Datakvalitet mäter hur lämplig data är för dess avsedda användning. Korrekta, fullständiga, konsekventa, aktuella och giltiga. Dåliga data har många varianter. Ett saknat värde. En dubblettpost. Ett datum i fel format. En adress som inte finns. Varje defekt har ett kostnad. En marknadsföringskampanj skickar e-post till döda adresser. En finansiell rapport överskattar intäkterna på grund av dubbletter. En maskininlärningsmodell gör partiska förutsägelser eftersom träningsdata var ofullständiga.

Datakvalitet är inte en engångsåtgärd. Det är en övning. Definiera kvalitetsdimensioner för varje datamängd. Mät dem regelbundet. Sätt tröskelvärden för acceptabel kvalitet. Undersök när siffrorna sjunker. Grundorsakerna är vanligtvis processproblem, inte teknikproblem. Datainmatning utan validering skapar fel. System som inte delar ett gemensamt kund-ID skapar dubbletter. Processer som tillåter ofullständiga poster skapar luckor. Att åtgärda processen förhindrar felen. Att åtgärda data utan att åtgärda processen innebär att felen kommer tillbaka. Datakvalitetsverktyg hjälper till med profilering, rensning och övervakning. De ersätter inte äganderätten. Någon måste vara ansvarig för varje datamängd. Utan den ansvarsskyldigheten försämras kvaliteten. Den försämras alltid.

Dimensioner för datakvalitet

• Noggrannhet — data återspeglar verkligheten
• Fullständighet — inga saknade värden
• Konsekvens — samma data över olika system
• Aktualitet — data är aktuella
• Validitet — data överensstämmer med regler
• Unikhet — inga dubbletter

Datakvalitet är allas jobb. När det inte är någons jobb, misslyckas det.