Calitatea datelor măsoară cât de potrivite sunt datele pentru utilizarea preconizată. Sunt exacte, complete, consecvente, oportune și valide. Datele greșite au multe arome. O valoare lipsă. O înregistrare duplicată. O dată în format greșit. O adresă care nu există. Fiecare defect are un cost. O campanie de marketing trimite e-mailuri către adrese nefuncționale. Un raport financiar supraestimează veniturile din cauza duplicatelor. Un model de învățare automată face predicții părtinitoare deoarece datele de antrenament au fost incomplete.

Calitatea datelor nu este o soluție unică. Este o practică. Definiți dimensiuni de calitate pentru fiecare set de date. Măsurați-le în mod regulat. Stabiliți praguri pentru o calitate acceptabilă. Investigați când cifrele scad. Cauzele principale sunt de obicei probleme de proces, nu probleme tehnologice. Introducerea datelor fără validare creează erori. Sistemele care nu au un ID de client comun creează duplicate. Procesele care permit înregistrări incomplete creează lacune. Corectarea procesului previne erorile. Corectarea datelor fără a corecta procesul înseamnă că erorile reapar. Instrumentele de calitate a datelor ajută la profilare, curățare și monitorizare. Acestea nu înlocuiesc proprietatea. Cineva trebuie să fie responsabil pentru fiecare set de date. Fără această responsabilitate, calitatea derivă. Mereu derivă.

Dimensiuni ale calității datelor

• Acuratețe — datele reflectă realitatea
• Completitudine — fără valori lipsă
• Consistență — aceleași date în toate sistemele
• Actualitate — datele sunt actuale
• Validitate — datele sunt conforme cu regulile
• Unicitate — fără duplicate

Calitatea datelor este treaba tuturor. Când nu este treaba nimănui, eșuează.