En datakilde er det sted, hvor data kommer fra. Databaser, API'er, logfiler, sensorer, undersøgelser og offentlige registre fungerer alle som kilder. Kilden bestemmer dataenes struktur, kvalitet og pålidelighed. En velholdt database med begrænsninger og validering producerer renere data end et regneark, der udfyldes manuelt. En sensor med kalibreringsafvigelse producerer skæve aflæsninger. Et offentligt datasæt kan være ufuldstændigt eller forældet.

Det er vigtigt at kende kilden for at kunne stole på dataene. Hvor kom de fra? Hvem indsamlede dem? Hvornår? Hvordan? Hvad var metoden? Hvad blev udelukket? Disse spørgsmål afgør, hvad dataene kan og ikke kan understøtte. Data fra en undersøgelse af 100 personer kan ikke understøtte påstande om en befolkning på millioner. Data fra et system, der kun logger succesfulde transaktioner, overser fejlene. Data fra en leverandør kan være nøjagtige til deres formål og forkerte til dit. Kilden påvirker også pipelinen. En database med et stabilt skema er lettere at integrere end et websted, der ændrer sin HTML hver måned. En API med hastighedsgrænser begrænser, hvor meget data du kan trække. En fil, der ankommer manuelt, er tilbøjelig til forsinkelser og fejl. Kilden er fundamentet. Et svagt fundament underminerer alt, der er bygget ovenpå det.

Almindelige datakilder

• Databaser — strukturerede poster fra applikationer
• API'er — programmatisk adgang til eksterne systemer
• Logfiler — system- og programhændelser
• Sensorer — kontinuerlige fysiske målinger
• Undersøgelser — strukturerede svar fra folk
• Offentlige registre — offentlige og åbne datasæt

Før du stoler på dataene, skal du forstå kilden. Svarene er ofte mere afslørende end selve dataene.