De acuerdo con la OCDE, “datos de investigación” son los registros factuales (datos numéricos, textuales, imágenes y sonidos) utilizados como fuentes primarias para la investigación científica y que están aceptados por la comunidad investigadora como medios para validar conclusiones. Un conjunto de datos de investigación o dataset constituye una representación sistemática y parcial del tema u objeto investigado.

Cuadernos de laboratorio, análisis preliminares, borradores de artículos, planes para futuros desarrollos, revisiones por pares, comunicaciones personales con colegas o realidades físicas como ratones  y muestras laboratorio o cepas de bacterias. 

Los datos de investigación abiertos son uno de los pilares sobre los que se sustenta el movimiento conocido como ciencia abierta para abrir todo el proceso y los resultados a la sociedad sin trabas. La apertura de los datos implica indudables beneficios tales como:

• La promoción de la transparencia e integridad en investigación.
• La reutilización de los datos que incentiva nuevos descubrimientos científicos.
• El retorno de la inversión de las entidades públicas en investigación.
• La integración en las redes de repositorios de datos a nivel internacional.
• Transparencia y rendición de cuentas en términos de financiación pública.
• Compromiso con la sociedad y con el avance de la ciencia.
• Superar las desigualdades de países e instituciones que no pueden asumir el coste del acceso de pago a la información científica.
• Permite que la investigación sea reproducible y creíble, ya que tiene el potencial de desvelar fraudes y malas prácticas.
• Aumenta la visibilidad y el impacto de la investigación. 
• Promueve la colaboración.
• Evita la duplicidad de esfuerzos. 
• Preserva los datos para la posterioridad.

Antes de la finalización del proyecto de investigación es muy probable que existan tres tipos de datos:

• Datos en bruto: datos obtenidos y/o creados durante la investigación
• Datos procesados: datos extraídos o derivados de los datos en bruto
• Datos referenciados: subconjunto de los datos procesados que se trabajan para realizar el análisis y extraer conclusiones

La elección de los datos a preservar va a depender de principalmente de la finalidad que se persiga:

• Verificación de los resultados: los datos se utilizan para facilitar la transparencia y la replicación de la investigación. En este caso, se recomienda preservar tanto los datos procesados como los referenciados.
• Reutilización de los datos: los datos se pueden utilizar en futuras investigaciones, tanto por el mismo investigador como por distintos investigadores. En este caso, se recomienda preservar los datos en bruto

En ambos casos, la documentación que acompaña a los datos debe ser lo suficientemente clara para cumplir con los criterios anteriores.