టీజర్స్
మేము మొదట డేటాను ఎప్పుడు చూశాము?
- ఇరవయ్యవ శతాబ్దం మధ్యకాలం
- వల్కాన్కు వారసుడిగా, స్పోక్
- 18,000 BC
- ఎవరికీ తెలుసు?
కనుగొనబడిన చరిత్రలో మనం వెళ్ళగలిగినంత కాలం డేటాను ఉపయోగించి మానవులను కనుగొంటాము. ఆసక్తికరంగా, డేటా వ్రాసిన సంఖ్యలకు కూడా ముందు ఉంటుంది. దాదాపు 18,000 BC నాటి డేటాను నిల్వ చేయడానికి కొన్ని ప్రారంభ ఉదాహరణలు, ఆఫ్రికా ఖండంలోని మన పూర్వీకులు కర్రలపై గుర్తులను బుక్ కీపింగ్ రూపంలో ఉపయోగించారు. 2 మరియు 4 సమాధానాలు కూడా ఆమోదించబడతాయి. ఇది ఇరవయ్యవ శతాబ్దం మధ్యకాలం, అయితే, ఈ రోజు మనం అర్థం చేసుకున్నట్లుగా బిజినెస్ ఇంటెలిజెన్స్ మొదట నిర్వచించబడింది. దాదాపు 21వ శతాబ్దం ప్రారంభం వరకు BI విస్తృతంగా వ్యాపించలేదు.
డేటా నాణ్యత యొక్క ప్రయోజనాలు స్పష్టంగా ఉన్నాయి.
- ట్రస్ట్. వినియోగదారులు డేటాను బాగా విశ్వసిస్తారు. "75% ఎగ్జిక్యూటివ్లు తమ డేటాను విశ్వసించరు"
- మెరుగైన నిర్ణయాలు. మీరు తెలివిగా నిర్ణయాలు తీసుకోవడానికి డేటాకు వ్యతిరేకంగా విశ్లేషణలను ఉపయోగించగలరు. డేటా నాణ్యత AIని స్వీకరించే సంస్థలు ఎదుర్కొంటున్న రెండు అతిపెద్ద సవాళ్లలో ఒకటి. (మరొకటి సిబ్బంది నైపుణ్యం సెట్లు.)
- పోటీతత్వ ప్రయోజనాన్ని. డేటా నాణ్యత కార్యాచరణ సామర్థ్యం, కస్టమర్ సేవ, మార్కెటింగ్ మరియు బాటమ్ లైన్ - రాబడిని ప్రభావితం చేస్తుంది.
- విజయం. డేటా నాణ్యత వ్యాపారంతో ఎక్కువగా ముడిపడి ఉంది విజయం.
6 డేటా నాణ్యత యొక్క ముఖ్య అంశాలు
మీరు మీ డేటాను విశ్వసించలేకపోతే, మీరు దాని సలహాను ఎలా గౌరవించగలరు?
నేడు, BI సాధనాలు, విశ్లేషణలు, మెషిన్ లెర్నింగ్ మరియు కృత్రిమ మేధస్సుతో వ్యాపారాలు తీసుకునే నిర్ణయాల చెల్లుబాటుకు డేటా నాణ్యత కీలకం. చాలా సరళంగా, డేటా నాణ్యత అనేది చెల్లుబాటు అయ్యే మరియు పూర్తి అయిన డేటా. మీరు హెడ్లైన్స్లో డేటా నాణ్యత సమస్యలను చూసి ఉండవచ్చు:
- CDC యొక్క COVID-19 డేటా మెరుగుదల - "మహమ్మారి సమయంలో, CDC ప్రతిస్పందన కోసం క్లిష్టమైన డేటా యొక్క సమయపాలన, సంపూర్ణత మరియు నాణ్యతను మెరుగుపరుస్తుంది."
- చెత్త లోపల, చెత్త బయటకు; సిటీ వాచ్డాగ్ నమ్మదగని డేటా నాణ్యత యొక్క సమస్యాత్మక నమూనాను కనుగొంది – “[చికాగో] యాక్టింగ్ ఇన్స్పెక్టర్ జనరల్ నుండి వచ్చిన ఒక కొత్త నివేదిక ప్రకారం “డేటా నాణ్యత సమస్యలు” వనరులను కేటాయించడానికి, ఉద్యోగుల పనితీరును కొలవడానికి మరియు అనేక ప్రోగ్రామ్లను పర్యవేక్షించడానికి ఉపయోగించే సమాచారం యొక్క “ఆబ్జెక్టివిటీ, యుటిలిటీ మరియు సమగ్రతను” ప్రభావితం చేస్తాయి.”
- VA యొక్క EHR రోల్ అవుట్ సమయంలో GAO డేటా నాణ్యత సమస్యలను కనుగొంటుంది - "VA దాని కొత్త Cerner EHR సిస్టమ్కి మారిన డేటా నాణ్యతను నిర్ధారించలేదు."
కొన్ని మార్గాల్లో - బిజినెస్ ఇంటెలిజెన్స్ యొక్క మూడవ దశాబ్దంలో కూడా - డేటా నాణ్యతను సాధించడం మరియు నిర్వహించడం మరింత కష్టం. డేటా నాణ్యతను కొనసాగించడంలో నిరంతర పోరాటానికి దోహదపడే కొన్ని సవాళ్లు:
- బహుళ ఎంటిటీల నుండి భిన్నమైన సిస్టమ్లు, ప్రక్రియలు, సాధనాలు మరియు డేటాను ఒకచోట చేర్చడానికి ప్రయత్నించే విలీనాలు మరియు సముపార్జనలు.
- డేటా యొక్క ఏకీకరణను పునరుద్దరించటానికి ప్రమాణాలు లేని డేటా యొక్క అంతర్గత గోతులు.
- చౌక నిల్వ పెద్ద మొత్తంలో డేటాను సంగ్రహించడం మరియు నిలుపుకోవడం సులభం చేసింది. మేము విశ్లేషించగలిగే దానికంటే ఎక్కువ డేటాను క్యాప్చర్ చేస్తాము.
- డేటా సిస్టమ్స్ సంక్లిష్టత పెరిగింది. డేటా నమోదు చేయబడిన రికార్డ్ సిస్టమ్ మరియు డేటా వేర్హౌస్ లేదా క్లౌడ్ అయినా వినియోగ స్థానం మధ్య మరిన్ని టచ్ పాయింట్లు ఉన్నాయి.
మేము డేటా యొక్క ఏ అంశాల గురించి మాట్లాడుతున్నాము? డేటా యొక్క ఏ లక్షణాలు దాని నాణ్యతకు దోహదం చేస్తాయి? డేటా నాణ్యతకు దోహదపడే ఆరు అంశాలు ఉన్నాయి. వీటిలో ప్రతి ఒక్కటి మొత్తం విభాగాలు.
- సమయానుకూలత
- డేటా సిద్ధంగా ఉంది మరియు అవసరమైనప్పుడు ఉపయోగించదగినది.
- ఉదాహరణకు, తదుపరి నెల మొదటి వారంలో నెలాఖరు రిపోర్టింగ్ కోసం డేటా అందుబాటులో ఉంటుంది.
- చెల్లుబాటు
- డేటా బేస్లో సరైన డేటా రకాన్ని కలిగి ఉంది. వచనం వచనం, తేదీలు తేదీలు మరియు సంఖ్యలు సంఖ్యలు.
- విలువలు ఆశించిన పరిధిలో ఉన్నాయి. ఉదాహరణకు, 212 డిగ్రీల ఫారెన్హీట్ అసలు కొలవగల ఉష్ణోగ్రత అయితే, ఇది మానవ ఉష్ణోగ్రతకి చెల్లుబాటు అయ్యే విలువ కాదు.
- విలువలు సరైన ఆకృతిని కలిగి ఉంటాయి. 1.000000కి 1కి సమానమైన అర్థం లేదు.
- క్రమబద్ధత
- డేటా అంతర్గతంగా స్థిరంగా ఉంటుంది
- రికార్డుల నకిలీలు లేవు
- <span style="font-family: Mandali; "> సమగ్రత </span>
- పట్టికల మధ్య సంబంధాలు నమ్మదగినవి.
- ఇది అనుకోకుండా మార్చబడలేదు. వాటి మూలాలను బట్టి విలువలను గుర్తించవచ్చు.
- పరిపూర్ణతను
- డేటాలో "రంధ్రాలు" లేవు. రికార్డులోని అన్ని అంశాలు విలువలను కలిగి ఉంటాయి.
- NULL విలువలు లేవు.
- ఖచ్చితత్వం
- రిపోర్టింగ్ లేదా విశ్లేషణాత్మక వాతావరణంలోని డేటా – డేటా వేర్హౌస్, ఆన్-ప్రెమ్ లేదా క్లౌడ్లో అయినా – సోర్స్ సిస్టమ్లు లేదా సిస్టమ్లు లేదా రికార్డ్ను ప్రతిబింబిస్తుంది
- డేటా ధృవీకరించదగిన మూలాల నుండి వచ్చింది.
డేటా నాణ్యత యొక్క సవాలు డేటా అంత పాతదని మేము అంగీకరిస్తున్నాము, సమస్య సర్వత్రా మరియు పరిష్కరించడానికి చాలా ముఖ్యమైనది. కాబట్టి, దాని గురించి మనం ఏమి చేయాలి? మీ డేటా నాణ్యత ప్రోగ్రామ్ను దీర్ఘకాలిక, అంతం లేని ప్రాజెక్ట్గా పరిగణించండి.
డేటా యొక్క నాణ్యత ఆ డేటా వాస్తవికతను ఎంత ఖచ్చితంగా సూచిస్తుందో సూచిస్తుంది. నిజం చెప్పాలంటే, కొన్ని డేటా ఇతర డేటా కంటే ముఖ్యమైనది. దృఢమైన వ్యాపార నిర్ణయాలకు మరియు సంస్థ విజయానికి ఏ డేటా కీలకమో తెలుసుకోండి. అక్కడ ప్రారంభించండి. ఆ డేటాపై దృష్టి పెట్టండి.
డేటా నాణ్యత 101గా, ఈ కథనం టాపిక్కి ఫ్రెష్మాన్-స్థాయి పరిచయం: చరిత్ర, ప్రస్తుత సంఘటనలు, సవాలు, ఇది ఎందుకు సమస్య మరియు సంస్థలో డేటా నాణ్యతను ఎలా పరిష్కరించాలనే దాని గురించి ఉన్నత-స్థాయి అవలోకనం. 200-స్థాయి లేదా గ్రాడ్యుయేట్-స్థాయి కథనంలో ఈ అంశాలలో దేనినైనా లోతుగా పరిశీలించడానికి మీకు ఆసక్తి ఉంటే మాకు తెలియజేయండి. అలా అయితే, మేము రాబోయే నెలల్లో ప్రత్యేకతలను లోతుగా పరిశీలిస్తాము.