Ποιότητα δεδομένων – Το σημείο αιχμής (Parvathy Menon)

«Τα δεδομένα είναι πολύτιμο πράγμα και θα διαρκέσουν περισσότερο από τα ίδια τα συστήματα». Έτσι είπε

Tim Berners-Lee, ο εφευρέτης του World Wide Web. «Πολύτιμο» υπό τον όρο ότι τα δεδομένα είναι πράγματι αξιόπιστα και σίγουρης και σταθερής ποιότητας. Και οι πελάτες έχουν αναμφισβήτητα παραδεχτεί το γεγονός ότι η Ποιότητα Δεδομένων αποτελεί όντως τη βάση όλων των πρωτοβουλιών τους για τη διαχείριση δεδομένων και το Analytics

Αλλά τότε γιατί όλη η αναταραχή γύρω από την ποιότητα των δεδομένων και το μονοπάτι της δέσμευσης γύρω από αυτήν. . Αυτό που μπερδεύει τους πελάτες τις περισσότερες φορές, είναι το τεράστιο μέγεθος των σημείων ελέγχου σε κάθε στάδιο του κύκλου ζωής των δεδομένων. Με μια σειρά λύσεων διαχείρισης δεδομένων που έχει ο πελάτης στο τοπίο του συστήματός του, π.χ. Data Warehouses, Data Marts, Master λύσεις διαχείρισης δεδομένων, Data Lakes και παρόμοια, φαίνεται να υπάρχει κάποιο επίπεδο αβεβαιότητας και σκεπτικισμού σχετικά με την προσέγγιση για την ποιότητα δεδομένων.

Και αν κοιτάξουμε την έκταση του κύκλου ζωής των δεδομένων, τα προβλήματα ποιότητας μπορούν ενδεχομένως να προκύψουν σε κάθε συγκυρία, από την πηγή έως το ETL ή οποιουσδήποτε μετασχηματισμούς μεσαίου λογισμικού στις ενοποιημένες αποθήκες δεδομένων και λίμνες δεδομένων του κόσμου και μέχρι τελικά πιάνει τον τελικό χρήστη ή τον πελάτη σε κάποια μορφή αναλύσεων αναφοράς, οθόνης χρήστη κ.λπ. και το kaboom του!!!!

Έτσι, μεταξύ της ποικιλίας δεδομένων και συστημάτων που υπάρχουν στις επιχειρήσεις, υπάρχει κάποιος σκληρός και γρήγορος κανόνας σχετικά με το πού και πώς να αντιμετωπίσετε τον δαίμονα της ποιότητας δεδομένων. Λοιπόν, πάρα πολύ στη λίστα επιθυμιών μας. αλλά στη συνέχεια, αν το επιθυμούσατε ήταν άλογα……Ο μοναδικός σκοπός ενός προγράμματος ποιότητας δεδομένων θα πρέπει να είναι να διασφαλίσει ότι τα ιερά δεδομένα καθίστανται διαθέσιμα για όλες τις εφαρμοστέες επιχειρηματικές διαδικασίες είτε είναι εσωτερικοί είτε εξωτερικοί καταναλωτές.

Ακολουθεί μια λίστα με βασικές κατευθυντήριες γραμμές που μπορούν να σας βοηθήσουν να κατευθύνετε το όραμα για την ποιότητα δεδομένων του οργανισμού σας:

Κατηγοριοποιήστε και ιεραρχήστε τα δεδομένα σας:

Μεταξύ των διαφόρων τύπων διαθέσιμων δεδομένων π.χ. Κύρια δεδομένα, δεδομένα συναλλαγών/επιχειρησιακά, δεδομένα αναφοράς, αναλυτικά δεδομένα, θα μπορούσε να υπάρξει μια πιεστική παρόρμηση για καθαρισμό των δεδομένων εντός των ορίων των λειτουργικών ή αναλυτικών συστημάτων, καθώς εκεί είναι το πλησιέστερο σημείο όπου οι χρήστες έχουν πρόσβαση/χρησιμοποιούν τα δεδομένα τους, αλλά Η λύση σύντομης εμβέλειας θα ήταν μια υποτίμηση, γιατί τελικά κάποιος αντιμετωπίζει το πρόβλημα όπως και όταν έρθει και δεν το αντιμετωπίζει πραγματικά στον πυρήνα του. Αυτό που έχει περισσότερο νόημα είναι να εξετάσετε την κατηγορία των δεδομένων που όντως χρησιμοποιούνται σε ολόκληρη την επιχείρηση και δεν θα ήταν άλλη από τις κύριες επιχειρηματικές σας οντότητες Πελάτη, Προϊόν, Προμηθευτή, Υπάλληλο, Περιουσιακά Στοιχεία και Τοποθεσία κ.λπ. Έτσι Καθαρισμός, Εμπλουτισμός Οι διεργασίες Match και Survivorship που εφαρμόζονται στα δεδομένα Master μπορούν να χρησιμοποιηθούν για τη δημιουργία της καλύτερης έκδοσης του κύριου αρχείου και έτσι να παρέχουν μια ενιαία, ενοποιημένη και συνεπή προβολή των βασικών επιχειρηματικών οντοτήτων σας.

 Εφαρμόστε τους ελέγχους νωρίς στον κύκλο ζωής:

Καθαρίστε τα δεδομένα όσο το δυνατόν πιο κοντά στην πηγή και τώρα αυτή είναι μια θεμελιώδης βέλτιστη πρακτική και φυσικά μια περίπτωση σκουπιδιών μέσα και έξω . Είναι πάντα μια καλύτερη στρατηγική να αντιμετωπίζετε τα ζητήματα ποιότητας των δεδομένων όσο πιο κοντά στην πηγή ή για αυτό το θέμα στο η ίδια η πηγή, καθώς αυτό μπορεί να σας εξοικονομήσει πολύ κόπο και έξοδα. Και όσο μπορείτε να προσπαθήσετε να καθαρίσετε και να τυποποιήσετε τα δεδομένα στα συστήματα προέλευσης, θα προτιμούσατε να κάνετε ελέγχους πριν από την είσοδο, ώστε να αποφύγετε την ανάγκη εκ των υστέρων εκκαθάρισης

 Διαφορετικά προβλήματα Διαφορετικές καθυστερήσεις:

Ορισμένες κρίσιμες διαδικασίες με τον οργανισμό κάποιου μπορεί να απαιτούν ελέγχους ποιότητας δεδομένων σε πραγματικό χρόνο, οι οποίοι είναι αναπόφευκτοι, προκειμένου να αποφευχθούν τυχόν δόλιες ή διττές δραστηριότητες. Για παράδειγμα, οποιαδήποτε τραπεζική συναλλαγή. Σε αντίθεση με μια διαδικασία που επηρεάζει λιγότερο τις επιχειρήσεις. Και στις δύο περιπτώσεις, όσο κι αν εφαρμόζετε τις αρχές της διαχείρισης ποιότητας δεδομένων, πρέπει να αναγνωρίζετε τις καίριες ανάγκες έναντι των άλλων και να προσεγγίζετε ανάλογα την εργασία

Επιχειρηματική ένταξη σε κάθε στάδιο:

Η συμμετοχή των ενδιαφερομένων της επιχείρησης κατά τη διάρκεια του ταξιδιού ποιότητας δεδομένων δεν μπορεί να τονιστεί περισσότερο. Από την αρχή του ταξιδιού DQ, γνωστό και ως Αξιολόγηση ποιότητας έως τον καθαρισμό και την αποδιπλοποίηση των δεδομένων, αναμένεται πολύ υψηλό επίπεδο συμμετοχής από την πλευρά των επιχειρήσεων. Και περιττό να πούμε ότι η επιχειρηματική δέσμευση και χορηγία για το πρόγραμμα Data Quality καθορίζει την πιθανότητα επιτυχίας του

 Καθιερώστε μια διαδικασία αποκατάστασης κλειστού βρόχου:

Αυτή η συνεχής συνεχής δραστηριότητα αξιολόγησης, καθαρισμού, οργάνωσης θα διασφαλίσει ότι τα δεδομένα είναι κατάλληλα για το σκοπό και τη χρήση ανά πάσα στιγμή αντί να διεξάγουν μια εφάπαξ δραστηριότητα ή ως αντίποινα για αναφορά σφαλμάτων ή κλιμάκωση

 Υιοθετήστε τα Agile Sprints:

Μπορεί κανείς να ονομάσει τον συνδυασμό Agile και DQ match made in heaven. Η υιοθέτηση μιας ευέλικτης προσέγγισης στο πρόγραμμα ποιότητας δεδομένων σας μπορεί να συμβάλει σε μεγάλο βαθμό στη μείωση του λανθάνοντος χρόνου που προκύπτει από την καθυστερημένη ανατροφοδότηση από τα ενδιαφερόμενα μέρη. Μια ευέλικτη προσέγγιση στο DQ βοηθά στην επιτάχυνση της όλης διαδικασίας, καθώς οι Business Stakeholders μπορούν να παίξουν τον ρόλο του διαχειριστή προϊόντων και επιπλέον, δεδομένου ότι το σπριντ θα εστιαζόταν σε μια συγκεκριμένη επιχειρηματική περιοχή, επιτρέπει ταχύτερη ανάλυση και, επομένως, ταχύτερα αποτελέσματα (ανάγνωση αξίας στο Agile)

 Μόχλευση σετ εργαλείων:

Η σύλληψη τεράστιων ποσοτήτων δεδομένων από διαφορετικά συστήματα και η προσπάθεια ανάλυσης των δεδομένων ώστε να ξεκλειδωθεί η πραγματική τους αξία μπορεί να αποδειχθεί πολύ δύσκολη υπόθεση για τους αναλυτές, καθώς η διαδικασία δεν είναι μόνο χειροκίνητη, αλλά και χρονικά αναποτελεσματική και επιρρεπής σε σφάλματα. Με μια πληθώρα διαθέσιμων εργαλείων για τη δημιουργία προφίλ και τον καθαρισμό δεδομένων, τη διαμάχη δεδομένων, είναι επιτακτική ανάγκη οι επιχειρήσεις να επενδύσουν στο σωστό είδος εργαλείου, επιτρέποντας στις επιχειρήσεις να προσφέρουν πραγματικά πολύτιμες πληροφορίες με τον βέλτιστο τρόπο

Η συνεχής εστίαση στην ποιότητα των δεδομένων αξίζει κάθε δεκάρα της επένδυσης, καθώς όχι μόνο θα συμβάλει στην ενστάλαξη της εμπιστοσύνης της επιχείρησης στα δεδομένα, αλλά θα βοηθήσει επίσης να αποκομίσει τα οφέλη από όλες τις άλλες επιχειρηματικές λύσεις που υπάρχουν 

• SEO Powered Content & PR Distribution. Ενισχύστε σήμερα.
• Platoblockchain. Web3 Metaverse Intelligence. Ενισχύθηκε η γνώση. Πρόσβαση εδώ.
• πηγή: https://www.finextra.com/blogposting/23987/data-quality–the-tipping-point?utm_medium=rssfinextra&utm_source=finextrablogs