El pronóstico preciso del Índice de Precios al Consumidor es fundamental para la toma de decisiones económicas y políticas, ya que afecta directamente a la planificación presupuestaria, las tasas de interés y las políticas sociales. Sin embargo, los datos presentan desafíos inherentes como valores faltantes, outliers y no estacionariedad, que pueden distorsionar los modelos predictivos si no son tratados adecuadamente. Este artículo propone un marco metodológico riguroso para el preprocesamiento de datos del Índice de Precios al Consumidor, abordando sistemáticamente estos problemas mediante técnicas específicas para cada tipo de anomalía. Para valores faltantes, se aplican métodos diferenciados según su mecanismo, incluyendo interpolación lineal estacional, imputación MICE con Random Forest y modelos de espacio de estados. Los outliers se identifican mediante criterios estadísticos IQR-Tukey y algoritmos de densidad LOF, mientras que la normalización emplea transformaciones logarítmicas y RobustScaler. Los resultados demuestran una reducción del 23% en el error absoluto medio y del 21% en la raíz del error cuadrático medio frente a métodos convencionales, validando la eficacia de la propuesta. Este marco no solo mejora calidad de los datos, también proporciona un protocolo reproducible para su aplicación en series económicas complejas.