dataämnen

Data Management Body of Knowledge (DMBOK) definierar datakvalitet (DQ) som ”planering, genomförande och kontroll av aktiviteter som tillämpar kvalitetshanteringstekniker på data, för att säkerställa att den är lämplig för konsumtion och tillgodose behoven hos datakonsumenter.”

eftersom förväntningar om datakvalitet inte alltid är verbaliserade och kända behövs en pågående diskussion. Datakvaliteten beror på sammanhanget och datakonsumentens krav.

en kort lista över Datakvalitetsdimensioner är:

• noggrannhet
• fullständighet
• konsistens
• integritet
• rimlighet
• aktualitet
• unikhet/deduplicering
• giltighet
• tillgänglighet

andra definitioner av datakvalitet inkluderar:

• ”passar för ett syfte. Uppfyller kraven från dess författare, användare och administratörer.”(Dr. Peter Aiken, anpassad från Martin Eppler)
• ”tillit till noggrannhet, konsistens och fullständighet av data för att vara användbar i hela företaget.”(Michelle Knight)
• verktyg och processer som används för tolkning och standardisering, generaliserad ”rengöring”, matchning, profilering, övervakning och berikning (Gartner)

• Strong-Wang framework: (Wang och Strong, MIT och DAMA DMBOK)
  • Intrinsic DQ:
    • noggrannhet
    • objektivitet
    • trovärdighet
    • rykte
  • kontextuell DQ:
    • mervärde
    • relevans
    • fullständighet
    • lämplig mängd data
  • representativ DQ:
    • Tolkbarhet
    • lätt att förstå
    • representativ konsistens
    • kortfattad representation
  • tillgänglighet DQ:
    • tillgänglighet
    • Åtkomstsäkerhet

några användningar av datakvalitet är:

• öka värdet på organisationsdata och möjligheterna att använda den.
• minska risken och kostnaden i samband med data av dålig kvalitet.
• förbättra organisatorisk effektivitet och produktivitet.
• Skydda och förbättra organisationens rykte.
• dataprofilering.
• data standardisering.
• dataövervakning.
• Data rengöring.

Fotokredit: Rawpixel.com/.com