ടീസർ
എപ്പോഴാണ് ഞങ്ങൾ ആദ്യം ഡാറ്റ കണ്ടത്?
- ഇരുപതാം നൂറ്റാണ്ടിന്റെ മധ്യത്തിൽ
- വൾക്കന്റെ പിൻഗാമിയായി, സ്പോക്ക്
- ബി.സി.എൻ
- ആർക്കറിയാം?
കണ്ടെത്തിയ ചരിത്രത്തിലേക്ക് നമുക്ക് പോകാനാകുന്നിടത്തോളം, ഡാറ്റ ഉപയോഗിക്കുന്നത് മനുഷ്യരെയാണ്. രസകരമെന്നു പറയട്ടെ, ഡാറ്റ എഴുതപ്പെട്ട സംഖ്യകൾക്ക് മുമ്പുള്ളതാണ്. ആഫ്രിക്കൻ ഭൂഖണ്ഡത്തിലെ നമ്മുടെ പൂർവ്വികർ ബുക്ക് കീപ്പിംഗിന്റെ ഒരു രൂപമായി വിറകുകളിൽ അടയാളങ്ങൾ ഉപയോഗിച്ചിരുന്നത് ബിസി 18,000 മുതലുള്ളതാണ്. 2, 4 എന്നീ ഉത്തരങ്ങളും സ്വീകരിക്കും. ഇരുപതാം നൂറ്റാണ്ടിന്റെ മധ്യത്തിലായിരുന്നു, ഇന്ന് നമ്മൾ മനസ്സിലാക്കുന്നതുപോലെ ബിസിനസ്സ് ഇന്റലിജൻസ് ആദ്യമായി നിർവചിക്കപ്പെട്ടത്. ഏകദേശം 21-ാം നൂറ്റാണ്ടിന്റെ ആരംഭം വരെ BI വ്യാപകമായിരുന്നില്ല.
ഡാറ്റ ഗുണനിലവാരത്തിന്റെ പ്രയോജനങ്ങൾ വ്യക്തമാണ്.
- ആശ്രയം. ഉപയോക്താക്കൾ ഡാറ്റയെ നന്നായി വിശ്വസിക്കും. "75% എക്സിക്യൂട്ടീവുകളും അവരുടെ ഡാറ്റയെ വിശ്വസിക്കുന്നില്ല"
- മികച്ച തീരുമാനങ്ങൾ. മികച്ച തീരുമാനങ്ങൾ എടുക്കാൻ നിങ്ങൾക്ക് ഡാറ്റയ്ക്കെതിരെ അനലിറ്റിക്സ് ഉപയോഗിക്കാനാകും. ഡാറ്റ ഗുണമേന്മ AI സ്വീകരിക്കുന്ന സ്ഥാപനങ്ങൾ നേരിടുന്ന ഏറ്റവും വലിയ രണ്ട് വെല്ലുവിളികളിൽ ഒന്നാണ്. (മറ്റൊന്ന് സ്റ്റാഫ് സ്കിൽ സെറ്റുകളാണ്.)
- മത്സര നേട്ടം. ഡാറ്റയുടെ ഗുണനിലവാരം പ്രവർത്തനക്ഷമത, ഉപഭോക്തൃ സേവനം, മാർക്കറ്റിംഗ്, വരുമാനം എന്നിവയെ ബാധിക്കുന്നു.
- വിജയകരം. ഡാറ്റയുടെ ഗുണനിലവാരം ബിസിനസുമായി വളരെയധികം ബന്ധപ്പെട്ടിരിക്കുന്നു വിജയം.
ഡാറ്റ ഗുണനിലവാരത്തിന്റെ 6 പ്രധാന ഘടകങ്ങൾ
നിങ്ങളുടെ ഡാറ്റയെ നിങ്ങൾക്ക് വിശ്വസിക്കാൻ കഴിയുന്നില്ലെങ്കിൽ, അതിന്റെ ഉപദേശത്തെ എങ്ങനെ മാനിക്കും?
ഇന്ന്, ബിഐ ടൂളുകൾ, അനലിറ്റിക്സ്, മെഷീൻ ലേണിംഗ്, ആർട്ടിഫിഷ്യൽ ഇന്റലിജൻസ് എന്നിവ ഉപയോഗിച്ച് ബിസിനസുകൾ എടുക്കുന്ന തീരുമാനങ്ങളുടെ സാധുതയ്ക്ക് ഡാറ്റയുടെ ഗുണനിലവാരം നിർണായകമാണ്. ഏറ്റവും ലളിതമായി പറഞ്ഞാൽ, സാധുതയുള്ളതും പൂർണ്ണവുമായ ഡാറ്റയാണ് ഡാറ്റ നിലവാരം. തലക്കെട്ടുകളിൽ നിങ്ങൾ ഡാറ്റ ഗുണനിലവാരത്തിന്റെ പ്രശ്നങ്ങൾ കണ്ടിരിക്കാം:
- CDC-യുടെ COVID-19 ഡാറ്റ മെച്ചപ്പെടുത്തൽ - "പാൻഡെമിക്കിന്റെ കാലഘട്ടത്തിൽ, പ്രതികരണത്തിനായുള്ള നിർണായക ഡാറ്റയുടെ സമയബന്ധിതവും സമ്പൂർണ്ണതയും ഗുണനിലവാരവും സിഡിസി മെച്ചപ്പെടുത്തുന്നു."
- മാലിന്യം അകത്ത്, മാലിന്യം പുറത്തേക്ക്; സിറ്റി വാച്ച്ഡോഗ് വിശ്വസനീയമല്ലാത്ത ഡാറ്റ നിലവാരത്തിന്റെ പ്രശ്നകരമായ പാറ്റേൺ കണ്ടെത്തി - "[ഷിക്കാഗോ] ആക്ടിംഗ് ഇൻസ്പെക്ടർ ജനറലിൽ നിന്നുള്ള ഒരു പുതിയ റിപ്പോർട്ട് പറയുന്നത് "ഡാറ്റ ഗുണനിലവാര പ്രശ്നങ്ങൾ" വിഭവങ്ങൾ അനുവദിക്കുന്നതിനും ജീവനക്കാരുടെ പ്രകടനം അളക്കുന്നതിനും നിരവധി പ്രോഗ്രാമുകൾ നിരീക്ഷിക്കുന്നതിനും ഉപയോഗിക്കുന്ന വിവരങ്ങളുടെ "വസ്തുനിഷ്ഠത, പ്രയോജനം, സമഗ്രത" എന്നിവയെ ബാധിക്കുന്നു.
- VA-യുടെ EHR റോൾഔട്ട് സമയത്ത് GAO ഡാറ്റ ഗുണനിലവാര പ്രശ്നങ്ങൾ കണ്ടെത്തുന്നു - "അതിന്റെ പുതിയ Cerner EHR സിസ്റ്റത്തിലേക്ക് മൈഗ്രേറ്റ് ചെയ്ത ഡാറ്റയുടെ ഗുണനിലവാരം VA ഉറപ്പാക്കിയില്ല."
ചില വഴികളിൽ - ബിസിനസ് ഇന്റലിജൻസിന്റെ മൂന്നാം ദശകത്തിൽ പോലും - ഡാറ്റയുടെ ഗുണനിലവാരം കൈവരിക്കുന്നതും പരിപാലിക്കുന്നതും കൂടുതൽ ബുദ്ധിമുട്ടാണ്. ഡാറ്റയുടെ ഗുണനിലവാരം നിലനിർത്തുന്നതിനുള്ള നിരന്തരമായ പോരാട്ടത്തിന് സംഭാവന നൽകുന്ന ചില വെല്ലുവിളികളിൽ ഇവ ഉൾപ്പെടുന്നു:
- ഒന്നിലധികം എന്റിറ്റികളിൽ നിന്നുള്ള വ്യത്യസ്തമായ സിസ്റ്റങ്ങൾ, പ്രോസസ്സുകൾ, ടൂളുകൾ, ഡാറ്റ എന്നിവ ഒരുമിച്ച് കൊണ്ടുവരാൻ ശ്രമിക്കുന്ന ലയനങ്ങളും ഏറ്റെടുക്കലുകളും.
- ഡാറ്റയുടെ സംയോജനത്തെ അനുരഞ്ജിപ്പിക്കുന്നതിനുള്ള മാനദണ്ഡങ്ങളില്ലാത്ത ഡാറ്റയുടെ ആന്തരിക സിലോകൾ.
- വിലകുറഞ്ഞ സംഭരണം വലിയ അളവിലുള്ള ഡാറ്റ പിടിച്ചെടുക്കലും നിലനിർത്തലും എളുപ്പമാക്കി. വിശകലനം ചെയ്യാൻ കഴിയുന്നതിനേക്കാൾ കൂടുതൽ ഡാറ്റ ഞങ്ങൾ പിടിച്ചെടുക്കുന്നു.
- ഡാറ്റാ സിസ്റ്റങ്ങളുടെ സങ്കീർണ്ണത വർദ്ധിച്ചു. ഡാറ്റ നൽകിയ റെക്കോർഡ് സിസ്റ്റത്തിനും ഉപഭോഗ പോയിന്റിനും ഇടയിൽ കൂടുതൽ ടച്ച് പോയിന്റുകൾ ഉണ്ട്, അത് ഡാറ്റ വെയർഹൗസായാലും ക്ലൗഡായാലും.
ഡാറ്റയുടെ ഏത് വശങ്ങളെക്കുറിച്ചാണ് നമ്മൾ സംസാരിക്കുന്നത്? ഡാറ്റയുടെ ഏത് ഗുണങ്ങളാണ് അതിന്റെ ഗുണനിലവാരത്തിന് സംഭാവന ചെയ്യുന്നത്? ഡാറ്റയുടെ ഗുണനിലവാരത്തിന് സഹായിക്കുന്ന ആറ് ഘടകങ്ങളുണ്ട്. ഇവ ഓരോന്നും മുഴുവൻ അച്ചടക്കങ്ങളാണ്.
- കാലതാമസം
- ഡാറ്റ തയ്യാറാണ്, ആവശ്യമുള്ളപ്പോൾ ഉപയോഗിക്കാൻ കഴിയും.
- ഉദാഹരണത്തിന്, അടുത്ത മാസത്തിന്റെ ആദ്യ ആഴ്ചയ്ക്കുള്ളിൽ മാസാവസാന റിപ്പോർട്ടിംഗിനായി ഡാറ്റ ലഭ്യമാണ്.
- സാധുത
- ഡാറ്റയ്ക്ക് ഡാറ്റാബേസിൽ ശരിയായ ഡാറ്റ തരം ഉണ്ട്. വാചകം വാചകമാണ്, തീയതികൾ തീയതികളാണ്, അക്കങ്ങൾ അക്കങ്ങളാണ്.
- മൂല്യങ്ങൾ പ്രതീക്ഷിച്ച പരിധിക്കുള്ളിലാണ്. ഉദാഹരണത്തിന്, 212 ഡിഗ്രി ഫാരൻഹീറ്റ് ഒരു യഥാർത്ഥ അളക്കാവുന്ന താപനിലയാണെങ്കിലും, അത് മനുഷ്യന്റെ താപനിലയ്ക്ക് സാധുവായ മൂല്യമല്ല.
- മൂല്യങ്ങൾക്ക് ശരിയായ ഫോർമാറ്റ് ഉണ്ട്. 1.000000 എന്നതിന് 1 എന്നതിന് സമാനമായ അർത്ഥമില്ല.
- ദൃഢത
- ഡാറ്റ ആന്തരികമായി സ്ഥിരതയുള്ളതാണ്
- രേഖകളുടെ തനിപ്പകർപ്പുകളൊന്നുമില്ല
- നിർമലത
- പട്ടികകൾ തമ്മിലുള്ള ബന്ധം വിശ്വസനീയമാണ്.
- അത് അവിചാരിതമായി മാറ്റിയതല്ല. മൂല്യങ്ങൾ അവയുടെ ഉത്ഭവത്തിൽ നിന്ന് കണ്ടെത്താനാകും.
- പൂർണ്ണത
- ഡാറ്റയിൽ "ദ്വാരങ്ങൾ" ഇല്ല. ഒരു റെക്കോർഡിന്റെ എല്ലാ ഘടകങ്ങൾക്കും മൂല്യങ്ങളുണ്ട്.
- NULL മൂല്യങ്ങളൊന്നുമില്ല.
- കൃതത
- റിപ്പോർട്ടിംഗ് അല്ലെങ്കിൽ അനലിറ്റിക് പരിതസ്ഥിതിയിലെ ഡാറ്റ - ഡാറ്റ വെയർഹൗസ്, ഓൺ-പ്രേമിലോ ക്ലൗഡിലോ ആകട്ടെ - ഉറവിട സിസ്റ്റങ്ങളെയോ സിസ്റ്റങ്ങളെയോ റെക്കോർഡിനെയോ പ്രതിഫലിപ്പിക്കുന്നു
- ഡാറ്റ പരിശോധിക്കാവുന്ന ഉറവിടങ്ങളിൽ നിന്നുള്ളതാണ്.
അതിനാൽ, ഡാറ്റ ഗുണനിലവാരത്തിന്റെ വെല്ലുവിളി ഡാറ്റയോളം തന്നെ പഴക്കമുള്ളതാണെന്ന് ഞങ്ങൾ സമ്മതിക്കുന്നു, പ്രശ്നം സർവ്വവ്യാപിയും പരിഹരിക്കാൻ അത്യന്താപേക്ഷിതവുമാണ്. അതിനാൽ, ഞങ്ങൾ അതിനെക്കുറിച്ച് എന്താണ് ചെയ്യേണ്ടത്? നിങ്ങളുടെ ഡാറ്റ ഗുണമേന്മയുള്ള പ്രോഗ്രാം ഒരു ദീർഘകാല, ഒരിക്കലും അവസാനിക്കാത്ത പ്രോജക്റ്റായി പരിഗണിക്കുക.
ഡാറ്റയുടെ ഗുണനിലവാരം, ആ ഡാറ്റ യാഥാർത്ഥ്യത്തെ എത്രത്തോളം കൃത്യമായി പ്രതിനിധീകരിക്കുന്നു എന്ന് പ്രതിനിധീകരിക്കുന്നു. സത്യം പറഞ്ഞാൽ, ചില ഡാറ്റ മറ്റ് ഡാറ്റയെക്കാൾ പ്രധാനമാണ്. ഉറച്ച ബിസിനസ്സ് തീരുമാനങ്ങൾക്കും ഓർഗനൈസേഷന്റെ വിജയത്തിനും നിർണ്ണായകമായ ഡാറ്റ എന്താണെന്ന് അറിയുക. അവിടെ തുടങ്ങുക. ആ ഡാറ്റയിൽ ശ്രദ്ധ കേന്ദ്രീകരിക്കുക.
ഡാറ്റ ക്വാളിറ്റി 101 എന്ന നിലയിൽ, ഈ ലേഖനം ഈ വിഷയത്തിലേക്കുള്ള ഒരു ഫ്രഷ്മാൻ തലത്തിലുള്ള ആമുഖമാണ്: ചരിത്രം, സമകാലിക സംഭവങ്ങൾ, വെല്ലുവിളി, എന്തുകൊണ്ട് ഇത് ഒരു പ്രശ്നമാണ്, ഒരു ഓർഗനൈസേഷനിൽ ഡാറ്റ ഗുണനിലവാരം എങ്ങനെ കൈകാര്യം ചെയ്യാം എന്നതിന്റെ ഉയർന്ന തലത്തിലുള്ള അവലോകനം. 200-ലെവലിലോ ബിരുദതലത്തിലോ ഉള്ള ലേഖനത്തിൽ ഈ വിഷയങ്ങളിലേതെങ്കിലും ആഴത്തിൽ പരിശോധിക്കാൻ നിങ്ങൾക്ക് താൽപ്പര്യമുണ്ടെങ്കിൽ ഞങ്ങളെ അറിയിക്കുക. അങ്ങനെയാണെങ്കിൽ, വരും മാസങ്ങളിൽ ഞങ്ങൾ പ്രത്യേകതകളിലേക്ക് ആഴത്തിൽ ഇറങ്ങും.