Os 8 KPIs de dados que todo time deveria acompanhar todo mês (com a fórmula de cada um)

Arthur Frota

Times de dados que monitoram tudo raramente agem sobre algo. O excesso de métricas cria o mesmo problema que a ausência delas: ninguém sabe onde colocar energia porque tudo aparece como urgente ao mesmo tempo.

Os oito KPIs abaixo cobrem o que realmente prediz falha em dados corporativos. Organizações que concentram monitoramento em um conjunto reduzido de métricas essenciais obtêm resultados consistentemente melhores do que as que tentam instrumentar tudo de uma vez. Para cada KPI: definição, fórmula, benchmark de referência e o que fazer quando o número está abaixo do mínimo.

1. Taxa de completude

O que mede: a proporção de campos obrigatórios preenchidos sobre o total de registros. É o KPI de entrada: sem completude mínima, qualquer análise ou modelo de IA vai processar registros com lacunas, imputar valores ou ignorar linhas inteiras sem sinalizar.

Fórmula:

Taxa de completude (%) = (registros sem valor nulo no campo / total de registros) × 100

Calcule por campo crítico, não por tabela. Uma tabela com 97% de completude geral pode ter um campo de receita com 60% de preenchimento. O número agregado esconde o problema.

Benchmark: campos de identificação como CPF, CNPJ, e-mail e código de produto devem atingir 99% ou mais. Campos críticos que alimentam análises e modelos devem ficar acima de 95%. Campos secundários aceitam entre 80% e 90%.

Ação abaixo do mínimo: identificar a causa antes de corrigir. Campo vazio por formulário que não exige preenchimento, por migração mal mapeada e por pipeline que parou de atualizar têm soluções diferentes. Nunca preencher com valor padrão sem rastrear a causa.

2. Índice de duplicidade

O que mede: a proporção de registros duplicados nos campos de identificação única. Duplicatas distorcem todas as análises de volume, frequência e comportamento. Uma base com 12% de clientes duplicados gera análises de churn, segmentação e receita por cliente sistematicamente incorretas.

Fórmula:

Índice de duplicidade (%) = ((total de registros - registros únicos no campo-chave) / total de registros) × 100

Aplique nos campos que deveriam ser únicos: CPF, CNPJ, e-mail, código de produto, ID de pedido. Para duplicatas fuzzy (mesmo cliente com grafia levemente diferente), algoritmos de similaridade são necessários.

Benchmark: o padrão para bases de clientes e contas é índice abaixo de 1% a 2%. Bases migradas de sistemas legados sem deduplicação chegam frequentemente a 10% a 20%. Acima de 2%, análises de volume e comportamento estão comprometidas o suficiente para gerar decisões erradas.

Ação abaixo do mínimo: separar duplicatas exatas (mesmo valor no campo-chave) de duplicatas fuzzy. Duplicatas exatas são resolvíveis com agrupamento e regra de mesclagem. Duplicatas fuzzy exigem revisão manual nos casos limítrofes. Implementar validação de unicidade no ponto de entrada para evitar novas duplicatas enquanto limpa as existentes.

3. Consistência entre sistemas

O que mede: a taxa de concordância para o mesmo campo crítico em sistemas diferentes. Se receita do mês aparece com valores diferentes no ERP e no CRM, ou se "cliente ativo" tem critério diferente em vendas e no financeiro, qualquer análise que cruze as duas fontes vai gerar resultado conflitante.

Fórmula:

Consistência (%) = (registros com valor idêntico em todos os sistemas onde o campo existe / total de registros comparados) × 100

Priorize os campos que mais aparecem em análises cruzadas: receita, volume de pedidos, status de cliente, estoque disponível.

Benchmark: para campos que alimentam análises e modelos de IA, o padrão é consistência acima de 95% entre sistemas. Para métricas financeiras e de desempenho operacional, 99%. Inconsistência abaixo desse limite precisa ser rastreada até a causa: definição diferente por área, frequência de atualização diferente ou ausência de fonte única de verdade.

Ação abaixo do mínimo: resolver conceitualmente antes de resolver tecnicamente. Definir qual sistema é a fonte de verdade para aquele campo e qual é a definição oficial. Com isso definido, o problema técnico de sincronização tem endereço certo.

4. Latência de atualização (Freshness SLA)

O que mede: o percentual de tabelas e pipelines que cumprem o prazo de atualização definido. Um pipeline que falhou silenciosamente há dois dias mantém o modelo de IA respondendo com dado desatualizado com a mesma confiança de dado atual.

Fórmula:

Aderência ao SLA de atualização (%) = (tabelas atualizadas dentro da janela esperada / total de tabelas monitoradas) × 100

Para cada tabela, defina a janela esperada com base na decisão que ela suporta: horas para dados transacionais críticos, dias para dados cadastrais, semanas para dados históricos de referência.

Benchmark: para tabelas de primeiro nível que alimentam modelos em produção e decisões operacionais, o padrão é aderência ao SLA acima de 99% dentro de uma janela de 24 horas. Para dados cadastrais usados em segmentação, acima de 90% dentro da janela definida. Um sistema que responde em milissegundos mas retorna dado de horas atrás não é rápido: é rápido em estar desatualizado.

Ação abaixo do mínimo: identificar onde a latência está sendo introduzida no pipeline. Cada etapa de transformação e cada carga em batch adiciona tempo. Se a causa é pipeline frágil que falha silenciosamente, implementar alertas de ausência de execução antes de alertas de erro.

5. Taxa de erro em campo crítico

O que mede: a proporção de registros que violam as regras de validade definidas para campos críticos. Data de entrega anterior à data do pedido. Valor de receita negativo onde não deveria ser. CEP fora do padrão. Cada violação é uma entrada inválida que distorce qualquer análise que use aquele campo.

Fórmula:

Taxa de erro (%) = (registros que violam pelo menos uma regra de validade do campo / total de registros) × 100

As regras de validade precisam ser definidas antes do cálculo: intervalo numérico aceitável, formato obrigatório, lista de valores permitidos, relações lógicas entre campos.

Benchmark: para campos críticos que alimentam análises de negócio e modelos de IA, o padrão é taxa de erro abaixo de 2%. Para dados financeiros e transacionais, abaixo de 1%. Uma taxa de 2% que parece tolerável em relatório estático se propaga como viés sistemático quando um modelo processa milhões de registros com aquele campo.

Ação abaixo do mínimo: aplicar validação no ponto de entrada, não só na auditoria posterior. Regra aplicada apenas depois que o dado está na base corrige o histórico mas não impede novos erros. Para registros inválidos existentes: corrigir o que tem fonte de verdade disponível, marcar como incerto o que não tem.

6. Cobertura de metadados

O que mede: o percentual de ativos de dados (tabelas, campos, pipelines, relatórios) que têm metadados essenciais documentados: descrição, dono, data de atualização, origem e sensibilidade. Sem essa cobertura, a empresa sabe que tem um dado, mas não sabe o que ele significa, quem responde por ele ou se pode ser usado em determinado contexto.

Fórmula:

Cobertura de metadados (%) = (ativos com todos os campos de metadados obrigatórios preenchidos / total de ativos catalogados) × 100

Defina quais campos de metadados são obrigatórios para o contexto da organização. No mínimo: descrição do campo ou tabela, dono responsável, data da última atualização verificada e classificação de sensibilidade (público, interno, confidencial, dado pessoal).

Benchmark: o padrão para cobertura de metadados em organizações com governança madura é acima de 95%, com meta ideal de 95% de completude para que o dado seja considerado confiável e auditável. Cobertura abaixo de 80% é sinal crítico que exige ação imediata. Apenas 11% das organizações têm alta maturidade em gestão de metadados, segundo o DATAVERSITY Trends in Data Management 2025, o que significa que a maioria das empresas está operando com dado que não tem contexto suficiente para ser usado com confiança.

Ação abaixo do mínimo: priorizar a documentação pelos ativos mais usados em análises e modelos de IA, não pela cobertura total. Um catálogo de dados com 100% de cobertura nos 20 ativos mais críticos protege mais do que 40% de cobertura em todos os ativos. Designar donos de dado por domínio para manter os metadados atualizados de forma distribuída.

7. Volume de dado não classificado

O que mede: a proporção de dados que ainda não têm classificação de sensibilidade atribuída. Dado não classificado é dado sem controle de acesso adequado: pode ser dado público tratado com restrição desnecessária, ou dado pessoal sensível sem proteção mínima.

Fórmula:

Taxa de dado não classificado (%) = (ativos sem classificação de sensibilidade / total de ativos catalogados) × 100

As categorias de classificação devem cobrir ao menos: público, uso interno, confidencial, dado pessoal (LGPD) e dado pessoal sensível (Art. 5º, II da LGPD).

Benchmark: a meta para organizações que utilizam IA sobre dados corporativos é manter taxa de dado não classificado abaixo de 5% nos ativos críticos. Dado não classificado é dado cujo risco é desconhecido. Para fins de conformidade com a LGPD e de auditabilidade de sistemas de IA, a classificação é pré-requisito para qualquer política de acesso ser aplicável.

Ação abaixo do mínimo: implementar classificação automática para os tipos de dado mais previsíveis, como campos com nome "CPF", "email", "nome" e derivados. A classificação automática não substitui revisão humana para casos ambíguos, mas reduz o volume de trabalho manual de forma significativa. Integrar a classificação ao pipeline de ingestão para que novos dados sejam classificados na entrada.

8. Tempo médio para acesso a informação crítica (MTTAI)

O que mede: quanto tempo leva, em média, desde que uma pergunta de negócio é formulada até que a informação confiável esteja disponível para quem decide. É o KPI que conecta governança de dados com resultado de negócio: não mede qualidade técnica do dado, mas a velocidade com que decisões podem ser tomadas com base em dado confiável.

Fórmula:

MTTAI (horas ou dias) = média de (timestamp de disponibilização da informação confiável - timestamp da solicitação)

Para medir esse KPI de forma prática sem instrumentação complexa: registre as solicitações de informação por um mês, documente quando a resposta confiável foi entregue e calcule a média. A variação entre casos é tão informativa quanto a média: alta variância indica que o acesso depende de quem está disponível, não de processo.

Benchmark: times de dados com monitoramento e processos bem definidos detectam e resolvem problemas de acesso a informação em tempo médio significativamente menor do que times sem estrutura de governança. Para decisões operacionais recorrentes, o padrão de referência é resposta disponível em menos de 4 horas. Para análises estratégicas ad hoc, menos de 48 horas. Acima desses limites, o processo de acesso está travando a velocidade de decisão.

Ação abaixo do mínimo: mapear onde o tempo está sendo gasto: na busca pelo dado certo, na limpeza e preparação, na validação com quem tem o contexto, ou na aprovação de acesso. Cada causa tem solução diferente. Alta dependência de uma pessoa específica para preparar o dado é o padrão mais comum e o mais fácil de atacar com documentação e automação.

Como usar os 8 KPIs sem criar sobrecarga de monitoramento

Oito KPIs são gerenciáveis. O erro é tentar implementar todos ao mesmo tempo sem ter processos de resposta definidos para cada um.

A sequência que funciona: comece pelos KPIs 1 e 2 (completude e duplicidade), porque quebram mais análises com maior frequência e são os mais simples de medir. Adicione os KPIs 3 e 4 (consistência e latência) assim que os dois primeiros estiverem com donos definidos e processo de correção estabelecido. Inclua os KPIs 5, 6 e 7 (taxa de erro, cobertura de metadados e dado não classificado) quando o time tiver capacidade de agir sobre os alertas que cada um gera. O KPI 8 (MTTAI) é o mais indicado para revisão executiva mensal, porque conecta os outros sete ao impacto de negócio que a liderança reconhece.

Para cada KPI, definir antes de monitorar: qual tabela ou campo, qual janela de tempo, qual threshold dispara ação e quem é o responsável por corrigir. Métrica sem dono não gera ação. Gera relatório.

Perguntas frequentes

Com que frequência calcular cada KPI? Latência de atualização e taxa de erro em campo crítico devem ser monitoradas continuamente em tabelas de primeiro nível. Completude, duplicidade e consistência têm variação mais lenta e se beneficiam de verificação diária ou semanal com revisão de tendência mensal. Cobertura de metadados e volume de dado não classificado variam ainda mais lentamente: revisão mensal é suficiente. MTTAI é o mais indicado para ciclo mensal com apresentação para liderança.

Preciso de ferramenta específica para calcular esses KPIs? Não para começar. Completude, duplicidade, consistência e taxa de erro são calculáveis com SQL básico em qualquer banco de dados relacional. Latência de atualização exige que a base registre timestamps de carga. Cobertura de metadados e dado não classificado são calculáveis em qualquer catálogo de dados, mesmo simples. MTTAI começa com registro manual. A automação vem depois, quando o processo está rodando.

O que fazer quando vários KPIs estão abaixo do mínimo ao mesmo tempo? Priorizar pela consequência para o negócio, não pela facilidade de correção. Duplicidade alta em base de clientes impacta diretamente receita e comportamento. Latência alta em dado financeiro impacta fechamento e análise de resultado. Começar pelo que está causando mais dano visível, documentar o estado de cada KPI antes de corrigir, e acompanhar a evolução para não criar o problema em outro domínio enquanto resolve o primeiro.

Esses KPIs se aplicam a dados não estruturados como e-mails e documentos? Parcialmente. Completude, duplicidade e classificação de sensibilidade se aplicam a qualquer tipo de dado. Consistência entre sistemas e taxa de erro em campo crítico são mais naturais para dados estruturados. Para dados não estruturados, os KPIs mais relevantes são cobertura de metadados (o documento tem dono, descrição e classificação?) e MTTAI (quanto tempo leva para localizar e usar o conteúdo de um contrato ou transcrição relevante?).

Fontes de referência