Datakvalitet – The Tipping Point (Parvathy Menon)

"Data är en dyrbar sak och kommer att hålla längre än själva systemen." Så sade

Tim Berners-Lee, uppfinnaren av World Wide Web. "Precious" förutsatt att uppgifterna verkligen är pålitliga och av säker och konsekvent kvalitet. Och kunderna har obestridligen medgett det faktum att datakvalitet verkligen utgör grunden för all deras datahantering och Analytics-drivna initiativ

Men varför allt uppståndelse kring datakvalitet och spåret av företag kring det. . Det som förbryllar kunderna oftare än inte är de enorma kontrollpunkterna i varje skede av datalivscykeln. Med en rad datahanteringslösningar som kunden har inom sitt systemlandskap, dvs. Data Warehouses, Data Marts, Master Data Management-lösningar, Data Lakes och liknande, det verkar finnas en viss grad av osäkerhet och skepsis kring tillvägagångssättet för Data Quality.

Och om man skulle titta på omfattningen av datalivscykeln, kan kvalitetsproblem potentiellt uppstå vid varje tidpunkt, ända från källan till ETL eller alla middleware-transformationer till de konsoliderade datavaruhusen och datasjöarna i världen och tills det fångar äntligen slutanvändaren eller kunden i någon form av rapporteringsanalys, användarskärm etc. och dess kaboom!!!!

Så bland mängden data och system som finns inom företag, finns det någon hård och snabb regel om vad var och hur man ska tackla datakvalitetsdemonen. Tja, mycket, mycket på de flesta på vår önskelista. men sedan, om önskemålen var hästar……Det enda syftet med ett datakvalitetsprogram borde vara att säkerställa att sakrosankt data görs tillgänglig för alla tillämpliga affärsprocesser, oavsett om de är interna eller externa konsumenter.

Här är en lista med viktiga riktlinjer som kan hjälpa dig att styra din organisations datakvalitetsvision:

Kategorisera och prioritera dina data:

Bland de olika typerna av tillgängliga data, dvs. Masterdata, Transaktions-/Operationsdata, Referensdata, analytiska data, det kan finnas ett pressande behov av att rensa data inom gränserna för de operativa eller analytiska systemen eftersom det är det närmaste där användarna kommer åt/använder sina data, men kallar det en kortvarig lösning skulle vara en underdrift, eftersom man trots allt bara hanterar problemet när och när det kommer och inte riktigt tar itu med det i dess kärna. Det som snarare är bättre är att titta på den kategori av data som verkligen används i hela företaget och som skulle vara ingen annan än dina Master Business-enheter av kund, produkt, leverantör, anställd, tillgångar och plats etc. Alltså Rensning, Anrikning Matchnings- och överlevnadsprocesser som tillämpas på masterdata kan användas för att skapa den bästa versionen av masterposten och på så sätt ge en enda, enhetlig och konsekvent bild av dina viktigaste affärsenheter.

 Tillämpa kontrollerna tidigt i livscykeln:

Rensa data så nära källan som möjligt och nu är det en grundläggande bästa praxis och naturligtvis ett fall av skräp in och skräp ut. Det är alltid en bättre strategi att ta itu med datakvalitetsproblemen så nära källan eller för den delen på själva källan, eftersom det kan spara dig mycket ansträngning och kostnader. Och så mycket som du kan försöka rensa och standardisera data i dina källsystem, vill du hellre sätta in kontroller innan du går in för att undvika behovet av rensning post facto

 Olika problem Olika fördröjningar:

Vissa kritiska processer med ens organisation kan kräva kvalitetskontroller i realtid som är oundvikliga för att undvika bedrägliga eller dubbelsidiga aktiviteter. Exempel är vilken banktransaktion som helst. I motsats till en process som inte påverkar verksamheten mindre. I båda fallen, så mycket som du kan tillämpa principerna för datakvalitetshantering, måste man känna igen de brännande behoven jämfört med de andra och närma sig uppgiften därefter

Företagsinkludering i varje led:

Företagsintressenternas deltagande under datakvalitetsresan kan inte betonas mer. Redan från början av DQ-resan, alias kvalitetsbedömning till att rensa och deduplicera data, förväntas det mycket hög nivå av engagemang från affärssidan. Och onödigt att säga, affärsengagemang och sponsring för Data Quality-programmet anger sannolikheten för dess framgång

 Upprätta en sluten åtgärdsprocess:

Denna kontinuerliga pågående aktivitet av bedömning, rensning, organisering kommer att säkerställa att data är lämpliga för ändamål och användning vid alla tillfällen snarare än att utföra en engångsaktivitet eller som vedergällning mot en felrapportering eller eskalering

 Använd Agile Sprints:

Man kan kalla kombinationen Agile och DQ för en match made in heaven. Genom att använda ett agilt tillvägagångssätt i ditt datakvalitetsprogram kan du till stor del minska latensen som uppstår på grund av försenad feedback från intressenter. Ett agilt tillvägagångssätt i DQ hjälper till att påskynda hela processen eftersom Business Stakeholders kan spela rollen som produktchef och dessutom eftersom sprinten skulle fokuseras på ett visst affärsområde, möjliggör det snabbare analys och därmed snabbare resultat (läs värde i Agile)

 Utnyttja verktygsuppsättningar:

Att fånga in enorma mängder data från olika system och försöka analysera data för att låsa upp dess verkliga värde kan visa sig vara en ganska uppförsbacke uppgift för analytiker, eftersom processen inte bara är manuellt besvärlig, utan också tidsineffektiv och felbenägen. Med en uppsjö av verktygsuppsättningar tillgängliga för dataprofilering och rensning, datatvistelse, är det dock absolut nödvändigt att företag investerar i rätt typ av verktyg, vilket gör det möjligt för företag att verkligen leverera värdefulla insikter på det mest optimala sättet

Ett kontinuerligt fokus på datakvalitet är värt varenda krona av investeringen, eftersom det inte bara kommer att bidra till att ingjuta företagets förtroende för data utan också kommer att hjälpa till att skörda frukterna av alla andra företagslösningar som finns på plats 

• SEO-drivet innehåll och PR-distribution. Bli förstärkt idag.
• Platoblockchain. Web3 Metaverse Intelligence. Kunskap förstärkt. Tillgång här.
• Källa: https://www.finextra.com/blogposting/23987/data-quality–the-tipping-point?utm_medium=rssfinextra&utm_source=finextrablogs