1) Identificare i dati chiave

2) Identificare le regole e i modelli esistenti

1) Identificare e dare priorità ai problemi

2) Analisi della causa principale del problema di esecuzione

1) Dare priorità alle azioni in base all'impatto aziendale

2) Sviluppare misure preventive e correttive

3) Confermare le azioni pianificate

1) Sviluppare regole operative per la qualità dei dati

2) Correggere i difetti di qualità dei dati

3) Misurare e monitorare la qualità dei dati

4) Riportare i livelli e i risultati della qualità dei dati

La gestione della qualità dei dati dovrebbe concentrarsi sui dati più importanti per l’azienda e i suoi clienti e la priorità dei miglioramenti dovrebbe essere stabilita in base all’importanza dei dati e al livello di rischio se i dati non sono corretti.

La gestione della qualità dei dati dovrebbe coprire l’intero ciclo di vita dei dati, dalla creazione o dalla creazione allo smaltimento, compresa la gestione dei dati quando fluiscono all’interno e tra i sistemi (ogni anello della catena dei dati dovrebbe garantire che i dati abbiano un output di alta qualità).

Il focus di un programma di qualità dei dati dovrebbe essere quello di prevenire errori nei dati e situazioni che riducono la disponibilità dei dati, non semplicemente correggere i record.

Migliorare la qualità dei dati non significa semplicemente correggere gli errori. Poiché i problemi di qualità dei dati sono spesso legati alla progettazione di processi o sistemi, il miglioramento della qualità dei dati spesso richiede modifiche ai processi e ai sistemi che li supportano, non solo la loro comprensione e risoluzione.

Le attività di governance dei dati devono supportare lo sviluppo di dati di alta qualità e le attività di pianificazione della qualità dei dati devono supportare e sostenere un ambiente di dati governato.

Tutte le parti interessate nel ciclo di vita dei dati avranno requisiti di qualità dei dati. Ove possibile, i requisiti quantificabili in materia di qualità dei dati dovrebbero essere definiti sotto forma di standard e aspettative misurabili.

I livelli di qualità dei dati devono essere misurati in modo obiettivo e coerente. I processi e i metodi di misurazione dovrebbero essere discussi e condivisi con le parti interessate in quanto sono gli arbitri della qualità.

I proprietari dei processi aziendali sono responsabili della qualità dei dati generati attraverso i loro processi e devono implementare standard di qualità dei dati nei loro processi.

I proprietari del sistema devono applicare i requisiti di qualità dei dati al sistema.

Il reporting sulla qualità dei dati e la gestione dei problemi dovrebbero essere integrati negli accordi sul livello di servizio (SLA)

1. Segnalazioni regolamentari

2. Rendicontazione finanziaria

3. Politica aziendale

4. Continuità aziendale

5. Strategia aziendale, in particolare strategia competitiva differenziata

Il framework Strong-Wang si concentra sul punto di vista dei consumatori sui dati

Nel suo libro "La qualità dei dati nell'era dell'informazione", Thomas Redman ha sviluppato una serie di dimensioni della qualità dei dati basate sulla struttura dei dati. Redman definisce un elemento di dati come una "tripla rappresentabile": una raccolta di attributi e valori di entità.

Nel suo libro "Improving Data Warehousing and Business Information Quality", Larry English ha proposto una serie di indicatori completi, divisi in due categorie: caratteristiche intrinseche e caratteristiche pratiche. Le caratteristiche intrinseche non hanno nulla a che fare con l'utilizzo dei dati. Le caratteristiche pratiche sono dinamiche e legate all'espressione dei dati. Il loro valore qualitativo dipende dall'uso dei dati.

1) Completezza. Volume di dati archiviati come percentuale del volume di dati potenziale

2) Unicità. Le istanze di entità (cose) non dovrebbero essere registrate più volte sulla base del riconoscimento soddisfacente dell'oggetto.

3) Tempestività. La misura in cui i dati rappresentano la realtà dal momento richiesto.

4) Efficacia. I dati sono validi se sono conformi alla sintassi definita (formato, tipo, intervallo).

5) Precisione. La misura in cui i dati descrivono accuratamente l'oggetto o l'evento del "mondo reale" descritto.

6) Coerenza. Confronta le differenze tra le varie espressioni e definizioni delle cose.

Il Circolo di Deming è un modello di risoluzione dei problemi noto come "plan-do-check-act"

P: pianificare

D: Esegui

C: Controlla

R: Azione/processo

Confermare che le definizioni dei dati siano comprese in modo identico e siano implementate e utilizzate correttamente in tutta l'organizzazione;

Regole che definiscono se i valori mancanti sono accettabili

Un valore assegnato a un elemento dati in base a un modello specificato, ad esempio uno standard per la formattazione dei numeri di telefono

L'assegnazione dell'elemento dati specificato deve essere inclusa nel valore di enumerazione di un determinato campo valore dati. Ad esempio, il valore ragionevole del campo stato è il codice postale statunitense di 2 caratteri.

L'assegnazione dell'elemento dati deve rientrare in un numero, un dizionario o un intervallo di tempo definito, ad esempio un intervallo di numeri maggiore di 0 e minore di 100.

Rappresenta un valore assegnato a un elemento dati che deve corrispondere a un valore selezionato che mappa a un altro intervallo di valori corrispondente equivalente.

Si riferisce alla determinazione condizionale della relazione tra due (o più) attributi in base ai valori effettivi di tali attributi.

Confronta il valore dei dati con il valore corrispondente nel sistema di registrazione o altra fonte di verifica (come i dati di marketing acquistati dal fornitore) per verificare che i valori corrispondano.

Regole che specificano quali entità devono avere rappresentazioni univoche e avere esattamente un record per ogni rappresentazione di un oggetto del mondo reale.

Regole che indicano le caratteristiche che si prevede siano associate all'accessibilità e all'usabilità dei dati.