Введение

Оценки качества данных устанавливают, подходят ли данные для своей цели. Это основа для улучшения качества данных. В этой статье мы рассмотрим, чего не следует делать, если вы хотите лучше понять качество ваших данных.

Оценка качества данных — это процесс оценки данных и их измерения по выбранным критериям качества, таким как полнота и достоверность. Он также включает анализ причин и последствий проблем с качеством и обмен результатами. Чтобы правильно решать проблемы с качеством данных, вам нужен надежный и надежный процесс оценки.

Если ваша оценка недостаточно хороша, вы можете подумать, что данные хорошего качества, когда это не так, или наоборот. Неправильная оценка может привести к неправильным действиям, что повлияет на результаты вашей организации.

Отсутствие планирования

Ваша оценка качества данных будет более надежной, если она будет тщательно спланирована. Для проведения оценки важно привлечь людей с нужным набором навыков и знаний. Технические специалисты и специалисты по процессам должны работать в тесном сотрудничестве для определения, обработки, тестирования и уточнения бизнес-правил, которые используются для подтверждения и измерения качества данных.

Перед фактической оценкой убедитесь, что вы хорошо понимаете данные. Полезно ознакомиться с любой существующей документацией по набору данных, который необходимо оценить, так как это ускорит процесс оценки.

То, что вы узнаете из оценки, будет очень ценным. Важно, чтобы это было задокументировано и сохранено для дальнейшего использования. Планируйте, чтобы ваша оценка была воспроизводимой. Ведение записи процесса оценки и ее результатов позволит вам повторить процесс. Он станет бесценным источником информации для будущих улучшений качества данных. Это также сохранит знания вашей команды, обеспечит преемственность и сведет к минимуму риски.

Не учитывая цели данных

Понимание цели может помочь вам определить, что измерять, и это особенно важно для качества коммуникации. Если люди не понимают цели данных, они не поймут влияние проблем с качеством. Неправильные данные в одной части набора данных могут не иметь существенного влияния на одну цель данных, но вполне могут вызвать проблемы с качеством для другого использования.

Хорошая оценка качества данных должна быть связана с целью, и поэтому оценку необходимо повторять, когда набор данных используется для другой цели, отличной от первоначальной.

Измерение неправильных вещей

Измерение данных, которые не имеют значения или имеют низкий риск, не только тратит время и драгоценные ресурсы, но и отвлекает внимание от соответствия цели. Вам не всегда нужно охватывать весь набор данных. Вместо этого изучите те части данных, которые важны для достижения вашей цели или целей.

Сосредоточение внимания на полях данных, которые можно измерить, а не на том, что следует измерять, приведет к выводам о данных, которые не касаются их пригодности для цели. Оценка должна быть сосредоточена на том, какие элементы данных вам нужны, чтобы быть правильными. Этого можно добиться, убедившись, что у вас есть люди с нужным набором навыков и опытом, чтобы принять решение.

Стремление быть совершенным

Получение идеальных данных не является реальной целью. Достижение 100% все время не может быть требованием. Набор данных с единственной ошибкой может быть достаточно хорош для использования. Возможно, более эффективно работать с данными, в которых было обнаружено несколько ошибок, чем тратить время на исправление каждой ошибки. То, что вы должны искать, это соответствие цели, а не совершенство. Используйте реалистичные пороговые значения для выбранных вами критериев качества.

Изолированное изучение данных

Понимание жизненного цикла данных важно для полноценной оценки. Данные могут быть подвержены ошибкам по мере их поступления. Данные могут быть повреждены во время обработки. Иногда наборы данных объединяются неправильным образом, и при объединении данных делаются неверные предположения. Прежде чем вы начнете оценивать свои данные, важно получить представление о процессах, которым они подверглись, чтобы избежать каких-либо вводящих в заблуждение измерений.

Не быть активным

Если вы пассивно ждете сообщения о проблеме качества, прежде чем приступить к расследованию, это уже негативно отразится на вашей организации. Гораздо безопаснее регулярно проверять качество ваших данных. Это предотвратит перемещение данных плохого качества по жизненному циклу данных и позволит выявить проблемы до того, как они нанесут больший ущерб.

Оценка качества данных должна быть повторяющимся процессом. Выводы из одной оценки помогут пересмотреть цели для следующего упражнения.

Вы можете узнать больше об оценке качества данных из нашего предстоящего учебного курса «Планы действий по обеспечению качества данных». Центр качества правительственных данных (DQHub) разрабатывает инструменты, рекомендации и обучение, которые помогут вам в ваших инициативах по обеспечению качества данных. Посетите веб-сайт Data Quality Hub , чтобы ознакомиться со статьями, инструментами и примерами из практики.

Мы также предлагаем индивидуальные консультации и поддержку через правительство. Свяжитесь с нами по электронной почте  [email protected]