Método de priorização das dimensões de qualidade de dados para modelos preditivos com base na ISO/IEC 25012

Abstract

Este trabalho apresenta o desenvolvimento de um método estruturado para a priorização de dimensões de qualidade de dados com base na norma ISO/IEC 25012, com o objetivo de apoiar a avaliação da qualidade dos dados utilizados em modelos preditivos em diferentes setores. O método utiliza a técnica Processo de Análise Hierárquica (Analytic Hierarchy Process – AHP), operacionalizada por meio da ferramenta Processo de Análise Hierárquica – Programa Online (Analytic Hierarchy Process - Online Software – AHP-OS), para hierarquização e atribuição de pesos relativos às dimensões selecionadas. A priorização foi realizada com a participação de especialistas com conhecimento nos domínios técnico e de negócio. As dimensões priorizadas incluem credibilidade, consistência, precisão, atualidade e completude. Para validação do método, foi conduzido um estudo de caso no contexto da gestão de leitos hospitalares, demonstrando sua aplicabilidade prática. Os resultados indicam a viabilidade do método para orientar ações de melhoria da qualidade dos dados e fortalecer a governança da informação em bases utilizadas por modelos preditivos.

This study presents the development of a structured method for prioritizing data quality dimensions based on the ISO/IEC 25012 standard, aiming to support the assessment of data quality used in predictive models across different sectors. The method applies the Analytic Hierarchy Process (AHP) technique, operationalized through the Analytic Hierarchy Process - Online Sofware – (AHP-OS) tool, to rank and assign relative weights to the selected dimensions. The prioritization was conducted with the participation of experts with knowledge in both technical and business domains. The prioritized dimensions include credibility, consistency, accuracy, timeliness, and completeness. To validate the method, a case study was carried out in the context of hospital bed management, demonstrating its practical applicability. The results indicate the feasibility of the method to guide data quality improvement actions and strengthen information governance in datasets used by predictive models.