En las últimas semanas, varios expertos en datos abiertos han coincidido en señalar que la baja calidad de muchos datos que se publican en los  portales de datos está afectando negativamente a los esfuerzos por fomentar los datos abiertos. Los problemas de calidad de los datos más frecuentes son la inconsistencia de las series temporales (en ocasiones faltan datos de algún año), una codificación inconsistente (que hace compleja la explotación de los datos), y la inclusión de muchas bases de datos con pocas líneas de información.

Abrir datos (Open Data) no es solo hacer públicos los datos, puesto que en su gran mayoría los datos ya están publicados de varias formas en las páginas web de los Institutos Nacionales de Estadística y otras páginas web oficiales. El gran desafío consiste en publicar datos sistematizados que sean accesibles también para las aplicaciones informáticas que reutilicen la información y permitan generar nuevos usos para esa información. Si la información no es de calidad y no se puede usar, todo este esfuerzo habrá sido en vano.

Organismos certifican la calidad de las bases de datos

Para solucionar esta cuestión, ya hay varias organizaciones que trabajan por certificar la calidad de las bases de datos. El Open Data Institute (Reino Unido), una organización dirigida por Tim Berners-Lee y Nigel Shadbolt, que está poniendo muchos esfuerzos por fomentar unos datos de mejor calidad. En Alemania, el Franuhofer Fokus que promueve el avance de los datos abiertos, también tiene un área de trabajo importante en lo que se refiere a la limpieza y  estandarización de los datos abiertos.

Hay herramientas que permiten verificar la consistencia de las bases de datos

Por otro lado, comienzan a surgir varias aplicaciones web que permiten verificar la calidad de las bases de datos antes de subirlas al portal de datos abiertos. Open Source Data Quality and Profiling es una aplicación libre que permite analizar la calidad de nuestras bases de datos mediante varios procesos. Talend ofrece una versión gratuita y otra de pago, y Data Cleaner ofrece un servicio de pago para limpiar y estandarizar bases de datos. Uno de los más utilizados por los expertos es Open Refine, que originalmente fue desarrollado por Google.

Desarrollar marcos regulatorios puede ayudar a garantizar la consistencia a distintos niveles

En algunos países, los estándares para las bases de datos están definidos en las legislaciones nacionales o supranacionales, como ocurre en los países europeos. Definir un estándar de publicación de datos que tenga un rango jerárquico es importante para que luego puedan integrarse las bases de datos y generar un universo de datos abiertos pero esto no siempre evita que se publiquen bases de datos que contengan poca información o escasamente relevante.

Los expertos del ODI señalan que muchos de los errores que se producen no tienen que ver tanto con los marcos regulatorios, sino con las decisiones de los administradores de los portales de datos abiertos, y por lo tanto el problema es, una vez más, cultural y no tecnológico.

Por eso conviene realizar una analogía entre el proceso de publicación de bases de datos y de artículos científicos. Quizás sería conveniente pensar en un proceso de revisión por pares u otro tipo de metodologías, como la valoración de los usuarios, para certificar la calidad y pertinencia de los datos. Estas herramientas no suponen un gran desafío tecnológico y ya han demostrado su utilidad para moderar, por ejemplo, los comentarios en los artículos de periódico y blogs, o para valorar la calidad de los productos y vendedores en tiendas online como Amazon o Ebay.

Aun así, en el caso de que la solución tecnológica no fuera posible o fuera demasiado costosa, deberían existir otros mecanismos de control de calidad como ocurre en la literatura científica. Certificar la calidad y la pertinencia de las bases de datos, usando la opinión de los usuarios o de los expertos es importante si queremos que los datos abiertos produzcan el impacto que esperamos. Si vamos a basar nuestras decisiones en estos datos, es mejor que sean fiables.