Limpieza de datos automática

La limpieza de datos automática significa que los problemas de tus datos se encuentran y se corrigen sin que nadie tenga que escribir reglas ni scripts antes. En Querri, la auditoría de datos aplica más de 180 controles de calidad de datos a cada tabla en cuanto llega, y el Janitor, un agente de IA, limpia contigo lo que encontró. El resultado es una vista limpia que las respuestas, los dashboards y los agentes usan a partir de ese momento.

Una auditoría de datos es una revisión sistemática de un conjunto de datos en busca de los problemas que hacen que sus números estén mal: valores vacíos disfrazados, números guardados como texto, duplicados, formatos mezclados, huecos. En Querri, la auditoría de datos es una página que aplica más de 180 controles a cada tabla en cuanto llega y enumera lo que encontró, con lo más urgente primero y el motivo por el que importa cada problema.

Controles de calidad de datos que se ejecutan sin que nadie escriba una regla ni los pida. Querri revisa cada tabla al subirla o conectarla y cada vista al crearla, y registra cada problema que encuentra como una nota de calidad de datos que puedes reconocer, descartar o limpiar.

Un agente de IA hace el trabajo de limpieza contigo en lugar de entregarte una lista. El Janitor lee la evidencia de la auditoría de datos, prueba correcciones en tus filas, te pregunta lo que solo tú puedes decidir, te muestra su plan y crea una vista limpia cuando lo apruebas. Después Querri vuelve a medir esa vista para demostrar qué problemas han desaparecido.

Cualquier tabla que llegue a Querri, desde un archivo o un conector. Eso incluye Shopify, Stripe, Salesforce, HubSpot, Pipedrive, QuickBooks, NetSuite, Klaviyo, Mailchimp, Intercom, Zendesk, Google Ads, Meta Ads, Amazon Seller, Google Analytics, Mixpanel, Amplitude, almacenes de datos y bases de datos como Snowflake, BigQuery, Redshift, Postgres, MySQL, SQL Server y Oracle, archivos en Google Drive, y hojas de cálculo y CSV subidos. La limpieza de datos de pedidos de Shopify o de oportunidades de Salesforce funciona igual que la de un CSV exportado.

Sí. Cada tabla tiene su propia auditoría y su propia vista limpia, así que primero limpias cada fuente y luego unes las vistas limpias. Las fechas quedan en un solo formato, las monedas se tratan como hayas decidido, las grafías se unifican y los IDs se reparan dentro de cada fuente, que es lo que permite que la unión cuadre. La auditoría también revisa las claves de unión detectadas entre tablas, como filas hijas cuya clave no tiene coincidencia en la tabla principal.

Sí. Las exportaciones de hojas de cálculo tienen controles propios: filas de totales y subtotales dentro de los datos, encabezados repetidos a mitad del archivo, meses dispuestos como columnas, números de serie de Excel que se hacen pasar por fechas, IDs convertidos en 1.23E+11, códigos postales que perdieron el cero inicial y un archivo que se detuvo en la última fila de Excel. Sube la exportación tal cual y la auditoría de datos enumera lo que encontró.

Dentro de cada tabla, sí, y eso es lo que hace que las tablas de distintos sistemas coincidan. La auditoría detecta varios formatos de fecha en una columna, demuestra a partir de los valores, cuando puede, si va primero el día o el mes, y señala monedas mezcladas o importes cuya moneda no coincide con la columna de moneda. El Janitor te pregunta lo que solo tú puedes decidir, como si convertir las monedas o mantenerlas separadas, y la vista limpia escribe cada fecha y cada importe de una sola manera.

Distingue tres casos: filas repetidas exactamente, claves que se repiten con los mismos valores y claves que se repiten pero no coinciden, como un id de pedido con dos totales. Los dos primeros se pueden agrupar sin más. Cuando las repeticiones no coinciden, nada en los datos dice cuál es la correcta, así que el Janitor te pregunta qué fila conservar, con su recomendación primero.

Tus datos en bruto se quedan exactamente como llegaron. La corrección es una vista limpia, definida en SQL que puedes abrir y construida a partir de la fuente en lugar de escribir encima. La fuente sigue a su lado para que puedas comparar una con otra.

Una vista limpia es una vista guardada que aplica las correcciones del Janitor a la tabla de origen, y la fuente pasa a mostrar Limpiada como con el nombre de la vista. Como es una definición guardada y no una edición puntual, funciona igual con los datos del mes siguiente. Cuando la vista se reconstruye, Querri vuelve a medirla, y un problema que reaparece vuelve a abrir su nota.

Muchas herramientas de calidad de datos vigilan pipelines para ingenieros, o muestran estadísticas de columnas y esperan a que alguien construya la corrección, y un script de limpieza solo revisa aquello para lo que se escribió. Querri aplica sus controles a cada tabla antes de que nadie pregunte, ordena lo que encontró según las preguntas y los KPI que leen cada columna, te pregunta las decisiones que cambian un número y construye la corrección como una vista que después vuelve a medir.

Las notas siguen las mismas reglas de acceso que las tablas que describen, y cuando alguien solo puede ver parte de las filas, se omiten los valores de ejemplo. Ninguna corrección se aplica sola: el Janitor muestra su plan en una tarjeta de revisión y crea la vista limpia solo cuando la persona que trabaja con él lo aprueba.

Sí. Descarta una nota con un motivo y queda resuelta, así que el siguiente agente lee tu decisión en lugar de volver a plantear el problema. Usa Crear un hecho para guardar lo que sabes sobre los datos, y los agentes leerán ese hecho cada vez que los usen.