Datakvalitet måler, hvor egnede data er til det tilsigtede formål. Nøjagtige, komplette, konsistente, rettidige og gyldige. Dårlige data har mange varianter. En manglende værdi. En duplikatpost. En dato i det forkerte format. En adresse, der ikke findes. Hver fejl har en pris. En marketingkampagne sender post til døde adresser. En finansiel rapport overdriver omsætningen på grund af dubletter. En maskinlæringsmodel foretager forudindtagede forudsigelser, fordi træningsdataene var ufuldstændige.

Datakvalitet er ikke en engangsløsning. Det er en praksis. Definer kvalitetsdimensioner for hvert datasæt. Mål dem regelmæssigt. Sæt tærskler for acceptabel kvalitet. Undersøg, hvornår tallene falder. De grundlæggende årsager er normalt procesproblemer, ikke teknologiske problemer. Dataindtastning uden validering skaber fejl. Systemer, der ikke deler et fælles kunde-ID, skaber dubletter. Processer, der tillader ufuldstændige poster, skaber huller. At rette processen forhindrer fejlene. At rette dataene uden at rette processen betyder, at fejlene kommer tilbage. Datakvalitetsværktøjer hjælper med profilering, rensning og overvågning. De erstatter ikke ejerskab. Nogen skal være ansvarlig for hvert datasæt. Uden den ansvarlighed forsvinder kvaliteten. Den forsvinder altid.

Dimensioner for datakvalitet

• Nøjagtighed — data afspejler virkeligheden
• Fuldstændighed — ingen manglende værdier
• Konsistens — samme data på tværs af systemer
• Aktualitet — data er aktuelle
• Gyldighed — data overholder reglerne
• Unikhed — ingen dubletter

Datakvalitet er alles opgave. Når det ikke er nogens opgave, mislykkes det.