Asegurar la calidad de los almacenes de datos es crucial para las organizaciones, ya que proporcionan la información confiable necesaria para la toma de decisiones informadas. Si bien diversas metodologías enfatizan la importancia de los requisitos, modelos conceptuales, lógicos y físicos en el desarrollo de almacenes de datos, la evaluación empírica de la calidad de estos modelos sigue siendo poco explorada, especialmente los modelos de requisitos. Para cerrar esta brecha, este estudio se centra en la evaluación de métricas de requisitos para predecir la comprensibilidad de los esquemas de requisitos, un indicador clave de la calidad del modelo. En este estudio empírico, 28 esquemas de requisitos fueron clasificados en clústeres comprensibles y no comprensibles utilizando la técnica de agrupamiento k-means. El estudio luego empleó seis técnicas de clasificación: regresión logística, Bayes ingenuo, análisis discriminante lineal con árbol de decisión, aprendizaje por refuerzo, regla de votación y un enfoque híbrido, dentro de modelos univariantes y multivariantes para identificar fuertes predictores de la comprensibilidad del esquema. Los resultados indican que 13 de 17 métricas de requisitos son predictores robustos de la comprensibilidad del esquema. Además, un análisis comparativo del rendimiento de las técnicas de clasificación revela que el clasificador híbrido supera a otras técnicas en parámetros clave de evaluación, incluyendo precisión, sensibilidad, especificidad y AUC. Estos hallazgos destacan el potencial de las métricas de requisitos como predictores efectivos de la comprensibilidad del esquema, contribuyendo a una mejor evaluación de la calidad y al desarrollo de mejores modelos de datos conceptuales para almacenes de datos.