Procedencia y calidad de los datos

La procedencia de un dato es su biografía: quién lo produjo o lo entregó, bajo qué permiso se puede usar, cuándo entró a la organización y qué transformaciones sufrió. Un modelo aprende de lo que recibe, así que no saber de dónde viene un conjunto es no saber qué aprendió ni si se podía usar.

Por eso la procedencia se pregunta antes que la métrica. Un conjunto que mejora la precisión pero no tiene dueño ni base de uso es un riesgo legal y de seguridad que ninguna métrica enseña.

Un inventario de fuentes es una tabla corta: un identificador, el nombre, el propietario, la base de uso (contrato, consentimiento, convenio), la fecha de alta, cuántos registros aporta y si su calidad fue verificada. Mistol Crédito exige tres cosas para que una fuente entre al entrenamiento: propietario registrado, base de uso registrada y calidad verificada.

Una fuente a la que le falta el propietario no tiene a quién preguntar cuando algo sale mal, y una a la que le falta la base de uso no se puede defender ante un cliente ni ante un regulador.

La calidad se verifica por fuente, antes de mezclar nada: el esquema coincide, los valores están en rango, las etiquetas tienen sentido. Una fuente sin esa verificación mezclada con las demás ya no se puede separar después con facilidad, porque en el conjunto final todas las filas parecen iguales.

Medir cuánto pesa lo que no cumple da la dimensión de lo que hay que poner en cuarentena. Aplica las tres reglas a cada fuente y suma lo que queda fuera.

Una regla que se puede saltar no es una regla. La cuarentena es el estado de una fuente que todavía no ha demostrado nada: está guardada, no se lee en ningún entrenamiento y alguien responsable sabe que existe. Sale de la cuarentena cuando cumple lo que la regla pide, no cuando alguien tiene prisa.

Atajos tentadores: cambiar la marca de calidad a mano o dejarla entrar «por esta vez» para arreglar los papeles después. Los dos convierten la regla en decoración.