Az adatforrás az, ahonnan az adatok származnak. Adatbázisok, API-k, naplófájlok, érzékelők, felmérések és nyilvános nyilvántartások mind forrásként szolgálnak. A forrás határozza meg az adatok szerkezetét, minőségét és megbízhatóságát. Egy jól karbantartott, korlátozásokkal és validációval ellátott adatbázis tisztább adatokat eredményez, mint egy kézzel kitöltött táblázat. Egy kalibrációs eltolódással rendelkező érzékelő torzított értékeket eredményez. Egy nyilvános adatkészlet hiányos vagy elavult lehet.

A forrás ismerete elengedhetetlen az adatok megbízhatóságához. Honnan származnak? Ki gyűjtötte őket? Mikor? Hogyan? Mi volt a módszer? Mit zártak ki? Ezek a kérdések határozzák meg, hogy mit tudnak és mit nem támasztanak alá az adatok. Egy 100 fős felmérésből származó adatok nem tudják alátámasztani egy milliós populációra vonatkozó állításokat. Egy olyan rendszerből származó adatok, amely csak a sikeres tranzakciókat naplózza, nem veszik figyelembe a hibákat. Egy szállítótól származó adatok pontosak lehetnek az ő céljaik szempontjából, de tévesek a tiéd szempontjából. A forrás a folyamatot is befolyásolja. Egy stabil sémával rendelkező adatbázist könnyebb integrálni, mint egy olyan weboldalt, amely havonta változtatja a HTML-kódját. Egy sebességkorlátokkal rendelkező API korlátozza, hogy mennyi adatot lehet lehívni. Egy manuálisan érkező fájl hajlamos a késésekre és a hibákra. A forrás az alap. Egy gyenge alap aláássa mindent, ami rá épül.

Gyakori adatforrások

• Adatbázisok – alkalmazásokból származó strukturált rekordok
• API-k – programozott hozzáférés külső rendszerekhez
• Naplófájlok – rendszer- és alkalmazásesemények
• Szenzorok – folyamatos fizikai mérések
• Felmérések – strukturált válaszok emberektől
• Nyilvános nyilvántartások – kormányzat és nyílt adatkészletek

Mielőtt megbíznánk az adatokban, értsük meg a forrásukat. A válaszok gyakran többet elárulnak, mint maguk az adatok.