todos los cuasiidentificadores seleccionados conjuntamente, no recuentos separados para cada columna.

Comprueba qué siguen revelando los grupos

Si las cuatro personas de un grupo comparten un diagnóstico, saber que una persona pertenece a ese grupo revela el diagnóstico sin encontrar su fila. El tamaño del grupo por sí solo no impide la divulgación de un valor sensible. Otros conjuntos de datos también pueden crear oportunidades de vinculación. En 2008, unos investigadores vincularon valoraciones de películas y fechas aproximadas con reseñas públicas, pese a que los nombres se habían sustituido por números.

Los datos agregados también necesitan revisión. Un recuento de uno puede exponer a alguien. Dos totales de remuneración solapados pueden revelar una diferencia: 720 000 u.m. para 12 empleados menos 655 000 u.m. para los 11 que no son nuevas incorporaciones revela la remuneración de 65 000 u.m. de la única persona recién incorporada.

Enumera los campos, elimina los que la pregunta no necesita, suprime los identificadores directos, protege cualquier clave de correspondencia, generaliza los cuasiidentificadores y examina los grupos pequeños y el texto libre. Comprueba tanto las publicaciones que se solapan como el archivo que tienes delante y documenta las transformaciones y los riesgos de vinculación que permanecen.

La seguridad protege los datos contra el acceso no autorizado, la alteración y la pérdida. La privacidad pregunta si un uso es adecuado. Un archivo protegido aún puede utilizarse de forma intrusiva, y un plan de análisis respetuoso también necesita un lugar seguro donde trabajar.

Limita quién puede hacer qué

El control de acceso especifica quién puede leer o modificar los datos. El principio de mínimo privilegio consiste en dar a cada persona solo el acceso necesario para su tarea y solo durante el tiempo necesario. Quien revise resultados agregados puede no necesitar acceso a los registros individuales usados para crearlos.

Comparte con destinatarios identificados, elige deliberadamente los derechos de lectura o edición y retira el acceso al finalizar el proyecto. La configuración «cualquiera con el enlace» puede permitir que el enlace llegue más allá del público previsto. La comodidad de una carpeta de proyecto no justifica dar a todos sus miembros acceso a todos los archivos fuente.

Protege los datos almacenados y en movimiento

El cifrado hace que los datos sean ilegibles sin la clave correcta. Usa protección en reposo, para archivos almacenados, dispositivos y copias de seguridad, y en tránsito, mientras los datos se desplazan entre sistemas, por ejemplo, mediante HTTPS. Comprueba ambas partes: el almacenamiento protegido no protege una copia enviada por un canal de transferencia inadecuado.

La tokenización sustituye un valor sensible por un token mientras conserva el valor real en un sistema protegido por separado. Reduce los lugares donde debe aparecer el valor original. El sistema que conserva el original sigue necesitando controles sólidos.

Reduce la cantidad y el tiempo de conservación

La minimización de datos consiste en recopilar, copiar y conservar solo la información personal que necesita la tarea. Extrae cinco columnas necesarias en vez de una tabla completa de clientes con nombres, direcciones y notas no relacionadas. Un extracto más pequeño expone menos información si se maneja incorrectamente.

Las reglas sobre el plazo de conservación establecen cuánto tiempo se conservan los datos y cuándo se eliminan. Aplícalas a las copias de trabajo y los extractos compartidos, no solo a la base de datos principal. Revoca los permisos cuando termine el acceso y sigue los procedimientos aprobados para eliminar las copias.

Comprueba el archivo que realmente se enviará

Las columnas y hojas ocultas pueden volver a mostrarse. La protección de una hoja puede impedir las ediciones y dejar los valores legibles. El historial de versiones puede conservar valores eliminados y las propiedades del archivo pueden revelar la identidad de un autor. Crea un extracto limpio en vez de confiar en trucos de visualización para ocultar información.

Para enviar resultados sobre cancelaciones de clientes a una agencia externa, un plan adecuado es compartir tasas por región y grupo de edad en grupos de al menos 10 clientes, utilizando el servicio de transferencia aprobado. Da acceso a dos empleados identificados de la agencia y haz que caduque después de 30 días. El umbral de grupo de este plan es una medida de protección elegida, no una garantía frente a toda divulgación.

Usa las herramientas de almacenamiento y transferencia aprobadas. El correo personal, las unidades portátiles o las herramientas en línea no aprobadas pueden crear copias sin control. No pegues registros personales o confidenciales en asistentes de IA u otras herramientas web no aprobadas. Si un archivo llega a la persona equivocada o se pierde un dispositivo sin cifrar, infórmalo inmediatamente mediante el procedimiento de incidentes de la organización para que el equipo de respuesta pueda actuar.

La ética de los datos proporciona normas para evaluar si la recopilación, el uso y el intercambio de datos son justos, honestos y respetuosos. Las normas legales establecen un mínimo. El juicio ético también pregunta qué efecto tiene una decisión sobre las personas detrás de los registros.

Comprende el interés de las personas en sus datos

La titularidad de los datos, como principio ético, reconoce el derecho principal de las personas a controlar cómo se utilizan y comparten los datos que proporcionan. Guardar una copia en un servidor de la empresa no elimina sus intereses.

El consentimiento debe ser informado, específico para una finalidad, otorgado libremente y revocable. Las personas necesitan entender cómo y por qué se utilizarán sus datos antes de aceptarlo. Una casilla vaga escondida en unas largas condiciones no hace comprensible un uso inesperado. Vuelve a comprobar una nueva finalidad; un acuerdo anterior no resuelve todos los usos posteriores.

Haz visibles el tratamiento y el dinero

La transparencia del tratamiento de datos significa que las personas pueden entender cómo se procesan sus datos, incluidos los algoritmos que actúan sobre ellos. Si una puntuación automatizada deniega un descuento a alguien, una explicación en lenguaje sencillo debería indicar en qué se basa la puntuación.

El valor económico de los datos se refiere al conocimiento de las transacciones financieras derivadas de los datos personales y de su magnitud. Una persona puede entender que una aplicación registra su ubicación sin darse cuenta de que la empresa vende ese historial a anunciantes. La transparencia sobre la recopilación y la transparencia sobre el dinero responden a preguntas distintas.

Equilibra el intercambio, la privacidad y la equidad

Los datos abiertos son accesibles y reutilizables bajo una licencia clara. CC BY 4.0 permite la reutilización con atribución. CC0 es una cesión al dominio público destinada a eliminar las restricciones de derechos de autor en la medida de lo posible. La reutilización abierta sigue requiriendo atención a la información personal y a los posibles daños.

La rendición de cuentas necesita registros: identifica las fuentes, los métodos, las decisiones y la persona responsable. Reconocer la autoría de un conjunto de datos permite a quien lo revise seguir la evidencia y da a su creador el reconocimiento adecuado.

Aplica los principios a una aplicación de ejercicio físico

Una aplicación gratuita de ejercicio físico vende rutas de carrera precisas a los anunciantes. Sus largas condiciones solo mencionan que los «socios» pueden recibir datos de ubicación. Las rutas pueden revelar domicilios y rutinas diarias.

• El consentimiento es insuficiente porque el uso específico no se aclaró antes de la aceptación.
• La transparencia del tratamiento de datos es insuficiente porque las personas no pueden ver fácilmente qué procesamiento e intercambio se realizan.
• El principio de valor económico de los datos se cumple de forma insuficiente porque la venta y su magnitud se ocultan a los usuarios.
• La privacidad está amenazada porque las rutas detalladas revelan rutinas personales.

La empresa debería examinar si el intercambio responde a una finalidad que las personas entienden, si una alternativa que revele menos información satisface esa finalidad y si los usuarios pueden tomar una decisión significativa. Calificar un uso de legal no responde a esas preguntas éticas.

La ética forma parte del planteamiento de la pregunta, la preparación de la evidencia, su análisis, la presentación de resultados y la actuación a partir de ellos. El analista suele detectar un patrón perjudicial antes que quienes revisan una presentación final.

Examina una decisión

1. Indica la finalidad y los datos. ¿Qué decisión se está apoyando y qué información se utilizaría?
2. Identifica a las personas afectadas y los efectos. Incluye tanto a las personas ausentes del archivo como a las representadas. Indica los posibles beneficios y daños.
3. Comprueba las expectativas y obligaciones. Compara el uso con lo que se comunicó a las personas, sus acuerdos, la política de la organización y la ley aplicable.
4. Compara alternativas. ¿Podrían menos datos, grupos más amplios o la participación voluntaria responder a la necesidad real?
5. Decide y documenta. Registra los motivos, la persona responsable y cualquier limitación. Consulta a una instancia superior ante riesgos altos o preguntas sin resolver.

Examina una inferencia sensible

Una empresa minorista quiere inferir embarazos a partir de los historiales de compra y enviar cupones de productos para bebés. La finalidad comercial no requiere que los clientes revelen una inferencia relacionada con la salud. Un cupón entregado en un domicilio compartido podría revelar un embarazo a familiares, incluso cuando la inferencia sea incorrecta.

Comprueba qué esperaban los clientes cuando se registraron las compras. Considera un club para bebés de inscripción voluntaria como una forma menos intrusiva de enviar ofertas pertinentes. Documenta por qué esa alternativa respeta mejor las decisiones de las personas y evita hacer una inferencia sensible inesperada.

Un caso laboral plantea una decisión relacionada: recursos humanos quiere una puntuación de riesgo de renuncia basada en registros de uso de tarjetas de acceso y metadatos de correo electrónico. Pregunta si los empleados esperaban este uso, cómo podrían afectar a sus carreras los indicadores incorrectos y si se podría penalizar el trabajo a tiempo parcial o las bajas médicas. Una encuesta anónima de compromiso puede abordar la preocupación de fondo con menos intrusión.

Comprueba la equidad más allá de una columna

Una variable sustitutiva reemplaza otra característica. Eliminar el origen étnico de un archivo de puntuaciones puede dejar el código postal o la lengua materna fuertemente asociados con él. Los campos restantes pueden conservar un trato desigual. Comprueba los resultados de los grupos afectados e investiga el proceso detrás de las diferencias.

Esta cuestión de equidad es distinta de utilizar datos sustitutivos para estimar una medida no disponible. Ambos implican un sustituto, pero uno plantea los efectos indirectos sobre grupos y el otro la adecuación de la evidencia sustitutiva.

Comprueba las decisiones de acceso y presentación

Antes de extraer datos de perfiles públicos, examina las condiciones, las licencias, la información personal y las expectativas de las personas. El acceso a una página web te permite leerla; el permiso para crear una base de datos de marketing es una cuestión distinta.

Presenta la evidencia con honestidad, incluidos los resultados que debilitan tu explicación preferida. Usa gráficos que representen las diferencias de forma justa, indica la incertidumbre y los límites de cobertura y reconoce la autoría de las fuentes. Mostrar selectivamente solo los resultados favorables puede convertir un análisis cuidadoso en una recomendación engañosa.

Los datos anónimos siguen apoyando decisiones sobre grupos. Un resultado puede estigmatizar a un barrio o negarle servicios aunque no se pueda identificar la fila de nadie. Evalúa qué efecto tendría la acción propuesta en ese grupo, asigna a alguien la revisión de sus efectos y plantea tus inquietudes pronto al responsable o al titular de los datos.