Data quality em dado comercial é a garantia de que o número que chega ao painel descreve o que realmente foi vendido: o período inteiro, os produtos corretamente identificados e apenas o que é venda. Sem isso, investimento, premiação e cobertura são decididos sobre estimativa.
A literatura de qualidade de dados é vasta e quase toda escrita para TI. Ela trata de esquema, campo nulo, duplicidade e linhagem — problemas reais, resolvidos dentro de casa. Dado comercial de canal indireto tem uma característica que muda o jogo: ele nasce na empresa de outra pessoa, num sistema que a indústria não administra, operado por gente que não trabalha para ela.
Este guia trata do que isso muda na prática: quais dimensões quebram primeiro, como medir a lacuna, e o que checar antes de um número virar decisão.
Resposta rápida
Data quality em dado comercial é a garantia de que o número reflete a venda real — período completo, produto certo e só o que é venda. Nas seis dimensões clássicas, o canal indireto quebra primeiro em completude e atualidade, e quebra nas duas ao mesmo tempo: o dado chega na data de hoje sem descrever o período de hoje.
O que é data quality em dado comercial
Data quality, ou qualidade de dados, é a disciplina que avalia se um conjunto de dados serve ao uso a que se destina — existe até norma internacional dedicada ao tema, a ISO 8000.
Só que a definição de manual resolve pouco aqui. Aplicada a dado comercial, a pergunta deixa de ser abstrata e fica bem concreta: dá para pagar premiação com base neste número? Dá para apresentá-lo à diretoria sabendo que ele não vai mudar na semana que vem?
É uma régua mais dura que a de um relatório interno. Um dashboard de acompanhamento tolera imprecisão; uma apuração que vira pagamento, não. A diferença entre os dois define quanto rigor a operação precisa ter.
Por que dado comercial não se resolve como dado de TI
Três características separam data quality em dado comercial de data quality em dado interno, e nenhuma delas é técnica.
A origem está fora de casa
Todo programa de data quality pressupõe algum controle sobre onde o dado nasce. Aqui não há: o dado de sell-out nasce no sistema do distribuidor, e a indústria não administra esse ambiente, não define o padrão de cadastro dele e não controla quando ele roda a exportação. É a diferença que torna a ferramenta de data quality corporativa insuficiente sozinha.
O erro não trava nada
Em sistema transacional, dado ruim costuma gerar exceção: o pedido não fecha, a nota não emite, alguém percebe. Em dado comercial de canal, o erro passa liso. Um mês com seis dias de venda em vez de dez não dispara alarme nenhum: ele vira um número menor, plausível, que se explica com “mês fraco”.
O erro vira dinheiro
É o que eleva o problema de operacional a financeiro. O mesmo dado que alimenta o painel apura campanha de incentivo e alimenta remuneração variável. Errar para baixo gera contestação de vendedor e desgasta a mecânica; errar para cima gera passivo. Nos dois casos, quem recebe o valor errado não abre um chamado de data quality — ele conclui que a campanha não paga.
“Você vai fazendo esforços pulverizados, vai tentando mecânicas que às vezes são muito complexas, porque você tem baixo nível de confiança nessa relação. Tem baixo nível, às vezes, de entendimento dos dados que chegam desses pontos de venda, ou mesmo do sell-through.”
Marcelo Toledo Costa, executivo de vendas e trade marketing com passagem por multinacionais de bens de consumo, no SellersCast, aos 52min40s
A observação dele separa duas coisas que costumam ser confundidas. Não é falta de dado — o dado chega. É o nível de confiança e de entendimento sobre o que chegou. E é por isso que investir em mais relatório não resolve: o problema não está na camada de visualização, está antes dela.
As seis dimensões, e as duas que o canal quebra primeiro
As dimensões mais usadas para avaliar data quality são seis, e aparecem consolidadas em referências como o DMBOK, da DAMA International, o corpo de conhecimento de referência da área. Vale olhá-las com o canal indireto em mente, porque elas não quebram na mesma proporção.
| Dimensão | A pergunta que ela faz | No canal indireto |
|---|---|---|
| Completude | Está tudo aqui? | Quebra primeiro. Dias de venda faltando, distribuidor que não reportou |
| Atualidade | É recente o bastante? | Quebra junto com a completude, e é o que torna a falha invisível |
| Acurácia | Descreve o que aconteceu? | Brinde e bonificação entrando como venda |
| Consistência | Bate entre as fontes? | O mesmo produto com código diferente em cada distribuidor |
| Unicidade | Está contado uma vez só? | Carga duplicada, item cadastrado em dobro |
| Validade | Respeita o formato e a regra? | Raramente é o problema — o ERP do parceiro já valida formato |
Por que as duas primeiras quebram juntas
É o ponto que quase todo material sobre data quality deixa de fora, e é o mais caro na prática — porque data quality em dado interno e data quality em dado de canal são problemas com a mesma etiqueta e naturezas diferentes.
Completude e atualidade costumam ser tratadas como dimensões independentes: uma diz se o dado está todo lá, a outra diz se ele é recente. No canal indireto elas se sobrepõem de um jeito específico — o dado chega atualizado e incompleto ao mesmo tempo.
O painel mostra a hora da última carga, porque isso é fácil de mostrar. Ele não mostra quantos dias de venda cada distribuidor deixou de reportar. Então o carimbo “atualizado há 4 horas” responde a uma pergunta que ninguém fez, enquanto a que importa — quantos dias deste mês estão nesta base? — não aparece em lugar nenhum da tela. É por isso que a desconfiança no dado de canal raramente começa com um erro escandaloso: ela começa com um número plausível que muda de uma semana para a outra.
Seis falhas típicas no dado de sell-out
| O que acontece | Como aparece |
|---|---|
| Faturamento que despenca do nada | Uma operação que faturava alto entra zerada, sem nenhum evento real que explique |
| Mês fechado que muda de número | O resultado apresentado na semana passada não é o mesmo desta semana |
| Dado atualizado e incompleto | Dez dias úteis decorridos, seis dias reportados. A data está certa, o período não |
| Produto que trocou de código | O item antigo desaba, um desconhecido aparece com volume, e o histórico se parte em dois |
| Valor sem dono | Faturamento sem cliente ou rede vinculados |
| O que não é venda | Brinde, amostra, material promocional e transferência entre filiais saem com nota e entram como saída |
Duas delas têm guia próprio, porque são as que mais consomem tempo de time: a do produto renomeado é o problema de de-para de produto entre indústria e distribuidor, e a do período incompleto está detalhada em dados de sell out de distribuidor.
Como medir data quality sem enganar a si mesmo
Existe uma armadilha na medição de data quality em dado comercial, e ela é quase universal: medir a média da base.
Dizer que 98% da base está saudável parece excelente e pode ser irrelevante. Se os 2% ruins estiverem concentrados num distribuidor que responde por um terço do faturamento da região, o número bom esconde exatamente o risco que importa.
A régua que funciona tem duas leituras lado a lado:
- Percentual geral de parceiros saudáveis. Diz o tamanho do trabalho de melhoria.
- Percentual ponderado por faturamento. Diz se dá para fechar o mês.
É a segunda que decide, porque responde à pergunta real de quem fecha: dá para assumir esse risco? E ela permite uma decisão que a média não permite — tirar um distribuidor específico do fechamento em vez de travar todos os outros.
A conta mais barata que existe
Antes de qualquer ferramenta, há uma verificação que não custa nada: para cada distribuidor, comparar os dias úteis já decorridos no mês contra os dias distintos de venda que ele reportou.
Uma lacuna de até três dias é comportamento normal — feriado municipal, parceiro que não fatura na sexta, virada de fim de semana. Acima disso é base incompleta, não mês fraco. Régua mais apertada que três dias gera tanto alarme falso que o time para de olhar, e alerta que ninguém olha é pior que nenhum.
As três garantias de data quality que separam dado auditável de dado entregue
Data quality em dado comercial não se resolve com uma camada só, porque as falhas pertencem a classes diferentes. Uma operação madura cobre três, e nenhuma substitui a outra.
1. Fidelidade técnica — o dado chegou inteiro?
Responde pelo transporte. Se a coleta depende de alguém do outro lado gerar e enviar um arquivo, essa garantia não existe: o processo funciona até o dia em que para, e a ausência não dispara alarme. O guia de integração com ERP de distribuidor trata dos modelos de coleta e do que muda entre eles.
2. Consistência de regra — o dado faz sentido?
Responde pela semântica. É onde entram as regras de negócio: um pico ou uma queda abrupta contra o histórico, uma categoria incompatível, um campo obrigatório ausente, um mix que mudou contra a distribuição esperada. A decisão de projeto que importa aqui é o que fazer com o registro que não passa — barrar antes de entrar, ou deixar passar marcado para alguém analisar.
Barrar é a escolha mais conservadora e a mais defensável: o erro não vira número no painel.
3. Concordância — alguém assinou embaixo?
Responde pela responsabilidade, e é a que quase ninguém tem. Enquanto o número for “o que a ferramenta calculou”, qualquer divergência vira memória contra memória. Quando o distribuidor que originou o dado confirma formalmente o período apurado, a base passa a ser aceita pelas duas partes — e a discussão sobre valor de premiação tem árbitro.
A régua para separar as três: fidelidade é transporte, consistência é regra, concordância é responsabilidade. São classes de falha diferentes, e trocar uma pela outra é o erro mais comum de quem monta a operação em casa.
O que checar antes de o número virar decisão
- Quantos dias de venda cada distribuidor reportou neste período? Parceiro por parceiro, não a média — a média esconde exatamente o caso que importa.
- Quantos distribuidores entraram na apuração, e quantos existem na base? Quem não reportou nada não aparece como zero. Ele simplesmente não aparece.
- O que aqui é venda, e o que é brinde, amostra ou transferência? Se não dá para separar, o número de cobertura está inflado.
- Os produtos estão sob o código certo? Um item renomeado nos últimos meses parte a série histórica sem avisar.
- Qual é a nota ponderada por faturamento, não a média? É ela que diz se dá para fechar o mês.
- Se um distribuidor parar de reportar amanhã, quando você fica sabendo? A resposta honesta, na maioria das operações, é: no fechamento.
As seis perguntas não dependem de ferramenta. Se alguma não tiver resposta hoje, essa é a lacuna a fechar antes de investir em qualquer outra coisa.
Como a Sellers® trata isso
A Sellers® é uma Plataforma de Gestão de Canal Indireto, e a qualidade do dado é a porta de entrada dela — não um recurso adicional. As três garantias da seção anterior são etapas com nome.
A leitura
O dado é lido direto no sistema do distribuidor, por acesso de leitura definido junto com a TI dele, em vez de ser pedido por arquivo. Quando a carga falha, o time da Sellers® identifica a causa e reprocessa remotamente, sem depender de alguém do outro lado gerar tudo de novo.
A validação
Antes de entrar na base, cada registro passa por um conjunto de regras organizadas em quatro pilares — completude, dados sensíveis, confiabilidade e integridade. O que não passa fica retido: o erro não vira número no painel. As regras são configuradas junto com o cliente, porque o que é anomalia numa operação é rotina em outra.
Nada muda no escuro: cada correção tem origem, justificativa e autor registrados, e a ocorrência fecha sozinha quando a causa é resolvida na carga seguinte.
Há uma troca deliberada nesse desenho: quando o dado está sob suspeita, a Sellers® prefere atrasar a entrega a publicar um número errado. Um dia de espera custa menos que uma decisão tomada sobre um número que não se sustenta.
A confirmação
O período apurado só vira número oficial depois que o distribuidor confirma, em conta nomeada na plataforma, com login e horário registrados. Ele valida o que interessa à apuração — sell-out em quilo, reais e unidade, positivação e cadastro de SKU — e marcar algo como não conforme exige escrever o motivo e anexar comprovação.
É o que sustenta apuração de premiação sem discussão depois.
A entrega
A base do dia anterior fica disponível no dia seguinte, já validada — entrega em D-1, sem esperar o fechamento do mês. Hoje são 773 conexões ativas de distribuidores lidas nesse modelo.
Uma ressalva que importa para o distribuidor: a Sellers® lê o sistema de origem e não escreve nada de volta. A correção do que precisa ser tratado acontece depois da extração, na plataforma da Sellers®, antes da entrada na base — nunca dentro do ERP do parceiro. E por padrão a leitura traz apenas os dados da indústria contratante, filtrados por fabricante.
Perguntas frequentes sobre data quality em dado comercial
O que é data quality em dado comercial?
É a garantia de que o número que chega ao painel descreve a venda real: período completo, produtos corretamente identificados e apenas o que é venda. A régua prática é se o dado sustenta pagamento de premiação e apresentação de resultado sem mudar depois.
Quais são as dimensões de qualidade de dados?
Completude, atualidade, acurácia, consistência, unicidade e validade. Em dado comercial de canal indireto, completude e atualidade são as que quebram primeiro — e quebram juntas, porque o dado chega na data de hoje sem descrever o período de hoje.
Por que dado comercial é mais difícil de controlar que dado interno?
Porque ele nasce fora de casa, no sistema de um parceiro que a indústria não administra. Não há governança sobre a origem, o erro não trava nenhum processo e ninguém do outro lado é penalizado quando o dado chega incompleto.
Como medir data quality no dado de sell-out?
Com duas leituras lado a lado: o percentual geral de parceiros saudáveis e o percentual ponderado por faturamento. É o segundo que decide, porque 2% de dado duvidoso na média pode estar concentrado num distribuidor que responde por um terço do faturamento.
Como saber se a base de um distribuidor está incompleta?
Comparando os dias distintos de venda que ele reportou contra os dias úteis já decorridos no período. Lacuna de até três dias é comportamento normal; acima disso é base incompleta, não mês fraco.
O que fazer com o dado que não passa na validação?
Há duas escolhas: barrar antes de entrar na base, ou deixar passar marcado para análise. Barrar é a opção mais defensável quando o dado vira pagamento, porque o erro não chega a virar número oficial.
Dado de sell-out errado afeta pagamento de premiação?
Sim, e é o efeito mais caro. Uma base menor que a realidade apura premiação a menos. Quem bateu meta e não recebeu não abre chamado de qualidade de dados — conclui que a campanha não paga, e a mecânica seguinte nasce sem credibilidade.
Quem deveria confirmar que o número de sell-out está correto?
O distribuidor que originou o dado, formalmente e com registro. Enquanto o número for apenas o que uma das partes calculou, qualquer divergência vira memória contra memória.
Ferramenta de data quality corporativa resolve data quality de canal indireto?
Resolve parte. Ferramenta corporativa pressupõe governança sobre a origem do dado, que aqui não existe: a origem é o sistema de um parceiro. O que falta é a camada de coleta confiável e a de aceite formal do parceiro.
Com que frequência o dado de canal deveria ser validado?
A cada carga, não no fechamento. Validar no fim do mês descobre o problema quando a janela de correção já passou — ruptura vista no dia 12 ainda se repõe; a mesma ruptura vista depois do fechamento é venda perdida.
Data quality é o que ninguém percebe quando existe
Data quality em dado comercial raramente é percebida quando existe. Ela aparece pela ausência: no tempo que o time gasta reconstruindo por fora o que já deveria estar pronto, e na hesitação de quem apresenta um número sabendo que ele pode mudar.
A pergunta que resume o estado de uma operação cabe numa linha: se o número desta tela for questionado na reunião, o que você mostra? Se a resposta for uma planilha paralela, o problema não está na reunião.
Veja como a Sellers® entrega o dado do canal já validado e confirmado pelo distribuidor.
