1. Definición — Qué significa QUALITY en Power BI
En Power BI, Quality es la propiedad estructural que mide qué tan fielmente un dato representa la realidad que declara describir.
Un dato es de alta calidad cuando es:
- Exacto (refleja la realidad medida)
- Preciso (estable en su repetición)
- Completo (no carece de elementos necesarios)
- Puro (sin corrupción ni ruido)
- Válido (dentro del dominio permitido)
- Coherente (armonizado con el resto del modelo)
Esta propiedad se evalúa en todas las capas del pipeline:
- Fuentes de datos
- Power Query (extracción, transformación, limpieza)
- Modelo Tabular
- Relaciones
- Medidas DAX
- Visualizaciones
- Pipelines de actualización
Quality responde la pregunta fundamental:
¿Puedo confiar en este dato antes de analizarlo?
2. Naturaleza — Por qué existe QUALITY como propiedad estructural
La calidad del dato surge de la interacción entre tres elementos:
A) La realidad que el dato pretende representar
Ejemplo: el monto de una venta, la fecha de una transacción, el estado de un cliente.
B) El proceso de captura y transformación
Cada paso introduce riesgo de distorsión:
- extracción
- digitación
- sistemas legacy
- integración
- transformación manual
C) El modelo semántico del negocio
Un dato solo tiene calidad si se integra correctamente dentro del significado empresarial.
Por eso Quality es ontológica: si la representación no es fiel, el dato no existe como información útil.
En Power BI, el motor tabular no puede “adivinar” la intención real del negocio: depende por completo de la calidad de lo que recibe.
3. Función — Cómo opera QUALITY dentro del pipeline de Power BI
A) En Power Query (Estructuración del dato)
Quality asegura:
- formatos correctos
- valores válidos
- dominios bien definidos
- imputación correcta
- eliminación de duplicados erróneos
- estandarización de identidades
B) En el Modelo Tabular
Quality determina:
- integridad de claves
- estabilidad del modelo relacional
- exactitud de agregaciones
- correcto funcionamiento del contexto de filtro
C) En DAX
Quality define:
- la veracidad de los KPIs
- la robustez de medidas
- estabilidad ante slicers, drill-downs y filtros complejos
D) En Visualizaciones
Quality garantiza:
- gráficas sin distorsión
- números consistentes
- interpretaciones confiables
4. Consecuencias — Qué ocurre cuando Quality falla
Un fallo en calidad produce efectos altamente visibles:
A) KPIs Incorrectos
Cálculos de ventas, ingresos, utilidades o cantidades no reflejan la realidad.
B) Conclusiones equivocadas
Un modelo de negocio puede interpretarse de forma errónea.
C) Forecasting distorsionado
Datos con mala calidad afectan:
- pronósticos
- modelos predictivos
- correlaciones
- tendencias
D) Relaciones rotas
Claves erróneas → no hay matching → resultados vacíos o duplicados.
E) DAX devolviendo valores imposibles
SUM, AVERAGE, MIN/MAX, COUNT devuelven cifras no alineadas con la realidad.
F) Outliers tóxicos
Valores extremos por error → arruinan distribuciones y promedios.
5. Interacciones — Propiedades relacionadas con QUALITY
- Consistency
- Validity
- Integrity
- Precision / Accuracy
- Semantic Congruence
- Freshness
6. Métodos de Evaluación — Cómo medir QUALITY en Power BI
A) Data Profiling en Power Query
- calidad de columna
- distribución
- unicidad
- valores vacíos
- valores anómalos
B) Domain Validation
- fechas válidas
- categorías esperadas
- valores numéricos plausibles
- rangos permitidos
C) Statistical Quality Tests
- distribución normal vs real
- outliers
- desviación estándar
- tests de dispersión
D) Business Logic Validation
- sistemas origen
- reglas de negocio
- expectativas del usuario
E) Truth Tables (Tablas de verdad)
Comparación entre:
- esperado
- observado
- calculado
7. Modelos Aplicables — Frameworks para restaurar o asegurar QUALITY
A) Data Quality Scorecard
- exactitud
- completitud
- validez
- consistencia
- unicidad
B) Dimensional Quality Framework (DQF)
Organiza calidad por entidades, dimensiones, hechos y atributos clave.
C) Tabular Data Health Matrix
Evalúa cada tabla según % null, % duplicados, grado de validez y estabilidad histórica.
D) Valid Value Domain Mapping
Define diccionarios de datos y dominios válidos para clasificaciones coherentes.
E) Column Quality Classifier
Clasifica cada columna según pureza, estabilidad, tipo e integridad.
8. Samples — Implementación en Power Query y DAX
A) POWER QUERY — Validación de valores nulos
#"Remove Null Sales" =
Table.SelectRows(Sales, each [Amount] <> null and [Amount] > 0)
B) POWER QUERY — Validar dominio correcto
#"Valid Category" =
Table.SelectRows(Products, each List.Contains({"A","B","C"}, [Category]))
C) DAX — Flag de valores anómalos
Sales_Anomaly =
IF([Total Sales] > 1000000, 1, 0)
D) DAX — Validación del rango esperado
ValidPrice =
IF(
AND(
MIN(Products[Price]) >= 0,
MAX(Products[Price]) <= 5000
),
1,0)
E) DAX — Truth Table para calidad
EVALUATE
ROW(
"Expected", [Expected Sales],
"Actual", [Total Sales],
"Quality_OK", IF([Expected Sales] = [Total Sales], TRUE(), FALSE())
)