Liecības

Kad mēs pirmo reizi redzējām datus?

1. Divdesmitā gadsimta vidus
2. Kā Vulkāna pēctecis Spoks
3. 18,000 BC
4. Kas zina  

Cik tālu mēs varam doties atklātajā vēsturē, mēs atrodam cilvēkus, izmantojot datus. Interesanti, ka dati ir pat pirms rakstītiem skaitļiem. Daži no senākajiem datu glabāšanas piemēriem ir no aptuveni 18,000 2. gadu pirms mūsu ēras, kur mūsu senči Āfrikas kontinentā izmantoja zīmes uz kociņiem kā grāmatvedības veidu. Tiks pieņemtas arī 4. un 21. atbildes. Tomēr tas bija divdesmitā gadsimta vidus, kad biznesa inteliģence pirmo reizi tika definēta tā, kā mēs to saprotam šodien. BI kļuva plaši izplatīta tikai gandrīz XNUMX. gadsimta mijā.

Datu kvalitātes priekšrocības ir acīmredzamas. 

• Uzticēties. Lietotāji labāk uzticēsies datiem. "75% vadītāju neuzticas saviem datiem"
• Labāki lēmumi. Jūs varēsiet izmantot analīzi pret datiem, lai pieņemtu gudrākus lēmumus.  Datu kvalitāte ir viena no divām lielākajām problēmām, ar ko saskaras organizācijas, kas pieņem AI. (Otra ir personāla prasmju kopums.)
• Konkurences priekšrocības.  Datu kvalitāte ietekmē darbības efektivitāti, klientu apkalpošanu, mārketingu un būtību – ieņēmumus.
• veiksme. Datu kvalitāte ir cieši saistīta ar uzņēmējdarbību veiksme.

6 Datu kvalitātes galvenie elementi

Ja jūs nevarat uzticēties saviem datiem, kā jūs varat ievērot viņu ieteikumus?

Mūsdienās datu kvalitātei ir izšķiroša nozīme lēmumu pieņemšanā, izmantojot BI rīkus, analīzi, mašīnmācīšanos un mākslīgo intelektu. Vienkāršāk sakot, datu kvalitāte ir dati, kas ir derīgi un pilnīgi. Iespējams, virsrakstos esat pamanījis datu kvalitātes problēmas:

• CDC Covid-19 datu uzlabošana – "Pandēmijas laikā CDC ir uzlabojis atbildes sniegšanai kritisko datu savlaicīgumu, pilnīgumu un kvalitāti."
• Atkritumi iekšā, atkritumi ārā; pilsētas sargsuns atklāj satraucošu neuzticamas datu kvalitātes modeli – “Jaunajā [Čikāgas] ģenerālinspektora pienākumu izpildītāja ziņojumā teikts, ka “datu kvalitātes problēmas” ietekmē resursu piešķiršanai, darbinieku snieguma mērīšanai un daudzu programmu uzraudzībai izmantotās informācijas “objektivitāti, lietderību un integritāti”.
• VA EHR ieviešanas laikā GAO atklāj datu kvalitātes problēmas – “VA nenodrošināja datu kvalitāti, kas migrēti uz savu jauno Cerner EHR sistēmu.”

Dažos veidos — pat biznesa inteliģences trešajā desmitgadē — datu kvalitātes sasniegšana un uzturēšana ir vēl grūtāka. Daži no izaicinājumiem, kas veicina pastāvīgu cīņu par datu kvalitātes uzturēšanu, ir:

• Apvienošanās un pārņemšana, kas mēģina apvienot dažādas sistēmas, procesus, rīkus un datus no vairākām vienībām. 
• Iekšējās datu tvertnes bez standartiem, lai saskaņotu datu integrāciju.            
• Lētā krātuve ir atvieglojusi liela datu apjoma uztveršanu un saglabāšanu. Mēs iegūstam vairāk datu, nekā spējam analizēt.
• Datu sistēmu sarežģītība ir pieaugusi. Ir vairāk saskares punktu starp ierakstu sistēmu, kurā tiek ievadīti dati, un patēriņa punktu, neatkarīgi no tā, vai tā ir datu noliktava vai mākonis.

Par kādiem datu aspektiem mēs runājam? Kādas datu īpašības veicina to kvalitāti? Ir seši elementi, kas veicina datu kvalitāti. Katra no tām ir veselas disciplīnas. 

• laicīgums
  • Dati ir gatavi un izmantojami, kad tie ir nepieciešami.
  • Dati ir pieejami, piemēram, mēneša beigu pārskatiem nākamā mēneša pirmajā nedēļā.
• derīgums
  • Datiem datu bāzē ir pareizs datu tips. Teksts ir teksts, datumi ir datumi un skaitļi ir skaitļi.
  • Vērtības ir paredzētajās robežās. Piemēram, lai gan 212 grādi pēc Fārenheita ir faktiskā izmērāmā temperatūra, tā nav derīga vērtība cilvēka temperatūrai.  
  • Vērtībām ir pareizs formāts. 1.000000 nav tādas pašas nozīmes kā 1.
• konsekvence
  • Dati ir iekšēji konsekventi
  • Ierakstu dublikātu nav
• Godīgums
  • Attiecības starp tabulām ir uzticamas.
  • Tas netiek nejauši mainīts. Vērtības ir meklējamas to izcelsmē. 
• pilnība
  • Datos nav “caurumu”. Visiem ieraksta elementiem ir vērtības.  
  • Nav NULL vērtību.
• Precizitāte
  • Dati pārskatu veidošanas vai analītiskajā vidē — datu noliktavā, neatkarīgi no tā, vai tie ir lokāli vai mākonī, atspoguļo avota sistēmas, sistēmas vai ierakstu.
  • Dati ir no pārbaudāmiem avotiem.

Tāpēc mēs piekrītam, ka datu kvalitātes problēma ir tikpat sena kā paši dati, problēma ir visuresoša un ir ļoti svarīga, lai to atrisinātu. Tātad, ko mēs ar to darām? Uzskatiet savu datu kvalitātes programmu kā ilgtermiņa, nebeidzamu projektu.  

Datu kvalitāte precīzi atspoguļo to, cik precīzi šie dati atspoguļo realitāti. Godīgi sakot, daži dati ir svarīgāki par citiem datiem. Zināt, kādi dati ir būtiski stabiliem biznesa lēmumiem un organizācijas panākumiem. Sāciet tur. Koncentrējieties uz šiem datiem.  

Kā Datu kvalitāte 101, šis raksts ir pirmkursnieka līmeņa ievads tēmai: vēsture, pašreizējie notikumi, izaicinājums, kāpēc tā ir problēma un augsta līmeņa pārskats par datu kvalitātes risināšanu organizācijā. Pastāstiet mums, ja vēlaties padziļināti izpētīt kādu no šīm tēmām 200 līmeņu vai absolventu rakstā. Ja tā, tad tuvāko mēnešu laikā mēs iedziļināsimies specifikā.