Controles antes de poner los datos en uso

Vea qué ha cambiado en sus datos antes de que nadie los use.

Datainspec compara cada nueva entrega con la versión que usted aprobó. Muestra qué falló, en qué filas, y da a su pipeline un veredicto claro.

  • Sin configuración: perfila cada columna por sí solo
  • Se ejecuta en su equipo
  • Acceso de solo lectura a sus fuentes
BLOQUEADOcódigo de salida 2 · 3 críticos · 4 advertencias
  • críticoFalta la columna payment_method
  • crítico1.703 precios de Lyon son 100× los de septiembre
  • crítico24 pedidos aparecen dos veces
  • advert.37 pedidos tienen una cantidad de −1
  • advert.Un comentario contiene un comando de base de datos

Un comercio sintético: nueve tiendas y una tienda en línea, con cinco problemas inyectados a propósito. Las filas proceden de su archivo de octubre. Los hallazgos son los resultados del propio motor.

Lee los datos que ya tiene
  • CSV
  • Parquet
  • DuckDB
  • Bases de datos SQL
  • + más próximamente

Por qué Datainspec

Un archivo guardado sin cuidado, detectado antes de que alguien pague las consecuencias.

Setenta segundos. Una oficina regional abre su archivo en Excel y lo guarda, y 84.134 identificadores de personas cambian sin que se note. Los datos son sintéticos; los hallazgos y el tiempo proceden de un análisis real.

Una explicación de 70 segundos con música y sin voz en off. Doce oficinas regionales envían sus archivos cada mes, directamente al proceso de pagos. Este mes, una oficina abrió su archivo en Excel y lo guardó: los identificadores de personas de 13 dígitos se convirtieron en números como 7.42198E+12 y se reescribieron todas las fechas, por lo que cambiaron 84.134 identificadores y 3.685 identificadores corresponden ahora a 7.501 personas. Si el archivo llegara al proceso de pagos, 17.282 personas se quedarían sin cobrar, 9.016.061 euros solo en octubre, según nuestra interpretación de los archivos sintéticos. Datainspec aprende cada columna de una versión que usted aprueba, sin reglas que escribir, comprueba cada nueva entrega frente a ella, muestra qué falló junto con las filas, le permite decidir qué significa cada hallazgo y da un veredicto a su pipeline: bloqueado, código de salida 2. Comprobó un millón de filas en unos 35 segundos en un portátil, y ningún dato sale de su equipo.

Pruébelo

Una entrega. Cinco problemas.

Seis pasos, desde un archivo en el que confía hasta una decisión registrada. Recórralos con los datos de pedidos de la demo.

orders/Entrega de octubre
Datos sintéticos

Cómo funciona

Cinco capas entre una entrega y sus informes.

  1. 01Perfilar

    Aprende cada columna de la versión que usted aprueba: su rol, su rango normal y los controles adecuados. No hay nada que configurar.

  2. 02Aprobar

    Una persona aprueba esa versión como referencia, después de una revisión de calidad de la propia versión. Se conserva quién la aprobó y cuándo.

  3. 03Verificar

    Cada nueva entrega se compara con ella: qué falló, en palabras claras, con las filas que lo explican.

  4. 04Decidir

    Problema real, cambio esperado o ruido. La decisión y su motivo acompañan al hallazgo en el siguiente análisis.

  5. 05Veredicto

    Su pipeline recibe un veredicto y un código de salida: continuar, advertir o detener el siguiente paso.

Para quién es

Pensado para quienes responden por los datos.

Un veredicto y un código de salida para cada entrega.

Un comando compara el nuevo archivo o tabla con la versión aprobada y devuelve 0, 1, 2 o 3. Su pipeline decide qué ocurre después.

Para ingenieros de datos
  • Sin archivo de reglas que escribir antes
  • CSV, Parquet, DuckDB, SQLite y más, con acceso de solo lectura
  • Un informe JUnit para la vista de pruebas de su CI

Cada aprobación, bloqueo y modificación, registrados.

Quién decidió qué, cuándo y por qué, para cada versión de un conjunto de datos y cada hallazgo asociado. Exportable cuando alguien lo solicite.

Para gobierno del dato y cumplimiento
  • Versiones aprobadas, certificados y reversiones que no borran nada
  • Un registro de auditoría con quién, cuándo y por qué, en CSV
  • Informes compartibles sin datos, sin valores de los datos

Detenga el archivo defectuoso antes de dar el visto bueno a una cifra.

Cada entrega se comprueba frente a la versión en la que confiaba, en sus propios equipos, con una persona que decide y un registro que se conserva.

Para responsables de datos
  • Nada sale de sus equipos, sin telemetría
  • Sin proyecto que configurar antes del primer análisis
  • Un piloto con un conjunto de datos y criterios acordados de antemano

Sepa qué cambió antes de publicar las cifras.

Qué cambió desde la versión en la que confiaba, en palabras claras y con las filas que lo explican, en una aplicación de Windows.

Para analistas y reporting
  • Sin código que escribir
  • Cambios esperados explicados una sola vez, con su nombre
  • El historial de cada columna, mes tras mes

Seguridad

Sus datos nunca salen de su equipo.

Creado ante todo para equipos cuyos datos no pueden enviarse a un servicio externo: bancos, aseguradoras, entidades sanitarias y organismos públicos.

Cómo trata sus datos
  • Sin telemetríaNo nos envía datos, perfiles ni hallazgos.
  • Solo lecturaNunca escribe en sus fuentes.
  • Informes compartibles sin datosRecuentos y estadísticas, sin valores de los datos.
  • Sitios aislados de la redLos paquetes firmados permiten trasladar versiones de referencia aprobadas entre sistemas aislados.

Mediciones, no promesas

Lo que detecta, medido.

Ver los resultados
585 de 628fallos inyectados en conjuntos de datos públicos reales detectados, 93,15 %, sin escribir reglas. Medido el 18 de septiembre de 2026.
106 millonesde filas comparadas en un portátil con 5 GB de memoria: procesa los datos por partes desde el disco, por lo que diez veces más filas consumieron la misma memoria

La deriva lenta también se ve. Una columna que se desplaza un 1 % al mes queda por debajo del umbral de alarma cada vez. History representa cada columna a lo largo de todos los análisis y versiones aprobadas, de modo que doce pequeños pasos se ven como una tendencia.

Pruébelo en una de sus entregas reales de datos.

Elija un conjunto de datos recurrente. Se ejecuta en sus equipos; al final revisamos juntos qué detectó y qué fue ruido.