Flujo guiado: del perfil a la evaluación

Esta es la ruta cuando ya se tiene una tabla y se quiere decidir qué medir. El perfil descriptivo y el perfil de evaluación son objetos distintos: el primero sale de perfilar() y el segundo se construye con perfil_evaluacion().

1. Perfilar

library(lupa)

datos <- data.frame(
  id = 1:4,
  edad = c(20, NA, 35, 40),
  zona = c("Norte", "Norte", "Sur", "Sur"),
  stringsAsFactors = FALSE
)

perfil <- perfilar(datos, analizar_dependencias = FALSE)
perfil$hallazgos[, c("columna", "tipo_hallazgo", "severidad")]
#>   columna tipo_hallazgo  severidad
#> 1    edad     faltantes sospechoso

El perfil responde qué señales aparecen, pero no decide por sí solo qué requisito debe quedar vigente.

2. Proponer y editar

proponer_modelo() convierte señales del perfil en una tabla editable. La columna incluir es la decisión que se confirma o se rechaza antes de medir.

propuesta <- proponer_modelo(perfil, datos)
propuesta[, c("metrica", "origen", "incluir", "estado")]
#>                       metrica                      origen incluir estado
#> 1                      NoNulo          hallazgo:faltantes    TRUE  lista
#> 2                     Formato perfil:patron_dominante:Aa+   FALSE  lista
#> 3 ValoresPosiblesPorExtension    perfil:dominio_observado   FALSE  lista

En este ejemplo se confirma sólo la métrica de no nulidad; las demás propuestas, si aparecen, quedan fuera explícitamente.

propuesta$incluir <- propuesta$metrica == "NoNulo"
stopifnot(any(propuesta$incluir))

3. Materializar y medir

modelo_desde_propuesta() no vuelve a perfilar ni mide: materializa las filas activas en un modelo operativo. Ese modelo va primero en medir() y los datos van segundos.

modelo_operativo <- modelo_desde_propuesta(propuesta)
medicion <- medir(
  modelo_operativo, datos,
  id_medicion = "ejemplo-guiado"
)
medicion[, c("metrica", "metrica_instanciada", "resultado")]
#>   metrica metrica_instanciada resultado
#> 1  NoNulo     sugerencia-0001         1
#> 2  NoNulo     sugerencia-0001         0
#> 3  NoNulo     sugerencia-0001         1
#> 4  NoNulo     sugerencia-0001         1

4. Evaluar

Se declara una regla y se la reúne en un perfil de evaluación. Ese perfil no es el objeto que devuelve perfilar(): es el segundo argumento de evaluar().

regla <- regla_evaluacion(
  "Completitud minima",
  function(x) x >= 0.75
)
perfil_para_evaluar <- perfil_evaluacion("Publicable", regla)
evaluacion <- evaluar(medicion, perfil_para_evaluar)
evaluacion$perfiles
#>      id_medicion               fecha     perfil n_reglas resultado
#> 1 ejemplo-guiado 2026-09-17 02:33:09 Publicable        1      0.75

La evaluación aplica una condición a las medidas existentes. No vuelve a leer datos ni reemplaza la medición.

5. Consultar la cobertura

Si además se quiere ver cómo queda el recorrido frente a una taxonomía, el orden de cobertura_analisis() es perfil, medicion, modelo, donde el tercer objeto es el marco conceptual creado por marco_calidad().

cobertura <- cobertura_analisis(perfil, medicion, marco_agesic())
cobertura[, c("marco", "dimension", "factor", "estado")]
#>                                  marco    dimension                        factor
#> 1  Marco de calidad de datos de AGESIC    Exactitud         Correctitud semántica
#> 2  Marco de calidad de datos de AGESIC    Exactitud        Correctitud sintáctica
#> 3  Marco de calidad de datos de AGESIC    Exactitud                     Precisión
#> 4  Marco de calidad de datos de AGESIC    Exactitud Exactitud posicional absoluta
#> 5  Marco de calidad de datos de AGESIC    Exactitud Exactitud posicional relativa
#> 6  Marco de calidad de datos de AGESIC    Exactitud                     Fidelidad
#> 7  Marco de calidad de datos de AGESIC Consistencia      Integridad inter-entidad
#> 8  Marco de calidad de datos de AGESIC Consistencia      Integridad intra-entidad
#> 9  Marco de calidad de datos de AGESIC Consistencia         Integridad de dominio
#> 10 Marco de calidad de datos de AGESIC Consistencia       Consistencia topológica
#> 11 Marco de calidad de datos de AGESIC  Completitud                     Cobertura
#> 12 Marco de calidad de datos de AGESIC  Completitud                      Densidad
#> 13 Marco de calidad de datos de AGESIC  Completitud                      Comisión
#> 14 Marco de calidad de datos de AGESIC     Unicidad                No-duplicación
#> 15 Marco de calidad de datos de AGESIC     Unicidad              No-contradicción
#> 16 Marco de calidad de datos de AGESIC     Frescura                    Actualidad
#> 17 Marco de calidad de datos de AGESIC     Frescura                   Oportunidad
#>              estado
#> 1      no_declarada
#> 2      no_declarada
#> 3      no_declarada
#> 4         no_aplica
#> 5         no_aplica
#> 6  fuera_de_alcance
#> 7      no_declarada
#> 8      no_declarada
#> 9      no_declarada
#> 10        no_aplica
#> 11     no_declarada
#> 12           medida
#> 13        no_aplica
#> 14           medida
#> 15     no_declarada
#> 16        no_aplica
#> 17        no_aplica

La tabla permite distinguir una medición ejecutada, un factor no declarado y un factor fuera de alcance. La ausencia de un hallazgo no se interpreta como una certificación de calidad.