As traduções deste site em idiomas diferentes do inglês são geradas por IA. Não garantimos a precisão e não nos responsabilizamos por quaisquer erros ou danos resultantes do uso do conteúdo traduzido. Em caso de inconsistências ou ambiguidades, versão em inglês prevalecerá.
Transformar dados em oportunidades: Métrica do Mês - Critérios de Qualidade de Dados (Continuação)
Os dados de alta qualidade são mais do que uma referência - são uma necessidade estratégica para a confiança, a Conformidade e a interoperabilidade globais. Neste Blog da GLEIF, Zornitsa Manolova, Chefe de Gestão de Qualidade de Dados e Ciência de Dados da GLEIF, continua a explorar o papel dos Critérios de Qualidade de Dados e sua importância crítica como parte da Estrutura de Gestão de Qualidade de Dados da GLEIF para garantir que os dados de LEIs permaneçam confiáveis, atualizados e adequados para uso global por instituições financeiras, reguladores e participantes do mercado.
Autor: Zornitsa Manolova
Data: 2025-09-05
Visualizações:
Em uma economia global cada vez mais interconectada, a capacidade das organizações de confiar e usar dados de forma eficaz é a base para a inovação, o crescimento e a competitividade.
Um ecossistema de dados de alta qualidade é um motor de mudança e inovação que permite às organizações identificar e aproveitar novas oportunidades. Ao mesmo tempo, a baixa qualidade dos dados pode levar a ineficiências e à exposição a riscos regulamentares e de reputação.
A GLEIF está empenhada em otimizar a qualidade, fiabilidade e usabilidade dos dados de LEI. Desde 2017, tem publicado relatórios mensais dedicados para demonstrar de forma transparente o nível geral de qualidade de dados alcançado no Global LEI System.
Para ajudar a uma compreensão e conscientização mais ampla do setor sobre as iniciativas de qualidade de dados da GLEIF, esta nova série de blogs explora as principais métricas incluídas nos relatórios.
O blogue deste mês continua a examinar os Critérios de Qualidade de Dados.
Na atual economia orientada por dados, a utilização de dados de entidades jurídicas de alta qualidade é crucial para impulsionar a inovação, garantir a Conformidade e promover a confiança nos mercados globais. A GLEIF garante os padrões mais elevados possíveis através de uma Estrutura de Gestão da Qualidade de Dados estruturada, que define doze Critérios de Qualidade de Dados distintos e mensuráveis para avaliar objetivamente os registos do Identificador de Entidade Jurídica (LEI).
Os blogs anteriores da série Métrica do Mês exploraram os seguintes critérios: "Exatidão", "Abrangência", "Consistência", "Integridade", "Representação" e "Validade". A edição deste mês destaca os seis critérios essenciais restantes - "Acessibilidade", "Completude", "Moeda", "Proveniência", "Atualidade" e "Singularidade" - e examina como cada um é avaliado por meio de verificações estruturadas e mensuráveis para ajudar a manter a integridade e a utilidade global dos dados de LEIs.
Um destaque sobre Acessibilidade, Integralidade, Moeda, Proveniência, Atualidade e Unicidade
Ao garantir que os dados permaneçam acessíveis, completos, atuais, com boas fontes, oportunos e identificáveis de forma única, a GLEIF mantém ativamente uma estrutura confiável que sustenta e fortalece as Normas de Qualidade de Dados à medida que a demanda global por dados confiáveis de entidades cresce.
Acessibilidade: Garantir que os dados sejam acessíveis e disponíveis de forma responsável
Dados de LEIs acessíveis permitem que uma ampla gama de partes interessadas, de Reguladores a empresas de fintech, integrem informações confiáveis em seus sistemas de forma rápida e eficiente.
A acessibilidade mede a medida em que os dados de LEI podem ser obtidos de forma fácil e legal, ao mesmo tempo que garante a existência de proteções e controlos robustos. Na prática, isto significa que os dados devem estar disponíveis abertamente, como através de APIs ou ficheiros descarregáveis, mantendo a devida Governança sobre a sua utilização.
A acessibilidade é atualmente avaliada através de 12 verificações específicas, tendo sido alcançada uma Pontuação Média da Qualidade dos Dados de 99,99 em agosto. Os controlos incluem a verificação de que os identificadores locais são fornecidos e plausíveis, bem como se as entidades das sucursais estão registadas.
Integralidade: Registar todas as informações obrigatórias
Dados completos são essenciais para apoiar casos de uso críticos, como due diligence, resolução de entidades e análise de rede.
A integridade avalia se todos os elementos de dados obrigatórios aparecem num registo de LEI. Verificar se os campos obrigatórios, como nome legal, endereço e detalhes de registo, estão incluídos garante que cada registo de LEI está totalmente preenchido e operacionalmente utilizável.
Com 11 verificações específicas em vigor, a Completeness atinge consistentemente uma Pontuação Média de Qualidade dos Dados de 99,99, incluindo em agosto. Exemplos de verificações incluem o fornecimento obrigatório da categoria de entidade jurídica, garantindo que é utilizado um código de forma jurídica de entidade válido e avaliando se as empresas-mãe finais têm informações de relacionamento completas.
Atualidade: Manter os dados actualizados e precisos ao longo do tempo
Os dados actuais garantem que as instituições financeiras, os reguladores e os utilizadores de dados podem confiar no LEI para tomar decisões atempadas em mercados em rápida mudança.
A moeda avalia se os dados de LEIs permanecem relevantes e atualizados. Um ponto de dados "atual" reflete informações precisas em um momento específico, enquanto entradas desatualizadas podem enganar os usuários.
A atualidade é avaliada através de 2 verificações para verificar se a próxima data de renovação para entidades caducas é razoável e se os dados de nível 1 e 2 passam por ciclos de renovação semelhantes. O desempenho sustentado de alta qualidade em agosto reflectiu-se na sua pontuação de 100,00.
Proveniência: Acompanhar a origem e o historial dos dados
A compreensão da proveniência dos dados apoia a auditabilidade e a responsabilização e aumenta a confiança no intercâmbio de informações transfronteiras.
A proveniência centra-se no historial ou pedigree de cada elemento de dados. Fornece o contexto da origem dos dados e como estes mudaram ao longo do tempo, acrescentando uma camada de confiança ao revelar de forma transparente a linhagem dos dados de referência.
A proveniência é medida através de 11 verificações dedicadas e tem apresentado consistentemente excelentes resultados, alcançando uma Pontuação Média de Qualidade dos Dados de 99,99 em agosto. Estas verificações incluem a verificação da formatação correta dos identificadores de entidades, a garantia de que são comunicados eventos de entidades jurídicas plausíveis para entidades retiradas e a confirmação de que todos os sucessores estão devidamente listados para eventos concluídos.
Atualidade: Disponibilizar os dados quando necessário
As actualizações atempadas dos registos de LEI ajudam a evitar a dependência de informações desactualizadas e a reduzir os riscos operacionais e de reputação.
Enquanto a Moeda avalia se os dados de LEI são relevantes e atualizados, a Pontualidade diz respeito à rapidez com que os dados estão disponíveis para os fins pretendidos. Isso garante que quando os usuários precisam de informações de LEI, seja para conformidade, due diligence ou análise, os dados estão acessíveis sem atrasos indevidos.
A atualidade é avaliada através de 2 verificações específicas, que verificam o fornecimento obrigatório de datas efectivas para eventos de entidades jurídicas concluídos e confirmam que as datas de criação de entidades comunicadas são plausíveis. Mantém um forte desempenho em termos de qualidade, refletido na sua pontuação de 99,99 em agosto.
Singularidade: Garantir valores distintos e não duplicados
Um LEI exclusivo fornece uma âncora confiável para vincular dados de entidades entre jurisdições, conjuntos de dados e sistemas.
A exclusividade garante que cada elemento de dados, como um código LEI, apareça apenas uma vez e seja distintamente único em todo o Global LEI System. Esta verificação garante que a duplicação e a ambiguidade sejam evitadas, preservando a integridade e a usabilidade do conjunto de dados.
Com 8 verificações específicas em vigor, a Unicidade demonstra um desempenho consistentemente elevado, obtendo uma Verificações da Qualidade dos Dados de 99,99 em agosto. As verificações incluem a prevenção de violações de exclusividade fora das transferências permitidas, a deteção de redundâncias no endereço legal e em endereços de idiomas alternativos e a garantia de que existe apenas um registo de filial por entidade e por país.
Transformar dados em oportunidades
Acessibilidade, Integralidade, Moeda, Proveniência, Pontualidade e Unicidade continuam a servir como pilares fundamentais na manutenção da integridade, usabilidade e confiabilidade dos dados de LEIs.
O refinamento contínuo desses critérios pela GLEIF por meio de avaliações estruturadas e consultas colaborativas reflete seu forte compromisso com o avanço da qualidade de dados de forma significativa e mensurável. À medida que o papel do LEI se expande em todos os sectores, a GLEIF continua dedicada a manter uma estrutura de qualidade de dados que não só é resiliente e voltada para o futuro, mas centrada nas necessidades dos utilizadores de dados em todo o mundo.
Caso queira comentar uma postagem no blog, identifique-se usando seu nome e sobrenome. Seu nome aparecerá ao lado de seu comentário. Endereços de e-mail não serão publicados. Note que ao acessar ou contribuir com o fórum de discussão, você concorda com os termos da Política de Uso do Blog da GLEIF, portanto, leia-a com atenção.
Zornitsa Manolova lidera a equipe de Gestão de Qualidade de Dados e Ciência de Dados na Global Legal Entity Identifier Foundation (GLEIF). Desde abril de 2018, ela é responsável por aprimorar e melhorar a qualidade de dados estabelecida e a estrutura de governança de dados, introduzindo abordagens inovadoras de análise de dados. Anteriormente, Zornitsa gerenciou projetos de análise de dados forenses em investigações financeiras internacionais na PwC Forensics. Ela é formada em ciências da computação com foco em aprendizagem de máquina pela Universidade Philipps de Marburgo.