Kvalita dat měří, jak jsou data vhodná pro zamýšlené použití. Jsou přesná, úplná, konzistentní, aktuální a platná. Špatná data mají mnoho příznaků. Chybějící hodnota. Duplicitní záznam. Datum ve špatném formátu. Neexistující adresa. Každá vada má svou cenu. Marketingová kampaň posílá poštu na nefunkční adresy. Finanční zpráva nadhodnocuje tržby kvůli duplikátům. Model strojového učení vytváří zkreslené předpovědi, protože trénovací data byla neúplná.

Kvalita dat není jednorázová oprava. Je to praxe. Definujte dimenze kvality pro každou datovou sadu. Pravidelně je měřte. Stanovte prahové hodnoty pro přijatelnou kvalitu. Zjišťujte, kdy čísla klesají. Hlavní příčiny jsou obvykle problémy s procesy, nikoli s technologickými problémy. Zadávání dat bez validace vytváří chyby. Systémy, které nesdílejí společné ID zákazníka, vytvářejí duplikáty. Procesy, které umožňují neúplné záznamy, vytvářejí mezery. Oprava procesu předchází chybám. Oprava dat bez opravy procesu znamená, že se chyby vrátí. Nástroje pro kvalitu dat pomáhají s profilováním, čištěním a monitorováním. Nenahrazují vlastnictví. Někdo musí být zodpovědný za každou datovou sadu. Bez této odpovědnosti kvalita klesá. Vždy klesá.

Dimenze kvality dat

• Přesnost – data odrážejí realitu
• Úplnost – žádné chybějící hodnoty
• Konzistence – stejná data napříč systémy
• Aktuálnost – data jsou aktuální
• Platnost – data odpovídají pravidlům
• Jedinečnost – žádné duplikáty

Kvalita dat je úkolem každého. Když to není úkolem nikoho, selhává.