Gli attuali modelli di business sono sempre più condizionati dai dati. Oggi, la maggior parte delle aziende enterprise utilizza i propri dati in modo adeguato per far fronte alle esigenze primarie di gestione operativa, ma a breve ciò non basterà più. Per poter essere competitivi sarà essenziale poter disporre, in ogni momento, delle informazioni corrette, senza margine per latenze o lunghi tempi di analisi.

In particolare, per rispondere efficacemente a clienti, partner e fornitori, sarà importante accelerare l’acquisizione e l’analisi di Big Data non strutturati, che costituiscono ormai oltre l’80% dei dati aziendali (fonte: Datamation).

Per poter eseguire analisi in tempo reale è necessario che le tecnologie di Analytics siano integrate nei processi di business e questo obiettivo richiede obbligatoriamente di porre attenzione alla Data quality.

Comprendere la Data quality

Parlare di Data quality significa ricondurre la presenza delle inevitabili carenze associate ai dati a un livello accettabile, in relazione all’impatto che queste potrebbero avere sul business. Impatto che, per esempio, potrebbe manifestarsi in una gestione inefficace dei clienti, in modalità di approvvigionamento inadeguate, nella creazione di campagne marketing fuori target o nell’inibire la capacità di sfruttare opportunità di espansione e incremento del fatturato.

La Data quality rappresenta, quindi, la base per approntare una strategia efficace di Data Governance che, a sua volta, abilita il processo di trasformazione di un’azienda verso un modello data-driven, l’unico in grado di mantenere un’azienda competitiva nel prossimo futuro.

Gli strumenti di Data quality intervengono sul catalogo dei dati mettendo a disposizione una serie di funzionalità di automazione quali:

  • – profilazione dei dati;
  • – integrazione dei formati;
  • – validazione dei dati;
  • – correzione dei dati;
  • – monitoraggio delle regole associate ai dati;
  • – individuazione e mappatura di dati sensibili ai fini della compliance;
  • – “preview” personalizzati dei dati in base a specifiche richieste;
  • – accesso controllato ai dataset;
  • – report integrati.

Perché occuparsi di Data quality

La pianificazione del business, che in passato era un’attività affrontata periodicamente (su scale temporali pluriennali), deve diventare un processo dinamico, costantemente rivisto e adeguato alle esigenze di un mercato globale rapidamente mutevole.

Pianificare le azioni di business richiede necessariamente una forte attenzione alla qualità dei dati e alla loro modellazione: tanto più i dati enterprise sono contestualizzati, tanto maggiori sono le opportunità di realizzare analisi in grado di produrre azioni che generano un valore di business.

La capacità di migliorare i dati enterprise è proprio la principale differenza tra un catalogo dati moderno e gli archivi di metadati tradizionali.

In sintesi, la Data quality abilita analisi efficaci su dati provenienti da una pluralità di fonti, consentendo a un’azienda di ottimizzare i prodotti, migliorare il servizio ai clienti, incrementare il fatturato, ridurre le spese e prendere decisioni tattiche e strategiche in modo più consapevole.

Misurare la Data quality

Poter definire una metrica per misurare la qualità dei dati è una condizione fondamentale per avviare un processo ricorsivo positivo.

Le metriche per misurare la qualità dei dati di un sistema o di un’azienda sono definibili correlando gli obiettivi di business con le diverse categorie di errore associabili ai dati, che possono essere ricondotte alle seguenti:

  • – dati mancanti;
  • – dati non corretti;
  • – valori non ragionevoli;
  • – formattazione inconsistente;
  • – entità prive di identificazione univoca;
  • – mancanza di integrità di riferimento tra i valori dei dati all’interno del modello;
  • – previsioni inesatte del numero di collegamenti dei dati;
  • – previsioni inesatte nella presenza di valori di campo basati su altri valori (subtype/supertype);
  • – attributi utilizzati per molteplici significati;
  • – errori di calcolo;
  • – dati che non rientrano nella loro codifica prevista.

Gli strumenti più evoluti di Data quality permettono anche di predisporre metriche e punteggi definite dall’utente a livello di attributo e tabella e di associare le metriche di data quality con punteggi di altri metadati.

New call-to-action
ARGOMENTI CORRELATI
Categoria: DATA GOVERNANCE
Data Quality e Data Governance. Concept grafico che rappresenta il raggiungimento dell'obiettivo di Data Quality

Fare ordine tra i dati: dalla Data Quality alla Data Governance 

Mettere ordine tra i propri dati aziendali è il primo passo, lo step fondamentale per… Leggi tutto

Concept che rappresenta la data literacy: immagine che raffigura un computer aperto su un tavolo

Data literacy: cos’è e perché è fondamentale per la tua impresa

Al giorno d’oggi si sente spesso parlare di strategie Data Driven e della necessità di… Leggi tutto

Data migration, concept grafico: immagine che raffigura una lente di ingrandimento che ingrandisce alcuni ingranaggi (le classiche rotelle con i denti) posti su uno sfondo di simboli alfanumerici. Il concetto grafico richiama la complessità di una operazione come quella di migrazione dei dati

Data migration: cos’è, come si esegue e le best practice

La trasformazione digitale ha causato un notevole aumento delle attenzioni dedicate alla Data Governance, la… Leggi tutto