Die meisten Unternehmen verstehen den Wert der Bestimmung und Institutionalisierung von a Datenanalyseplan das hilft, die Qualität der Daten der Organisation zu verbessern. Trotz dieses, Einige Unternehmen berücksichtigen dies nicht in ihren Budgets und investieren nur inkrementell in Dinge wie Datenbereinigung und -korrektur. Und das kann zu Problemen führen.
Das Fehlen umfassender Datenqualitätskontroll- und Verwaltungsprozesse führt zu wiederholten Bemühungen und höheren Kosten, oder noch schlimmer, macht es unmöglich, konsistente Informationen für die Geschäftsbenutzergemeinschaft eines Unternehmens bereitzustellen.
Was benötigt wird, ist ein praktischer Ansatz, um die verschiedenen Datenqualitätsaktivitäten aufeinander abzustimmen, ein ... Erstellen Datenanalyseplan organisiert, die sich mit den Herausforderungen der Sicherung und Aufrechterhaltung eines hohen Qualitätsniveaus befasst.
neben müssen interne Sponsoren gewinnen die das Projekt unterstützen, und die Entwicklung von notwendige Argumente, um Investitionen zu unterstützen bei der Datenqualität, Sehen wir uns eine Liste mit fünf Aufgaben und Verfahren an, die für ein effektives Datenqualitätsmanagement entscheidend sind und die zusammen einen effektiven Datenanalyseplan zur Verbesserung der Datenqualität ergeben..
1. Dokumentieren Sie die Anforderungen an die Datenqualität und erstellen Sie Regeln zur Qualitätsmessung.
In den meisten Fällen, Datenqualitätsstufen beziehen sich auf die Nützlichkeit oder Eignung der Informationen für die von Managern benötigten Zwecke.
Beginnen Sie mit dem Sammeln von Anforderungen: Binden Sie diese Entscheidungsträger ein, damit sie Ihre Geschäftsziele verstehen, und fragen Sie sie nach ihren Erwartungen an die Datennutzbarkeit.
Diese Information, kombiniert mit gemeinsamen Erfahrungen zu den geschäftlichen Auswirkungen von Datenqualitätsproblemen, lassen sich in Regeln übersetzen, die der Messung wesentlicher Qualitätsdimensionen dienen, wie Konsistenz der Datenformate über alle Datenformate hinweg. verschiedene Systeme, Datenintegrität, etc.
Im Rahmen dieses Verfahrens, Es sollte ein zentrales System geschaffen werden, um die Anforderungen und zugehörigen Regeln zu dokumentieren, die die Entwicklung von Datenvalidierungsmechanismen unterstützen.
2. Untersuchen Sie neue Daten, um eine Qualitätsbaseline zu erstellen
Ein wiederholbares Verfahren zur statistischen Auswertung der Datenqualität hilft uns, das Regelwerk zur Qualitätsmessung zu erweitern., Überprüfen von Quellsystemen auf mögliche Anomalien bei der Erstellung neuer Daten.
Statistik- und Daten-Profiling-Tools können die Werte scannen, Spalten und Beziehungen in und zwischen Datensätzen, Verwenden von Häufigkeits- und Assoziationsanalysen, um die Werte zu untersuchen, Datenformate und Vollständigkeit, und identifizieren Sie Ausreißer, die auf Fehler hinweisen können.
Zur selben Zeit, Profiling-Tools können Datenqualitäts- und Governance-Managern Informationen zu Dingen wie Datentypen liefern, relationale Datenbankstruktur und Beziehungen zwischen Primär- und Fremdschlüsseln in Datenbanken. Daten. Die Ergebnisse können mit Managern geteilt werden, um die Entwicklung von Validierungsregeln für die Datenqualität zu unterstützen, die im Datenanalyseplan enthalten sind.
3. Implementieren Sie semantische Metadatenverwaltungsprozesse.
Da die Anzahl und Vielfalt der Datenquellen zunimmt, erhöht die Notwendigkeit, das Risiko zu begrenzen, dass Endbenutzer in verschiedenen Teilen einer Organisation die Bedeutung allgemeiner Geschäftsbegriffe und anderer Datenkonzepte missverstehen.
Es besteht die Notwendigkeit, die Verwaltung geschäftsrelevanter Metadaten zu zentralisieren und Führungskräfte und Fachleute für Datenmanagement einzubeziehen, um bei der Festlegung von Unternehmensstandards zusammenzuarbeiten, um Situationen zu reduzieren, in denen uneinheitliche Interpretationen zu Problemen bei der Datennutzung führen.
4. Prüfen Sie laufend die Gültigkeit der Daten
Es müssen automatisierte Dienste entwickelt werden, die die Datensätze gegen die in unserem Datenanalyseplan definierten Qualitätsstandards validieren.
Eine strategische Implementierung ermöglicht die gemeinsame Nutzung von Standards und Validierungsmechanismen über Anwendungen und Implementierungen an verschiedenen Punkten im Informationsfluss einer Organisation., damit eine kontinuierliche Datenprüfung und Qualitätsmessung durchgeführt werden kann.
Die Ergebnisse können in eine Reihe von Informationssystemen eingespeist werden, als Beispiel, direkte Warnungen und Benachrichtigungen, die an Datenmanager gesendet werden, um Datendefekte und -anomalien mit hoher Priorität zu beheben, und Datenqualitäts-Dashboards und Dashboards mit aggregierten Metriken für ein breiteres Publikum.
5. Bleiben Sie bei Datenqualitätsproblemen auf dem Laufenden
In den Datenanalyseplan sollte die Entwicklung einer Plattform für das Register aufgenommen werden., Überwachung und Verwaltung von Datenqualitätsvorfällen. Die Bewertung der Einhaltung von Datenqualitätsstandards führt nicht zu Verbesserungen, es sei denn, es sind Standardprozesse vorhanden, um die Grundursachen von Datenfehlern zu untersuchen und zu beseitigen.. Ein Incident-Management-System kann Prozesse wie das Melden und Priorisieren von Datenqualitätsproblemen automatisieren, Interessenten warnen, Weisen Sie Aufgaben zur Verbesserung der Datenqualität zu und verfolgen Sie den Fortschritt der Bemühungen. der Korrektur.
