RevisarEncuentro por qué tu número no cuadra.
Primero acordamos qué significa el número. Después pruebo si los datos lo sostienen. Si no pasan, paro y lo digo por escrito.
Una páginaque te dice qué número usar.
Cinco números, cada uno con su veredicto. Cifras de ejemplo.
| Número | Fuente oficial | Modelo | Dif. | Veredicto |
|---|---|---|---|---|
| Venta neta | 412.000.000 | 412.000.000 | 0 | ✓Usar |
| Costo | 330.000.000 | 331.940.000 | 0,59 % | !Con aviso |
| Margen | 19,90 % | 19,43 % | −0,47 pp | !Con aviso |
| Clientes con compra | 284 | 284 | 0 | ✓Usar |
| Stock valorizado | — | — | 12 % sin costo | ✗Todavía no |
ConfirmadoVenta y clientes calzan con contabilidad.
AbiertoCosto: facturas de octubre con fecha de septiembre. Dueño: Contabilidad.
No probadoDevoluciones de otros canales.
- ✓Cada número con su veredicto
- ✓Qué se confirmó, qué sigue abierto y qué no se probó
- ✓El SQL para repetir cada hallazgo
- ✓Qué arreglar primero, y quién es el dueño
Lo que no hago,y lo que sí.
Creerle sin probar
Lo pruebo con data profiling
Modelar aunque no calcen
Primary keys y orphan rows
Borrar filas en silencio
Lo marco y pregunto
A mano, o en Power Query
En la fuente, con SQL
Esconderlo
Una nota de datos visible
El diccionario dice una cosa.Los datos, otra.
Antes de cualquier test, miro qué llegó de verdad.
| Dónde | Lo que dice | Lo que llegó | |
|---|---|---|---|
fact_orders | Un pedido por fila | Key única y 0 orphan rows | ✓ |
dim_time_slot | Franja de tiempo | 17 horas imposibles, como 02:95 | ✗ |
dim_kitchen | Cocinas | KIT-YB-001 se llama «Lekki Phase 1» y está en Yaba | ✗ |
dim_rider | Cocina asignada | Coincide en 25,3 % de los pedidos: lo que da el azar | ✗ |
temperature | °C de la comida | 90,3 % sobre 100 °C. Máximo: 1.000 °C | ✗ |
profit | Valor − costo de reparto | 0 % de las filas lo cumple | ✗ |
El archivo oficial dice que pasó todo. Mira si la tabla existe y si las keys calzan. No si 1.000 °C tiene sentido. Por eso miro antes de probar.
Cinco preguntasantes del primer gráfico.
Corren dos veces: cuando llega el dato y antes de publicar. Pasa el mouse o elige una.
Qué buscoQue la tabla llegó hoy, con filas y con las columnas acordadas.
| table | last load | rows |
|---|---|---|
| raw_sales | hoy 06:10 | 41,200 |
| raw_stores | hace 9 días | 38 |
| raw_costs | hoy 06:12 | 0 |
Una tabla vacía pasa todos los demás tests. Por eso esta va primero.
-- 0 filas o carga vieja: no sigo
SELECT table_name, total_rows,
storage_last_modified_time
FROM `region-us`.INFORMATION_SCHEMA.TABLE_STORAGE
WHERE table_schema = 'raw';En dbtsource freshness
Qué buscoUna fila por línea de venta. Si una venta aparece dos veces, todo se infla.
| sale_id | line_no | amount |
|---|---|---|
| 1041 | 1 | 5,000 |
| 1041 | 1 | 5,000 |
| 1041 | 2 | 5,000 |
Dos cafés en una boleta no son un duplicado: los separa la línea.
-- 0 filas = pasa
SELECT sale_id, line_no, COUNT(*) AS n
FROM stg_sales
GROUP BY sale_id, line_no
HAVING COUNT(*) > 1
OR sale_id IS NULL OR line_no IS NULL;En dbtunique + not_null
Qué buscoSin fechas vacías ni futuras, descuentos entre 0 y 100, y utilidad = venta − costo.
| check | rule | rows |
|---|---|---|
| sale_date | no vacía | 1 |
| sale_date | no futura | 0 |
| discount_pct | 0–100 | 2 |
| profit | revenue − cost | 0 |
El rango es por columna: un markup de 150 % puede ser normal.
-- Todo en 0 = pasa
SELECT COUNTIF(sale_date IS NULL) AS no_date,
COUNTIF(sale_date > CURRENT_DATE()) AS future,
COUNTIF(discount_pct NOT BETWEEN 0 AND 100) AS bad_discount,
COUNTIF(ABS(revenue - cost - profit) > 1) AS bad_profit
FROM stg_sales;En dbtnot_null + accepted_values
Qué buscoQue cada venta apunte a una tienda que existe. Si no, es una orphan row y el total por tienda no suma.
| store_id | rows | amount |
|---|---|---|
| S-14 | 12 | 1,240,000 |
12 ventas sin tienda: el total por zona queda corto.
-- 0 filas = pasa
SELECT f.store_id, COUNT(*) AS rows_affected,
SUM(f.amount) AS amount_affected
FROM stg_sales f
LEFT JOIN stg_stores d USING (store_id)
WHERE d.store_id IS NULL
GROUP BY f.store_id;En dbtrelationships
Qué buscoPor mes cerrado, el total es igual al de la fuente oficial, dentro de la tolerancia.
| month | source | model |
|---|---|---|
| ago | 318.2 M | 318.2 M |
| sep | 330.0 M | 331.9 M |
Septiembre se pasa del 0,1 % acordado: se explica en la reconciliation.
-- 0 filas = pasa
SELECT month, s.total, m.total,
s.total - m.total AS diff
FROM gl_close s FULL JOIN mart_sales m USING (month)
WHERE month < DATE_TRUNC(CURRENT_DATE(), MONTH)
AND ABS(s.total - m.total) > 0.001 * ABS(s.total);En dbtun test singular contra la fuente
Limpiarsin cambiar el significado.
Una vez, en la fuente o en staging, con SQL. Queda en un script, y lo que sale queda anotado.
| sale_id | line | updated | date | product | amount | status |
|---|---|---|---|---|---|---|
| 1041 | 1 | 10:00 | 03/10/26 | café | $ 5.000 | ENTREGADO |
| 1041 | 1 | 18:00 | 2026-10-03 | Cafe | 5000 | entregado |
| 1042 | 1 | 18:00 | 2026-10-03 | Cafe | 5000 | entregado |
| 1042 | 2 | 18:00 | 2026-10-03 | Cafe | 5000 | entregado |
| 1043 | 1 | 18:00 | — | CAFÉ | 5000 | ok |
Dos versiones de la 1041, dos cafés en la 1042 y una fila sin fecha.
| sale_id | line | date | product | amount_clp | dq_flag |
|---|---|---|---|---|---|
| 1041 | 1 | 2026-10-03 | CAFÉ | 5000 | — |
| 1042 | 1 | 2026-10-03 | CAFÉ | 5000 | — |
| 1042 | 2 | 2026-10-03 | CAFÉ | 5000 | — |
| 1043 | 1 | — | CAFÉ | 5000 | missing_date |
La fila sin fecha no se borra: se marca y se avisa. «ok» lo decide el dueño.
La confianza se ganacon números que calzan.
Y lo que no calza se explica línea por línea. Cifras de ejemplo.
Diferencia: $1.940.000 (0,59 %). Tolerancia acordada: 0,10 %.
Qué no calzóEl costo difiere en $1.940.000 (0,59 %).
A qué afectaEl margen de septiembre baja de 19,90 % a 19,43 %.
Mientras tantoSe publica con aviso.
Qué necesitoQue Contabilidad confirme las facturas de octubre.
Dueño: Contabilidad · 15-octLas mismas preguntas, en datos públicos.Ninguno pasó todo.
Son concursos, no empresas: muestran qué atrapa cada pregunta, no cómo están tus datos.
pasó todo
Datos públicos de concursos de Onyx Data.90,3 % de las temperaturas sobre 100 °C. Las keys pasan.
El fact diario es una muestra: 22,8 % del mensual.
Datos sintéticos, declarados. Ponderar cambia los rankings.
La más limpia, pero 6.221 líneas se vendieron antes del lanzamiento.
Antes de decidir,no después.
- 1Llega una fuente nuevaAntes de que alguien construya encima.
- 2Dos áreas traen cifras distintasAntes de que la reunión se vuelva una discusión.
- 3Se conecta un asistente de IAAntes de que responda con el número equivocado.
- Dos áreas traen cifras distintas.
- Alguien va a decidir con ese número.
- Copilot o Claude van a leer esos datos.
- Lo que se necesita es una auditoría financiera.
- Se busca una firma de que todo está perfecto.
- Nadie va a decidir nada con el resultado.
Cada número tiene veredicto.Y lo que no calzó, con dueño y fecha.
Revisar termina cuando cada número tiene veredicto y lo que falta está por escrito.
- ✓Dentro de la tolerancia, o aceptado por escritoCosto: 0,59 %, aceptado por Contabilidad.
- ✓Filas marcadas, no borradas1043 sin fecha, avisada al dueño.
- ✓Cada hallazgo se repite con el SQLCualquiera puede volver a correrlo.
- ✓Lo que no probé, también por escritoDevoluciones de otros canales.
¿Llegó?✓
¿Única?0 dup.
¿Creíble?1 marcada
¿Conecta?0 orphan
¿Cuadra?0,59 % · aceptado
Con la nota firmada, se modela. Lo que sigue es Modelar.





