Qualità dei dati: il punto critico (Parvathy Menon)

"I dati sono una cosa preziosa e dureranno più a lungo dei sistemi stessi." Così detto

Tim Berners-Lee, l'inventore del World Wide Web. "Prezioso" a condizione che i dati siano davvero affidabili e di qualità sicura e costante. E i clienti hanno indiscutibilmente riconosciuto il fatto che la qualità dei dati costituisce effettivamente la base di tutte le loro iniziative di gestione dei dati e guidate dall'analisi

Ma allora perché tutto il clamore attorno alla qualità dei dati e la scia di impegni attorno ad essa. . Ciò che spesso sconcerta i clienti è l'enormità dei punti di controllo in ogni singola fase del ciclo di vita dei dati. Con una serie di soluzioni di gestione dei dati che i clienti hanno nel loro panorama di sistema, vale a dire. Data Warehouse, Data Mart, Master Data Management Solutions, Data Lake e simili, sembra esserci un certo livello di incertezza e scetticismo sull'approccio alla Data Quality.

E se si dovesse osservare l'estensione del ciclo di vita dei dati, i problemi di qualità possono potenzialmente affiorare in ogni momento, dalla fonte all'ETL o qualsiasi trasformazione del middleware fino ai data warehouse consolidati e ai data lake del mondo e fino a finalmente cattura l'utente finale o il cliente in qualche forma di analisi dei rapporti, schermo dell'utente ecc.

Quindi, tra la varietà di dati e sistemi esistenti all'interno delle aziende, esiste una regola ferrea su cosa, dove e come affrontare il demone della qualità dei dati. Beh, molto, molto sulla maggior parte della nostra lista dei desideri. ma poi, se i desideri fossero cavalli... L'unico scopo di un programma di qualità dei dati dovrebbe essere quello di garantire che i dati sacrosanti siano resi disponibili per tutti i processi aziendali applicabili, siano essi consumatori interni o esterni.

Di seguito è riportato un elenco di linee guida chiave che possono aiutare a orientare la visione della qualità dei dati della tua organizzazione:

Classifica e assegna priorità ai tuoi dati:

Tra le varie tipologie di dati disponibili viz. Dati anagrafici, dati transazionali/operativi, dati di riferimento, dati analitici, potrebbe esserci un urgente bisogno di ripulire i dati entro i confini dei sistemi operativi o analitici poiché è il più vicino a cui gli utenti accedono/utilizzano i propri dati, ma chiamandolo a una soluzione a corto raggio sarebbe un eufemismo, perché dopotutto si sta solo affrontando il problema come e quando si presenta e non lo si affronta davvero al centro. Piuttosto, ciò che ha più senso è esaminare la categoria di dati che viene effettivamente utilizzata a livello aziendale e che non sarebbe altro che le entità aziendali principali di cliente, prodotto, fornitore, dipendente, attività e posizione ecc. Quindi pulizia, arricchimento I processi Match e Survivorship applicati ai dati anagrafici possono essere utilizzati per creare la versione migliore del record anagrafico e quindi fornire una visione unica, unificata e coerente delle principali entità aziendali.

 Applicare i controlli all'inizio del ciclo di vita:

Pulisci i dati il ​​più vicino possibile alla fonte e ora questa è una best practice fondamentale e, naturalmente, un caso di immondizia in entrata e in uscita. È sempre una strategia migliore per affrontare i problemi di qualità dei dati il ​​​​più vicino alla fonte o per quella materia a la fonte stessa, poiché ciò può farti risparmiare un sacco di sforzi e spese. E per quanto tu possa tentare di ripulire e standardizzare i dati nei tuoi sistemi di origine, preferiresti effettuare controlli prima dell'immissione in modo da eludere la necessità di ripulire post facto

 Problemi diversi Latenze diverse:

Alcuni processi critici con la propria organizzazione possono richiedere controlli della qualità dei dati in tempo reale che sono inevitabili per evitare attività fraudolente o doppie. Ad esempio qualsiasi transazione bancaria. Al contrario di un processo di minore impatto sul business. In entrambi i casi, per quanto si possano applicare i principi della gestione della qualità dei dati, è necessario riconoscere le esigenze scottanti rispetto agli altri e affrontare il compito di conseguenza

Inclusione aziendale in ogni fase:

La partecipazione degli stakeholder aziendali durante il percorso di qualità dei dati non può essere più sottolineata. Fin dall'inizio del viaggio DQ, ovvero la valutazione della qualità, fino alla pulizia e alla deduplicazione dei dati, è previsto un livello di coinvolgimento molto elevato dal lato aziendale. E inutile dirlo, l'impegno e la sponsorizzazione dell'azienda per il programma di qualità dei dati indica la probabilità del suo successo

 Stabilire un processo di riparazione a circuito chiuso:

Questa continua attività di valutazione, pulizia, organizzazione assicurerà che i dati siano sempre adatti allo scopo e all'uso, piuttosto che condurre un'attività una tantum o come rappresaglia a una segnalazione di errore o a un'escalation

 Adotta gli Agile Sprint:

Si può definire la combinazione di Agile e DQ una partita fatta in paradiso. L'adozione di un approccio agile nel programma di qualità dei dati può aiutare a ridurre in gran parte la latenza che emerge dal feedback ritardato delle parti interessate. Un approccio agile in DQ aiuta ad accelerare l'intero processo poiché gli stakeholder aziendali possono svolgere il ruolo di product manager e inoltre, poiché lo sprint sarebbe focalizzato su una particolare area di business, consente un'analisi più rapida e quindi risultati più rapidi (leggere il valore in Agile)

 Sfrutta i set di strumenti:

L'acquisizione di grandi quantità di dati da sistemi disparati e il tentativo di analizzarli in modo da sbloccarne il vero valore può rivelarsi un compito piuttosto arduo per gli analisti, poiché il processo non è solo macchinoso manualmente, ma anche inefficiente e soggetto a errori. Con una pletora di set di strumenti disponibili per la profilazione e la pulizia dei dati, è imperativo che le aziende investano nel giusto tipo di strumento, consentendo alle aziende di fornire veramente informazioni preziose nel modo più ottimale

Un'attenzione continua alla qualità dei dati vale ogni centesimo dell'investimento, poiché non solo contribuirà a infondere fiducia nei dati dell'azienda, ma contribuirà anche a raccogliere i vantaggi di tutte le altre soluzioni aziendali esistenti 

• Distribuzione di contenuti basati su SEO e PR. Ricevi amplificazione oggi.
• Platoblockchain. Web3 Metaverse Intelligence. Conoscenza amplificata. Accedi qui.
• Fonte: https://www.finextra.com/blogposting/23987/data-quality–the-tipping-point?utm_medium=rssfinextra&utm_source=finextrablogs