Tietojen laatu – kääntöpiste (Parvathy Menon)

"Data on arvokas asia ja kestää kauemmin kuin järjestelmät itse." Niin sanottu

Tim Berners-Lee, World Wide Webin keksijä. "Precious" edellyttäen, että tiedot ovat todella luotettavia ja taattua ja tasalaatuista. Ja asiakkaat ovat kiistatta myöntäneet, että tietojen laatu todellakin muodostaa perustan kaikille heidän tiedonhallintaan ja Analyticsiin perustuville aloitteilleen.

Mutta miksi sitten se raivo datan laadusta ja sen ympärillä olevista yrityksistä. . Asiakkaita hämmentää useammin tarkastuspisteiden valtava määrä datan elinkaaren jokaisessa vaiheessa. Asiakkailla on useita tiedonhallintaratkaisuja järjestelmäympäristössään. Data Warehouses, Data Marts, Master datan hallintaratkaisut, Data Lakes ja muut vastaavat, näyttää olevan jonkin verran epävarmuutta ja skeptisyyttä tiedon laadun lähestymistavasta.

Ja jos tarkastellaan datan elinkaaren laajuutta, laatuongelmat voivat ilmetä jokaisessa vaiheessa, aina lähteestä ETL:ään tai mistä tahansa väliohjelmiston muunnoksista maailman konsolidoituihin tietovarastoihin ja tietojärviin asti. se saa vihdoin kiinni loppukäyttäjän tai asiakkaan jossain muodossa raportointianalytiikassa, käyttäjänäytössä jne. ja sen kaboom!!!!

Joten yrityksissä olevien tietojen ja järjestelmien joukossa on olemassa mitään tiukkaa sääntöä siitä, missä ja miten datan laadun demoniin puututaan. Hyvin, paljon useimmilla toivelistallamme. mutta sitten, jos toiveet olisivat hevosia……Tiedonlaatuohjelman ainoan tarkoituksen tulisi olla varmistaa, että pyhää dataa on saatavilla kaikissa sovellettavissa liiketoimintaprosesseissa, olivatpa ne sitten sisäisiä tai ulkoisia kuluttajia.

Tässä on luettelo tärkeimmistä ohjeista, jotka voivat auttaa ohjaamaan organisaatiosi tiedonlaatuvisiota:

Luokittele ja priorisoi tietosi:

Saatavilla olevien erityyppisten tietojen joukossa mm. Perustiedot, tapahtuma-/toimintatiedot, viitetiedot, analyyttiset tiedot, voi olla pakottava tarve puhdistaa tiedot operatiivisten tai analyyttisten järjestelmien rajoissa, koska se on lähin paikka, jossa käyttäjät pääsevät käsiksi/käyttämään tietojaan, mutta sitä kutsutaan Lyhyen kantaman ratkaisu olisi vähättelyä, koska loppujen lopuksi ongelmaa käsitellään vain silloin, kun se tulee, eikä sitä käsitellä sen ytimessä. Pikemminkin järkevämpää on tarkastella tietoluokkaa, jota todellakin käytetään koko yrityksen laajuisesti ja jotka eivät olisi ketään muuta kuin pääliiketoimintasi asiakas, tuote, toimittaja, työntekijä, omaisuus ja sijainti jne. Siten puhdistaminen, rikastaminen Perustietoihin sovellettavia Match- ja Survivorship-prosesseja voidaan käyttää parhaan version luomiseen perustietueesta ja siten yhtenäisen, yhtenäisen ja johdonmukaisen näkemyksen muodostamiseksi tärkeimmistä liiketoimintakokonaisuuksistasi.

 Ota tarkistukset käyttöön elinkaaren varhaisessa vaiheessa:

Puhdista tiedot mahdollisimman läheltä lähdettä, ja nyt se on perustavanlaatuinen paras käytäntö ja tietysti roskien sisään- ja ulostulotapaukset. On aina parempi strategia käsitellä tietojen laatuongelmat mahdollisimman lähellä lähdettä tai osoitteessa itse lähde, koska se voi säästää paljon vaivaa ja kustannuksia. Ja niin paljon kuin voit yrittää puhdistaa ja standardoida tietoja lähdejärjestelmistäsi, haluat mieluummin tehdä tarkistuksia ennen sisäänkirjautumista välttääksesi jälkipuhdistuksen tarpeen.

 Erilaiset ongelmat eri viiveet:

Tietyt kriittiset prosessit organisaation kanssa voivat vaatia reaaliaikaisia ​​tietojen laaduntarkastuksia, jotka ovat väistämättömiä vilpillisten tai päällekkäisten toimintojen välttämiseksi. Esimerkkinä mikä tahansa pankkitapahtuma. Toisin kuin vähemmän liiketoimintaan vaikuttava prosessi. Molemmissa tapauksissa, niin paljon kuin soveltaa tiedon laadunhallinnan periaatteita, täytyy tunnistaa polttavat tarpeet vs. muut ja lähestyä tehtävää sen mukaisesti

Liiketoiminnan sisällyttäminen jokaiseen vaiheeseen:

Liiketoiminnan sidosryhmien osallistumista datan laatumatkalle ei voi enempää korostaa. Heti DQ-matkan eli laadunarvioinnin alusta alkaen tietojen puhdistamiseen ja kopioinnin poistamiseen on odotettavissa erittäin korkeaa osallistumistasoa yritysten puolelta. Sanomattakin on selvää, että Data Quality -ohjelman liiketoiminnan sitoutuminen ja sponsorointi kertoo sen onnistumisen todennäköisyydestä

 Suljetun kierron korjausprosessin luominen:

Tämä jatkuva jatkuva arviointi-, puhdistus- ja organisointitoiminta varmistaa, että tiedot ovat aina tarkoituksenmukaisia ​​ja käyttökelpoisia sen sijaan, että suoritettaisiin yksittäistä toimintaa tai kostoksi virheraportoinnille tai eskalaatiolle.

 Ota käyttöön ketterät sprintit:

Agilen ja DQ:n yhdistelmää voidaan kutsua taivaassa tehdyksi otteluksi. Ketterän lähestymistavan ottaminen käyttöön datan laatuohjelmassa voi auttaa suuresti vähentämään viivettä, joka syntyy sidosryhmien viivästyneen palautteen vuoksi. Ketterä lähestymistapa DQ:ssa auttaa nopeuttamaan koko prosessia, koska liiketoiminnan sidosryhmät voivat toimia tuotepäällikkönä ja lisäksi, koska sprintti keskittyisi tiettyyn liiketoiminta-alueeseen, se mahdollistaa nopeamman analyysin ja siten nopeammat tulokset (Agilessa lukuarvo)

 Hyödynnä työkalusarjat:

Valtavien tietomäärien kaappaaminen erilaisista järjestelmistä ja tietojen analysointi sen todellisen arvon avaamiseksi voi osoittautua analyytikoille melkoisen ylämäkeen tehtäväksi, koska prosessi ei ole vain manuaalisesti raskas, vaan myös aikatehoton ja virhealtis. Koska käytettävissä on lukuisia työkalusarjoja tietojen profilointiin ja puhdistamiseen sekä tietojen riitelemiseen, on kuitenkin välttämätöntä, että yritykset investoivat oikeanlaisiin työkaluihin, jotta yritykset voivat todella tarjota arvokkaita oivalluksia parhaalla mahdollisella tavalla.

Jatkuva keskittyminen tietojen laatuun on jokaisen sijoitetun pennin arvoinen, sillä se ei vain lisää yritysten luottamusta tietoihin, vaan auttaa myös saamaan hyödyt kaikista muista olemassa olevista yritysratkaisuista. 

• SEO-pohjainen sisällön ja PR-jakelu. Vahvista jo tänään.
• Platoblockchain. Web3 Metaverse Intelligence. Tietoa laajennettu. Pääsy tästä.
• Lähde: https://www.finextra.com/blogposting/23987/data-quality–the-tipping-point?utm_medium=rssfinextra&utm_source=finextrablogs