Datastyringsorganet for viden (DMBOK) definerer datakvalitet (DMBOK) som “planlægning, implementering og kontrol af aktiviteter, der anvender kvalitetsstyringsteknikker til data for at sikre, at det er egnet til forbrug og imødekommer dataforbrugernes behov.”
da forventninger til datakvalitet ikke altid er verbaliseret og kendt, er der behov for en løbende diskussion. Datakvaliteten afhænger af konteksten og dataforbrugerens krav.
en kort liste over Datakvalitetsdimensioner er:
- nøjagtighed
- fuldstændighed
- konsistens
- integritet
- rimelighed
- aktualitet
- unikhed/deduplikation
- gyldighed
- tilgængelighed
andre definitioner af datakvalitet inkluderer:
- “egnet til et formål. Opfylder kravene fra dets forfattere, brugere og administratorer.”(Dr. Peter Aiken, tilpasset fra Martin Eppler)
- ” afhængighed af nøjagtighed, konsistens og fuldstændighed af data for at være nyttige på tværs af virksomheden.”(Michelle Knight)
- værktøjer og processer, der anvendes til parsing og standardisering, generaliseret” rensning”, matching, profilering, overvågning og berigelse (Gartner)
- stærk-Vang ramme: (Vang, og stærk, mit og DAMA DMBOK)
- iboende DKV:
- nøjagtighed
- objektivitet
- troværdighed
- omdømme
- kontekstuel DK:
- værditilvækst
- relevans
- fuldstændighed
- passende mængde data
- repræsentativt DKV:
- Fortolkningsevne
- let forståelse
- Repræsentationskonsistens
- kortfattet repræsentation
- tilgængelighed:
- tilgængelighed
- Adgangssikkerhed
- iboende DKV:
et par anvendelser af datakvalitet er:
- forøgelse af værdien af organisatoriske data og mulighederne for at bruge dem.
- reduktion af risiko og omkostninger forbundet med data af dårlig kvalitet.
- forbedring af organisatorisk effektivitet og produktivitet.
- beskyttelse og forbedring af organisationens omdømme.
- dataprofilering.
- data standardisering.
- dataovervågning.
- data udrensning.
Fotokredit: Rawpixel.com/.com
