İşletmenin ve tüketicinin verinin kullanışlılığına olan güveninin derecesi olan Veri Kalitesi (DQ), işle ilgili içgörüler elde etme ve riski yönetme konusunda önemli bir nokta olmaya devam ediyor. Son araştırmalara göre ortalama 15 saat Belirli bir Veri Kalitesi sorununu veya olayını çözmek için 2024 ve sonrasında gelirin %25 veya daha fazlası DQ sorunlarına tabi olacaktır.

Bu zorluklara yanıt olarak, %50 Kuruluşların oranı yapay zeka ve otomasyon çözümlerini uygulamayı planlıyor: veri zenginleştirme. Veri zenginleştirme, Veri Kalitesini iyileştirmek ve daha kapsamlı içgörüler oluşturmak için mevcut veri kümelerini artıran süreçleri ve etkinlikleri tanımlar.

Zenginleştirme, birçok şeyin gösterdiği gibi, popüler bir talep olmaya devam ediyor 19 Her 20 müşteri deneyimi (CX) lideri buna yatırım yapıyor veya yapmayı planlıyor. Ek olarak, şirketler şunu buluyor: %10 Veri zenginleştirme yoluyla müşteri adayı kalitesinin iyileştirilmesi, satış gelirinde %40'lık bir artışla sonuçlanabilir. 

Ancak veri iyileştirme her şeyi çözebilecek sihirli bir değnek değil. Veri Kalitesi sorunları. Veri Kalitesi avantajlarından gerçek anlamda yararlanmak için iş adamlarının, Veri Kalitesi ile veri zenginleştirme arasındaki farkları, bunların birbirini nasıl tamamladığını ve bir Veri Kalitesi taktiği olarak verilerin nasıl zenginleştirileceğini anlaması gerekir. 

Veri Kalitesini Tutarlılıkla Anlamak

Veri Kalitesini tanımlamaları istendiğinde, iş adamları genellikle iş hedeflerini tamamlamak ve başarıya ulaşmak için kullanabilecekleri verilere sahip olduklarını açıklar. Ancak her kişi, gördüğü sorunlara, gereksinimlere ve sorunun sorulduğu zamana bağlı olarak iyi bir DQ'yu biraz farklı yorumlayabilir. 

Bu karışıklığın bir kısmı DQ'nun nasıl değerlendirilebileceğiyle açıklanabilir. İş birimleri, kabul edilebilir verileri doğruluk, tamlık, tutarlılık, bütünlük, benzersizlik ve geçerlilik dahil olmak üzere çeşitli boyutlarda ölçer. Her takım, çeşitli nitelikler için farklı bir DQ göstergeleri kombinasyonu kullanabilir veya bunları farklı şekilde ağırlıklandırabilir.

Üstelik, iyi bir hedef DQ'yu oluşturan unsurlar, özellikle iş ve Veri Stratejisi belirsizdir. Bir şirketin satış elemanlarının kolaylıkla satış yapmasına şaşmamalı. %85 Yanlış müşteri verileri ve çelişkili bilgilere sahip sistemlerde yinelenen kayıtlar nedeniyle utanç verici hatalar. 

Bu nedenle, her işletmenin, özellikle de herhangi bir harici veri kaynağının muhtemelen benzersiz DQ tanımına sahip olduğu durumlarda, DQ konusunda tutarlı bir anlayışa sahip olması çok önemlidir. Dünyanın en iyi bilinen kuruluşlarının çoğunun danışmanı olan William McKnight'ın da belirttiği gibi Webinar, DQ iyileştirmeleri, insanlar daha temiz verilerin neye benzediğini bildiklerinde ve buna ulaşmak için harekete geçtiklerinde gerçekleşir. Bu tutarlı DQ açıklaması, mevcut verilerin desteklenip desteklenmeyeceğini ve ne zaman destekleneceğini bilmek açısından çok önemlidir. 

Veri Zenginleştirmeyi Anlamak

Veri zenginleştirme, entegrasyon süreçlerini ve eylemlerini kapsayan bir Veri Kalitesi taktiğidir artırmak için gerekli mevcut veri kümeleri. Şirketler, eksik boşlukları doldurmak, bağlamsal nüansları kavramak ve genellikle potansiyel veya aktif bir müşteri olan bir varlığı tanımlamak için ek ayrıntılar eklemek için verilerini geliştirir. Herhangi bir amaç için kuruluşlar hangi verilerin destekleneceğine karar verme hakkına sahiptir.

İşletmeler, kritik nitelikleri hedef alan ve iş hedefleriyle uyumlu içgörüler sağlayan farklı veri zenginleştirme türlerini benimser. Zenginleştirme türlerine örnekler şunları içerir:

Veri zenginleştirme genellikle diğer iş Veri Kalitesi taktikleriyle uyumludur. Bu süreç sırasında BT veya teknoloji ekibi, entegrasyon öncesinde üçüncü taraf verilerini veya dış veri formatlarını standartlaştırır. 

Bu süreç, harici verilerin ayıklanmasını ve dönüştürülmesini, böylece bu verileri alan sistemlerin okuyabilmesini ve anlayabilmesini içerir. Çıkarma, Dönüştürme ve Yükleme işleminin son adımı olarak (ETL), uygulama dış verileri iç sistemlere ekleyerek mevcut verileri ekler.

Veri Zenginleştirme Veri Kalitesiyle Nasıl Çalışır?

Veri zenginleştirmenin etkinliği Veri Kalitesini etkileyebilir veya etkilemeyebilir. Sonuçlar, DQ hedefleri, eklenen veri seti, bu verilerin nasıl entegre edildiği ve veri setinin zenginleştirme öncesindeki kalibresi gibi çeşitli faktörlere bağlıdır.

Bu noktayı açıklamak için, yardımıyla oluşturulan bir örneği ele alalım. GPT sohbeti. Bir şirket, aşağıda gösterildiği gibi pazarlama departmanı kayıtlarıyla süreci başlatır:

Yaklaşan bir kampanya için Veri Kalitesini artırmak amacıyla şirketin yöneticisi, eksik e-postaları doldurmak ve yaşla ilgili ek ayrıntılar toplamak için üçüncü taraf verilerini satın alıyor. Kuruluşun mevcut verilerine başka hiçbir şey yapılmaz. Veri zenginleştirmenin tamamlanmasının ardından BT, güncellenen müşteri kayıtlarını çabaları için pazarlamaya iletir.

Pazarlamacılar 40 yaşın üzerindeki müşterileri hedefleyebilirken, zenginleştirilmiş verilerin kullanılması zorlayıcıdır. Bay Johnson'ın ilk adı Mike mı? Sarah Miller'ın e-postası sarah.miller@verizon.com'dan email.com adresine doğru şekilde güncellendi mi? Pazarlamacıların veri koruma yasalarına uyum sağlamak için kişisel bir e-posta adresi yerine kurumsal bir e-posta adresine ihtiyacı varsa ne olur?

Pazarlamacılar veya BT, verileri manuel olarak tamamlayabilir veya tutarsızlıkları düzeltmek için bir Veri Kalitesi aracı kullanabilir. Ancak kurumsal bir e-posta adresi almak, geriye dönük olarak eklemek özellikle zaman alıcı olacaktır.

Bu örnekte, veri zenginleştirme Veri Kalitesini etkilemedi veya azaltmadı. Ancak sonuçları sıralamak şirket için daha maliyetli oluyor. Binlerce kayıt arasında ölçeklendirildiğinde bu taktiğin sonuçları veri karmaşasına yol açar.

Sağlam Bir Veri Kalitesi Programının Uygulanması 

Yukarıdaki örnek, şirketlerin neden sağlam bir uygulama uygulamasına ihtiyaç duyduğunu göstermektedir. Veri Kalitesi programı zenginleştirmeden önce. Veri görevlileri Tutarlı bir DQ tanımına göre veri kümelerini yönetmek ve iyi durumda tutmakla görevlendirildikleri için bu çabanın merkezinde yer alıyorlar. 

Veri sorumluları, sorumlu kişiler aracılığıyla bir DQ programında çalışırlar. Veri yönetimi, şirket ekipleri arasındaki veri rollerini, iletişimleri, süreçleri ve ölçümleri resmileştiren ve uyumlu hale getiren bir hizmet. Sorumlu Veri Yönetişimi, Veri Kalitesi programına rehberlik eder ve veri zenginleştirme dahil amacını, temel bileşenlerini ve DQ taktiklerini destekler. 

Örneğin yukarıdaki örnekte pazarlama ekibini düşünün. Ekip, Veri Yönetişimi hizmetleri aracılığıyla pazarlama ekibinden bir veri sorumlusu atayabilir, şirketi güncelleyebilir ve veri temizleme süreçlerini otomatikleştirebilir. Bu şekilde, herhangi bir zenginleştirme sürecine başlamadan önce şirket, ad ve e-posta gibi kritik ayrıntıların eksik olduğu girişleri işaretleyebilir ve çözebilir.

Tutarlı bir DQ tanımına ulaşmak yinelemeli olduğundan, şirketlerin düzenli Yanlış verilerden kaynaklanan riskleri azaltmak için DQ'yu izleyin ve düzeltin, daha fazla kayıt eklemeden önce verilerinde yeterli güven ve bütünlüğü sağlayın. Özellikle şirketler akışlı veya gerçek zamanlı veriler topladıkça, verileri rutin olarak değerlendirmeli ve temizlemelidirler.

Ayrıca, sorumlu Veri Yönetişimi tarafından sunulan bir DQ programına sahip olmak, GDPR gibi veri düzenlemelerini ihlal etme riskini en aza indirir. Örneğin, diğer kaynaklardan alınan ek demografik verilerin Avrupalı ​​müşterilere açık rıza olmadan entegre edilmesi, önemli para cezaları. Bir kaynaktan diğerine veri aktarımı tabidir zenginleştirmeden önce Veri Hükümeti hizmetlerini içeren bir DQ programını zorunlu hale getirerek yasal korumaya yöneliktir.

Veri Kalitesini Artırmak İçin Veri Zenginleştirmeyi Uygulama

Bir kuruluş sağlam bir Veri Kalitesi programı oluşturduktan ve küçük ve hedeflenmiş olsa bile yeterli veri varlıklarına sahip olma konusunda yeterli ilerleme kaydettikten sonra, daha fazla DQ iyileştirmesi için veri zenginleştirmeyi düşünmelidir. Bu taktik, iyi uygulandığında gelişmiş ayrıntı düzeyi yoluyla gelişmiş DQ'ya katkıda bulunur. Örnekler aşağıdakileri içerir:

• Vevo uygulandı hedeflenen reklamlar AnalyticsIQ kimlik verilerini kullanarak 35 Bağlantılı TV (CTV) platformunda pazar segmentasyonu.
• Bir tema parkı, araba kullanarak KOVİD-19 salgını sırasında katılımını ve gelirini artırdı %15 daha yüksek dönüşümler, %117 daha yüksek açılış sayfası görüntülemeleri ve açılış sayfası görüntüleme başına %62 daha düşük maliyet.
• Birleşmiş Milletler kabul etti 15 yıllık sürdürülebilir Sürdürülebilir Kalkınma Hedefleri (SDG'ler) dahil olmak üzere plan ve performans göstergeleri etrafında Veri Kalitesinin iyileştirilmesi, böylece diğer ülkelerin kanıta dayalı stratejik kararlar almasına yardımcı olabilmeleri sağlandı.
• Sigorta acenteleri coğrafi zenginleştirmeden yararlanarak şunları ekledi: konum bilgisi müşterilerine. Bu uygulama, mülkiyet risklerinin daha kapsamlı değerlendirilmesine olanak tanıdı ve sigorta oranlarının daha gerçekçi olmasını sağladı.
• American Express, dolandırıcılık işlemlerini önemli ölçüde azalttı %60 Veri zenginleştirme yoluyla. Şirket, satıcılar tarafından sağlanan IP adreslerini, e-posta adreslerini ve teslimat adreslerini ekleyerek verilerini bağlamla destekledi. American Express, bu gelişmiş verileri sistemlerinde depolanan bilgilerle çapraz referanslayarak dolandırıcılığın önlenmesinde başarılı bir kullanım örneği sergiledi.

Sonuç

Yukarıdaki kullanım örneklerinin gösterdiği gibi, veri zenginleştirme Veri Kalitesini artırmak için işe yarayabilir. Bu gerçekleştiğinde kuruluşlar, müşterilerinin, performans hedeflerinin ve varlıklarının daha doğru resimleriyle iş hedeflerine yönelik önemli ve gözle görülür bir ilerleme görürler. 

Ancak bu sonuçlar, şirketlerin sorumlu Veri Yönetişimi desteğine sahip bir DQ programı oluşturmak için çalışmasını gerektirir. Bu şekilde kuruluşlar DQ'yu kabul edilebilir kılmak için en iyi taktikleri bilir ve bunları uygun zamanda uygular. Bir zamanlar işletmeler bağlamak DQ programları için ayrılan mevcut kaynaklarla DQ taktiklerini uygularken, kararları güçlendirmek ve iş fırsatları yaratmak için veri zenginleştirmeyi dikkate almalıdırlar.

• SEO Destekli İçerik ve Halkla İlişkiler Dağıtımı. Bugün Gücünüzü Artırın.
• PlatoData.Network Dikey Üretken Yapay Zeka. Kendine güç ver. Buradan Erişin.
• PlatoAiStream. Web3 Zekası. Bilgi Genişletildi. Buradan Erişin.
• PlatoESG. karbon, temiz teknoloji, Enerji, Çevre, Güneş, Atık Yönetimi. Buradan Erişin.
• PlatoSağlık. Biyoteknoloji ve Klinik Araştırmalar Zekası. Buradan Erişin.
• Kaynak: https://www.dataversity.net/data-quality-vs-data-enrichment/