Data Warehouse

Qualità dei dati. Il costo della non qualità

Prima di considerare il costo della qualità non correlata ai dati devi sapere quali sono le aspettative aziendali per la qualità dei dati, come la loro assenza può influire sul business e, un po' più complesso, come collegare ogni tema di qualità a un ostacolo specifico all'interno dell'organizzazione. Il qualità dei dati Ha molti benefici per l'azienda, ma per poterli apprezzare bisogna poter:

Il costo della scarsa qualità dei dati

Il impatto di una politica di scarsa qualità dei dati si riflette in diverse aree all'interno di qualsiasi organizzazione:

Finanziario: riflesso nell'aumento dei costi operativi, diminuzione dei ricavi, perdita di opportunità, diminuzione o ritardi nel flusso di cassa e aumento di multe, sanzioni o oneri simili.
Fiducia e soddisfazione: nel collegamento con clienti, lavoratori e fornitori, diminuzione della fiducia proiettata dall'organizzazione, diminuzione dell'affidabilità delle previsioni, report operativi ed esecutivi incoerenti, così come Processo decisionale fuori tempo e / o mancanza di precisione.
Produttività: aumento del carico di lavoro, diminuzione delle prestazioni, aumento Tempo di elaborazione, diminuzione della qualità finale del prodotto.
Rischio: in collegamento con la valutazione del credito, investimenti e concorrenza.
Adempimento degli obblighi legali, aspettative industriali o politiche private.

Il modo di agire per prevenire l'emergere di situazioni di questo tipo richiede urgenza, rigore e continuità. Deve essere collegato a una strategia ed essere supportato da una politica che stabilisca come:

Rivedere il tipi di rischio e costi legati all'uso delle informazioni nell'azienda.
Specificare le aspettative riguardo alla qualità dei dati.
Sviluppare le procedure e gli strumenti necessari per determinare la qualità finale dei dati nell'ambiente organizzativo.
Stabilire le restrizioni di validità dei dati.
Misurare la qualità dei dati.
Determinare un sistema di monitoraggio e controllo dei problemi di qualità.

Crediti fotografici: “Puzzle della qualità che mostra eccellenti servizi” di Stuart Miles

Come evitare i costi derivanti dalla scarsa qualità dei dati

Il problemi di qualità dei dati Devono essere affrontati dalla radice poiché le loro conseguenze possono avere effetti di grande portata. Nessuno è al sicuro dal trovarsi di fronte a tale sorpresa. Algunos ejemplos de gastos desafortunados provocados por una póliza inadequa de este tipo son:

50 millones de dólares mexicanos: que adeuda un concesionario de automóviles por un error en la impresión de cupones para el sorteo de un premio en efectivo de 1,000 dollari. Es la diferencia entre imprimir un único cupón ganador o imprimir los 50.000 como afortunados destinatarios de este premio.
Medio millón de dólares estadounidenses: che lui Transporte de la ciudad de Nueva York Tuvo que pagar para atender el pago de 160.000 tarjetas de pago por viaje con un error tipográfico.
1.962 milioni di dollari: fue el costo del error en uno de los codes de programación del Nave espacial Mariner I, lo que provocó su destrucción.

La otra cara de la moneda es la que muestra una investigación realizada en 2010 dall'Università di Harvard. In questo studio affermano che Google ottiene un guadagno stimato di $ 497 milioni ogni anno grazie agli errori di battitura nei nomi dei siti web popolari che portano gli autori delle ricerche degli utenti su siti con errori di battitura, dove gli annunci di Google proliferano comodamente.

Crediti fotografici: “Dollar” di dream designs

Nonostante questo, questo è un'eccezione, per cui è interessante investire in processi, técnicas, algoritmi e operazioni che contribuiscono a migliorare la qualità dei dati per risparmiare sui costi indirizzare, sfruttare al massimo i processi, minimizzare i tempi di risposta, affinare la presa di decisioni e azioni, migliorare il servizio e l'immagine aziendale e potenziare le azioni di marketing. Come?

Evitando la duplicazione: surgen cuando se presenta la misma o equivalente information en la misma tabla en más de una ocasión.
Garantizar la coherencia de los datos: para evitar la existencia de información contradictoria.
Buscando el lo completo: por lo que será necesario proceder a chequear que no existen campos en blanco o rellenados por defecto.
Normalizar archivos: que aseguren la cumplimiento de datos.
Velando por el precisión de los datos: compararlos con una fuente de referencia y aplicar medidas de control.
Garantizar la confiabilidad e integridad de los datos.: asegurarse de que toda la información relevante de un registro esté presente y esté en un formato que permita su uso.