“Gegevens zijn kostbaar en gaan langer mee dan de systemen zelf.” Zo gezegd

Tim Berners-Lee, de uitvinder van het World Wide Web. 'Kostbaar' op voorwaarde dat de gegevens inderdaad betrouwbaar en van gegarandeerde en consistente kwaliteit zijn. En klanten hebben ontegensprekelijk toegegeven dat datakwaliteit inderdaad de basis vormt van al hun initiatieven op het gebied van databeheer en analyse.

Maar waarom dan al die ophef rond Datakwaliteit en het spoor van ondernemen eromheen. . Wat klanten vaker wel dan niet verbijstert, is de enorme omvang van de controlepunten in elke fase van de gegevenslevenscyclus. Met een scala aan oplossingen voor gegevensbeheer die klanten binnen hun systeemlandschap hebben, namelijk. Data Warehouses, Data Marts, Master data management oplossingen, Data lakes en dergelijke, er lijkt een zekere mate van onzekerheid en scepsis te bestaan ​​over de aanpak voor Data Quality.

En als men naar de uitgestrektheid van de datalevenscyclus zou kijken, kunnen kwaliteitsproblemen op elk moment de kop opsteken, van de bron tot de ETL of elke middleware-transformatie tot de geconsolideerde datawarehouses en datalakes van de wereld en tot en met het vangt uiteindelijk de eindgebruiker of de klant op in een of andere vorm van rapportageanalyse, gebruikersscherm etc. en het is kaboom!!!!

Dus tussen de verscheidenheid aan gegevens en systemen die binnen ondernemingen bestaat, is er een vaste regel over wat waar en hoe de Data Quality-demon moet worden aangepakt. Nou heel, veel op de meeste van onze wensenlijst. maar dan, als wensen paarden waren... Het enige doel van een gegevenskwaliteitsprogramma zou moeten zijn om ervoor te zorgen dat heilige gegevens beschikbaar worden gesteld voor alle toepasselijke bedrijfsprocessen, of het nu gaat om interne of externe consumenten.

Hier is een lijst met belangrijke richtlijnen die kunnen helpen bij het sturen van de visie op gegevenskwaliteit van uw organisatie:

Categoriseer en prioriteer uw gegevens:

Onder de verschillende soorten gegevens die beschikbaar zijn, namelijk. Stamgegevens, transactie-/operationele gegevens, referentiegegevens, analytische gegevens, er kan een dringende drang zijn om de gegevens binnen de grenzen van de operationele of analytische systemen op te schonen, aangezien dat het dichtst bij is waar de gebruikers hun gegevens openen/gebruiken, maar dat noemen we een Een oplossing op korte termijn zou een understatement zijn, want men pakt het probleem tenslotte gewoon aan zoals en wanneer het zich voordoet en pakt het niet echt bij de kern aan. Het is eerder logischer om te kijken naar de categorie gegevens die inderdaad bedrijfsbreed wordt gebruikt en dat zou niemand minder zijn dan uw Master Business-entiteiten van Klant, Product, Leverancier, Werknemer, Activa en Locatie enz. Aldus Opschoning, Verrijking Match- en Survivorship-processen die op de stamgegevens worden toegepast, kunnen worden gebruikt om de beste versie van het stamrecord te creëren en zo een enkelvoudig, uniform en consistent beeld van uw belangrijkste bedrijfsentiteiten te bieden.

 Pas de controles vroeg in de levenscyclus toe:

Reinig de gegevens zo dicht mogelijk bij de bron en dat is een fundamentele best practice en natuurlijk een kwestie van afval erin en afval eruit. Het is altijd een betere strategie om de problemen met de gegevenskwaliteit zo dicht mogelijk bij de bron aan te pakken de bron zelf, want dat kan u veel moeite en kosten besparen. En hoezeer u ook kunt proberen de gegevens in uw bronsystemen op te schonen en te standaardiseren, u wilt liever vóór binnenkomst controles uitvoeren om de noodzaak van opschoning achteraf te omzeilen.

 Verschillende problemen Verschillende latenties:

Bepaalde kritieke processen binnen een organisatie kunnen real-time datakwaliteitscontroles vereisen, die onvermijdelijk zijn om frauduleuze of dubbele activiteiten te voorkomen. Voorbeeld is een banktransactie. In tegenstelling tot een proces dat minder impact heeft op het bedrijf. In beide gevallen, hoezeer je ook de principes van datakwaliteitsbeheer toepast, je moet de brandende behoeften ten opzichte van de andere erkennen en de taak dienovereenkomstig benaderen

Zakelijke inclusie in elke fase:

Er kan niet meer nadruk worden gelegd op de deelname van de zakelijke belanghebbenden tijdens het datakwaliteitstraject. Vanaf het begin van het DQ-traject, ook wel kwaliteitsbeoordeling genoemd, tot het opschonen en dedupliceren van de gegevens, wordt er een zeer hoge mate van betrokkenheid verwacht van de zakelijke kant. En het behoeft geen betoog dat de zakelijke inzet en sponsoring voor het Data Quality-programma de waarschijnlijkheid van het succes ervan aangeeft

 Breng een herstelproces met gesloten lus tot stand:

Deze doorlopende activiteit van beoordelen, opschonen en organiseren zorgt ervoor dat de gegevens te allen tijde geschikt zijn voor het doel en gebruik in plaats van een eenmalige activiteit uit te voeren of als vergelding voor een foutrapportage of escalatie

 Pas Agile Sprints toe:

De combinatie van Agile en DQ kan men een match made in heaven noemen. Door een agile benadering toe te passen in uw datakwaliteitsprogramma, kunt u de latentie grotendeels verminderen die ontstaat door vertraagde feedback van belanghebbenden. Een agile aanpak in DQ helpt het hele proces te versnellen, aangezien de Business Stakeholders de rol van productmanager kunnen spelen en bovendien, omdat de sprint gericht zou zijn op een bepaald bedrijfsgebied, maakt het snellere analyse en dus snellere resultaten mogelijk (lees waarde in Agile)

 Maak gebruik van toolsets:

Het vastleggen van enorme hoeveelheden gegevens uit ongelijksoortige systemen en proberen de gegevens te analyseren om de werkelijke waarde ervan te ontsluiten, kan een behoorlijk zware taak blijken te zijn voor analisten, aangezien het proces niet alleen handmatig omslachtig is, maar ook tijdinefficiënt en foutgevoelig. Met een overvloed aan toolsets die beschikbaar zijn voor dataprofilering en -opschoning, dataruzie, is het absoluut noodzakelijk dat bedrijven investeren in het juiste soort tool, waardoor bedrijven echt waardevolle inzichten op de meest optimale manier kunnen leveren

Een continue focus op datakwaliteit is elke cent van de investering waard, omdat het niet alleen zal helpen het bedrijf vertrouwen in data te geven, maar ook zal helpen om de vruchten te plukken van alle andere bedrijfsoplossingen die aanwezig zijn 

• Door SEO aangedreven content en PR-distributie. Word vandaag nog versterkt.
• Platoblockchain. Web3 Metaverse Intelligentie. Kennis versterkt. Toegang hier.
• Bron: https://www.finextra.com/blogposting/23987/data-quality–the-tipping-point?utm_medium=rssfinextra&utm_source=finextrablogs