Datakvalitet – The Tipping Point (Parvathy Menon)

"Data er en værdifuld ting og vil vare længere end selve systemerne." Så sagt

Tim Berners-Lee, opfinderen af ​​World Wide Web. 'Værbar' forudsat at dataene faktisk er troværdige og af sikret og ensartet kvalitet. Og kunderne har ubestrideligt indrømmet, at datakvalitet faktisk danner grundlaget for alle deres datastyrings- og analysedrevne initiativer

Men hvorfor så al den furore omkring datakvalitet og sporet af foretagende omkring det. . Det, der oftere forvirrer kunderne, er omfanget af kontrolpunkterne på hvert eneste trin i datalivscyklussen. Med en række datahåndteringsløsninger, som kunden har inden for deres systemlandskab, dvs. Data Warehouses, Data Marts, Master data management løsninger, Data lakes og lignende, synes der at være en vis grad af usikkerhed og skepsis omkring tilgangen til Data Quality.

Og hvis man skulle se på omfanget af datalivscyklussen, kan kvalitetsproblemer potentielt beskære sig på hvert eneste tidspunkt, lige fra kilden til ETL eller enhver middleware-transformation til de konsoliderede datavarehuse og datasøer i verden og indtil det fanger endelig slutbrugeren eller kunden i en form for rapporteringsanalyse, brugerskærm osv. og dens kaboom!!!!

Så blandt de mange forskellige data og systemer, der findes i virksomheder, er der nogen hård og hurtig regel om, hvor og hvordan man skal tackle datakvalitetsdæmonen. Nå, meget, meget på de fleste vores ønskeliste. men så, hvis ønskerne var heste……Det eneste formål med et datakvalitetsprogram skulle være at sikre, at hellige data gøres tilgængelige for alle relevante forretningsprocesser, hvad enten de er interne eller eksterne forbrugere.

Her er en liste over vigtige retningslinjer, der kan hjælpe med at styre din organisations datakvalitetsvision:

Kategoriser og prioriter dine data:

Blandt de forskellige typer tilgængelige data, dvs. Stamdata, transaktions-/driftsdata, referencedata, analytiske data, der kunne være en presserende trang til at rense dataene inden for rammerne af de operationelle eller analytiske systemer, da det er det tætteste, hvor brugerne får adgang til/bruger deres data, men kalder det en kortsigtede løsning ville være en underdrivelse, fordi man trods alt bare håndterer problemet, når og når det kommer, og ikke rigtig adresserer det i sin kerne. Det, der giver bedre mening, er snarere at se på den kategori af data, der faktisk bliver brugt i hele virksomheden, og som ville være ingen ringere end dine Master Business-enheder af kunde, produkt, leverandør, medarbejder, aktiver og placering osv. Således renselse, berigelse Match- og overlevelsesprocesser, der anvendes på stamdataene, kan bruges til at skabe den bedste version af stamregistret og dermed give et enkelt, samlet og ensartet overblik over dine nøgleforretningsenheder.

 Anvend kontrollerne tidligt i livscyklussen:

Rens dataene så tæt på kilden som muligt, og nu er det en grundlæggende bedste praksis og selvfølgelig et tilfælde af skrald ind og skrald ud. Det er altid en bedre strategi at løse datakvalitetsproblemerne så tæt på kilden eller for den sags skyld på selve kilden, da det kan spare dig for mange kræfter og udgifter. Og så meget som du kan forsøge at rense og standardisere dataene i dine kildesystemer, vil du hellere have checket før indrejse for at undgå behovet for rensning post facto

 Forskellige problemer Forskellige forsinkelser:

Visse kritiske processer med ens organisation kan kræve datakvalitetstjek i realtid, som er uundgåelige for at afværge enhver svigagtig eller dobbelt handling. Eksempel er enhver banktransaktion. I modsætning til en mindre forretningspåvirkende proces. I begge tilfælde, så meget som du kan anvende principperne for datakvalitetsstyring, skal du erkende de brændende behov i forhold til de andre og gribe opgaven an i overensstemmelse hermed

Virksomhedsinkludering på alle stadier:

Virksomhedens interessenters deltagelse under datakvalitetsrejsen kan ikke understreges mere. Lige fra starten af ​​DQ-rejsen, alias kvalitetsvurdering til rensning og de-duplikering af data, forventes der et meget højt niveau af involvering fra forretningssiden. Og det er overflødigt at sige, at forretningsengagementet og sponsoreringen af ​​datakvalitetsprogrammet fortæller sandsynligheden for dets succes

 Etabler en lukket kredsløbsbehandlingsproces:

Denne kontinuerlige igangværende aktivitet med vurdering, rensning, organisering vil sikre, at dataene er egnede til formål og brug til enhver tid i stedet for at udføre en enkeltstående aktivitet eller som gengældelse for en fejlrapportering eller eskalering

 Adopter Agile Sprints:

Man kan kalde kombinationen af ​​Agile og DQ for en match made in heaven. Ved at anvende en agil tilgang i dit datakvalitetsprogram kan det i vid udstrækning hjælpe med at reducere den latenstid, der opstår som følge af forsinket feedback fra interessenter. En agil tilgang i DQ hjælper med at accelerere hele processen, da Business Stakeholders kan spille rollen som produktchef og desuden, da spurten ville være fokuseret på et bestemt forretningsområde, muliggør det hurtigere analyse og dermed hurtigere resultater (læs værdi i Agile)

 Udnyt værktøjssæt:

Indfangning af enorme mængder data fra forskellige systemer og forsøg på at analysere dataene for at låse op for deres sande værdi kan vise sig at være noget af en opgave for analytikere, da processen ikke kun er manuelt besværlig, men også er tidsineffektiv og fejlbehæftet. Med et væld af tilgængelige værktøjssæt til dataprofilering og -rensning, datastrid, er det kun bydende nødvendigt, at virksomheder investerer i den rigtige slags værktøj, der gør det muligt for virksomheder virkelig at levere værdifuld indsigt på den mest optimale måde

Et kontinuerligt fokus på datakvalitet er hver en krone af investeringen værd, da det ikke kun vil bidrage til at indgyde virksomhedens tillid til data, men også hjælpe med at høste fordelene af alle andre virksomhedsløsninger, der er på plads. 

• SEO Powered Content & PR Distribution. Bliv forstærket i dag.
• Platoblokkæde. Web3 Metaverse Intelligence. Viden forstærket. Adgang her.
• Kilde: https://www.finextra.com/blogposting/23987/data-quality–the-tipping-point?utm_medium=rssfinextra&utm_source=finextrablogs