Datenqualität – Der Wendepunkt (Parvathy Menon)

„Daten sind ein kostbares Gut und halten länger als die Systeme selbst.“ So sagte

Tim Berners-Lee, dem Erfinder des World Wide Web. „Kostbar“, sofern die Daten tatsächlich vertrauenswürdig und von gesicherter und gleichbleibender Qualität sind. Und die Kunden haben unbestreitbar zugegeben, dass die Datenqualität tatsächlich die Grundlage all ihrer Datenmanagement- und Analyse-getriebenen Initiativen bildet

Aber wozu dann der ganze Aufruhr um die Datenqualität und die damit verbundenen Unternehmungen? . Was Kunden meistens verblüfft, ist die Ungeheuerlichkeit der Checkpoints in jeder einzelnen Phase des Datenlebenszyklus. Mit einer Reihe von Datenmanagementlösungen, die Kunden in ihrer Systemlandschaft haben, d. h. Data Warehouses, Data Marts, Stammdatenverwaltungslösungen, Data Lakes und dergleichen, es scheint ein gewisses Maß an Unsicherheit und Skepsis in Bezug auf den Ansatz für die Datenqualität zu geben.

Und wenn man sich die Weite des Datenlebenszyklus ansieht, können Qualitätsprobleme potenziell an jedem einzelnen Punkt auftauchen, direkt von der Quelle über die ETL oder jede Middleware-Transformation bis hin zu den konsolidierten Data Warehouses und Data Lakes der Welt und Kasse es fängt schließlich den Endbenutzer oder den Kunden in irgendeiner Form von Berichtsanalysen, Benutzerbildschirmen usw. und seinem Kaboom ein!!!!

Unter der Vielzahl von Daten und Systemen, die in Unternehmen vorhanden sind, gibt es also eine feste Regel, was, wo und wie der Datenqualitätsdämon angegangen werden kann. Nun, sehr, viel auf den meisten unserer Wunschlisten. aber wenn Wünsche Pferde wären……Der einzige Zweck eines Datenqualitätsprogramms sollte darin bestehen, sicherzustellen, dass unantastbare Daten für alle anwendbaren Geschäftsprozesse verfügbar sind, seien es interne oder externe Verbraucher.

Hier ist eine Liste der wichtigsten Richtlinien, die Ihnen helfen können, die Datenqualitätsvision Ihres Unternehmens zu steuern:

Kategorisieren und priorisieren Sie Ihre Daten:

Unter den verschiedenen Arten von Daten, die verfügbar sind, nämlich. Stammdaten, Transaktions-/Betriebsdaten, Referenzdaten, Analysedaten, es könnte ein dringender Drang bestehen, die Daten innerhalb der Grenzen der Betriebs- oder Analysesysteme zu bereinigen, da dies der Ort ist, an dem die Benutzer am nächsten auf ihre Daten zugreifen/sie verwenden, aber nennen Sie das a Eine kurzfristige Lösung wäre eine Untertreibung, denn schließlich befasst man sich nur mit dem Problem, wenn es kommt, und geht es nicht wirklich an seinem Kern an. Vielmehr ist es sinnvoller, sich die Datenkategorie anzusehen, die tatsächlich unternehmensweit verwendet wird und die nichts anderes wäre als Ihre Hauptgeschäftseinheiten Kunde, Produkt, Lieferant, Mitarbeiter, Vermögenswerte und Standort usw. Also Bereinigung, Bereicherung Match- und Survivorship-Prozesse, die auf die Stammdaten angewendet werden, können verwendet werden, um die beste Version des Stammdatensatzes zu erstellen und somit eine einzige, einheitliche und konsistente Ansicht Ihrer wichtigsten Geschäftseinheiten bereitzustellen.

 Wenden Sie die Prüfungen früh im Lebenszyklus an:

Bereinigen Sie die Daten so nah wie möglich an der Quelle, und das ist jetzt eine grundlegende Best Practice und natürlich ein Fall von Garbage In und Garbage Out. Es ist immer eine bessere Strategie, die Datenqualitätsprobleme so nah wie möglich an der Quelle anzugehen die Quelle selbst, denn das kann Ihnen viel Aufwand und Kosten ersparen. Und so sehr Sie versuchen können, die Daten in Ihren Quellsystemen zu bereinigen und zu standardisieren, möchten Sie lieber vor der Eingabe Kontrollen durchführen, um die Notwendigkeit einer nachträglichen Bereinigung zu vermeiden

 Unterschiedliche Probleme, unterschiedliche Latenzen:

Bestimmte kritische Prozesse in der eigenen Organisation können Echtzeit-Datenqualitätsprüfungen erfordern, die unvermeidlich sind, um betrügerische oder doppelte Aktivitäten abzuwenden. Beispiel: jede Banktransaktion. Im Gegensatz zu einem Prozess mit geringeren Auswirkungen auf das Geschäft. In beiden Fällen muss man, so sehr Sie die Prinzipien des Datenqualitätsmanagements anwenden, die brennenden Bedürfnisse im Vergleich zu den anderen erkennen und die Aufgabe entsprechend angehen

Unternehmenseingliederung in jeder Phase:

Die Beteiligung der Geschäftsbeteiligten während der Datenqualitätsreise kann nicht stärker betont werden. Vom Beginn der DQ-Reise, auch bekannt als Qualitätsbewertung, bis hin zur Bereinigung und Deduplizierung der Daten, wird von der Geschäftsseite ein sehr hohes Maß an Beteiligung erwartet. Und es erübrigt sich zu erwähnen, dass das geschäftliche Engagement und Sponsoring für das Datenqualitätsprogramm die Wahrscheinlichkeit seines Erfolgs ausmacht

 Etablieren Sie einen Closed-Loop-Remediationsprozess:

Diese kontinuierliche Aktivität der Bewertung, Bereinigung und Organisation stellt sicher, dass die Daten jederzeit für den Zweck und die Verwendung geeignet sind, anstatt eine einmalige Aktivität oder eine Vergeltung für eine Fehlermeldung oder Eskalation durchzuführen

 Führen Sie agile Sprints ein:

Man kann die Kombination aus Agile und DQ als ein himmlisches Match bezeichnen. Die Annahme eines agilen Ansatzes in Ihrem Datenqualitätsprogramm kann dazu beitragen, die Latenzzeiten, die durch verzögertes Feedback von Stakeholdern entstehen, weitgehend zu reduzieren. Ein agiler Ansatz in DQ hilft, den gesamten Prozess zu beschleunigen, da die Business Stakeholder die Rolle des Produktmanagers übernehmen können und zusätzlich, da der Sprint auf einen bestimmten Geschäftsbereich fokussiert wäre, eine schnellere Analyse und damit schnellere Ergebnisse ermöglicht werden (Lesewert in Agile)

 Toolsets nutzen:

Das Erfassen riesiger Datenmengen aus unterschiedlichen Systemen und der Versuch, die Daten zu analysieren, um ihren wahren Wert zu erschließen, kann sich für Analysten als ziemlich schwierige Aufgabe erweisen, da der Prozess nicht nur manuell umständlich, sondern auch zeitineffizient und fehleranfällig ist. Mit einer Fülle von Toolsets, die für die Datenprofilerstellung und -bereinigung und das Data Wrangling verfügbar sind, ist es unerlässlich, dass Unternehmen in die richtige Art von Tool investieren, damit Unternehmen wirklich wertvolle Erkenntnisse auf die optimalste Weise liefern können

Ein kontinuierlicher Fokus auf Datenqualität ist jeden Cent der Investition wert, da er nicht nur dazu beiträgt, das Vertrauen des Unternehmens in die Daten zu stärken, sondern auch dazu beiträgt, die Vorteile aller anderen vorhandenen Unternehmenslösungen zu nutzen 

• SEO-gestützte Content- und PR-Distribution. Holen Sie sich noch heute Verstärkung.
• Platoblockkette. Web3-Metaverse-Intelligenz. Wissen verstärkt. Hier zugreifen.
• Quelle: https://www.finextra.com/blogposting/23987/data-quality–the-tipping-point?utm_medium=rssfinextra&utm_source=finextrablogs