Problemi comuni di qualità dei dati e come risolverli

Sebbene siamo nell'era delle tecnologie basate sui dati, più del 50% dei dirigenti senior è generalmente insoddisfatto del valore ottenuto dall'analisi. Uno dei motivi principali di ciò è la scarsa qualità dei dati . Inoltre, avere dati di scarsa qualità all'inizio di qualsiasi attività rende inutili ulteriori azioni. Inoltre, qualsiasi decisione presa si baserà su informazioni errate e per le aziende questa è sicuramente una cattiva notizia.

Ecco perché abbiamo deciso di condividere la nostra pluriennale esperienza e competenza nell'utilizzo dei dati. Nell'ultimo anno, abbiamo parlato molto con i nostri colleghi analisti e condotto molte interviste con specialisti di livello mondiale. Ora vogliamo fornire indicazioni sui problemi più frequenti nell'utilizzo dei dati e su come superarli.

Nell'articolo, discutiamo le fasi di un flusso di lavoro di dati, quali errori possono verificarsi e perché. E, soprattutto, condividiamo approcci per risolvere le difficoltà di qualità dei dati.

Alcune definizioni prima di iniziare:

Che cosa sono i dati di qualità? In poche parole (e in termini di dati di marketing), i dati di qualità sono dati rilevanti, aggiornati senza errori e discrepanze . Se cerchiamo la qualità dei dati su Wikipedia, vedremo più di 10 (!) definizioni. Inoltre, Wikipedia cita l'ultima ricerca di DAMA NL sulle definizioni delle dimensioni della qualità dei dati utilizzando la ISO 9001 come quadro di riferimento.

Perché i dati di qualità sono un must per esperti di marketing, analisti e decisori? Senza dati di qualità e affidabili, è impossibile prendere decisioni basandosi sull'analisi di marketing.

Nell'affrontare la grande quantità di dati che gli esperti di marketing e gli analisti utilizzano quotidianamente, è una sfida eliminare completamente gli errori e le discrepanze. È estremamente difficile fornire immediatamente dati di qualità a un utente finale; tuttavia, gli errori di dati possono essere attivamente combattuti e trovati in modo proattivo. Prima di tutto, esaminiamo il processo di lavoro con i dati e distinguiamo i passaggi in cui possono verificarsi problemi di qualità dei dati:

1. Pianificazione della misurazione
2. Raccolta dati primaria
3. Normalizzazione dei dati grezzi
4. Preparazione dei dati aziendali
5. Visualizzazione dati

Nella nostra esperienza, gli errori di dati fattuali di solito compaiono nei primi due passaggi, mentre i casi di uso improprio dei dati si verificano più frequentemente durante gli ultimi passaggi.

Vediamo più in dettaglio quali problemi di qualità dei dati possono sorgere in questi passaggi e come risolverli.

Anche se non ci sono errori nei dati in questa fase, non possiamo ometterli completamente. Il diavolo è nei dettagli e la raccolta dei dati per l'analisi inizia con una pianificazione dettagliata. La nostra raccomandazione è di iniziare sempre con un'analisi espressa e pianificare attentamente la raccolta di tutti i dati di marketing di cui hai bisogno.

Saltare la fase di pianificazione porta a un approccio non strutturato ea dati insufficienti per nuove attività o progetti, mentre l'obiettivo è raccogliere dati frammentati da tutte le origini dati con cui lavori. Se non disponi di tutti i dati, le tue decisioni e azioni sono errate sin dall'inizio. Vediamo quali dati dovresti raccogliere prima di iniziare nuovi progetti:

• Dati sul comportamento degli utenti dal tuo sito web e/o dalla tua applicazione
• Dati di costo da piattaforme pubblicitarie
• Tracciamento delle chiamate, chatbot e dati e-mail
• Dati di vendita effettivi dai tuoi sistemi CRM/ERP, ecc.

Dopo aver creato il tuo piano di misurazione, procediamo alla fase principale di raccolta dei dati. Durante questo passaggio, tra tutte le altre sfide che devi superare, devi considerare di controllare l'accesso ai tuoi dati (è tutta una questione di sicurezza dei dati) e prepararti in anticipo per la creazione del tuo data storage o data lake.

Se desideri ottenere il controllo completo sui tuoi dati grezzi senza modificarli, il nostro consiglio è di utilizzare un unico archivio con importazione automatizzata dei dati. Per esigenze di marketing, Google BigQuery rimane una delle migliori opzioni.

Quali difficoltà di qualità dei dati puoi incontrare in questo passaggio:

Cos'è questo?

Le piattaforme e i servizi pubblicitari raccolgono grandi quantità di dati preziosi sul comportamento degli utenti e il problema si verifica quando si tenta di ottenere tutte queste informazioni per intero da queste fonti di dati senza danneggiarne la completezza.

*Un'Application Programming Interface (API) è una parte del server che trasmette dati (riceve richieste e invia risposte), interagendo con l'utente ogni volta che l'utente visita una pagina del sito web. La maggior parte dei siti Web moderni utilizza almeno diverse API di terze parti.

Cosa c'è che non va?

Un servizio pubblicitario raccoglie dati sulle azioni di un utente; tuttavia, i dati potrebbero cambiare in modo retrospettivo dopo il trasferimento e l'API del servizio potrebbe essere aggiornata o non essere disponibile per qualche tempo. Di conseguenza, parte dei dati semplicemente non verrà consegnata e la qualità complessiva dei dati verrà danneggiata. L'analista potrebbe non essere a conoscenza di questo e potrebbe utilizzare dati irrilevanti per preparare i dati aziendali. Tuttavia, non è possibile ottenere informazioni utili o prendere la decisione giusta sulla base di dati incompleti e/o imprecisi. In poche parole, puoi investire molto tempo e fatica e ritrovarti comunque in fondo alla classifica senza dati utili né prove che le prestazioni siano di successo e redditizie per l'azienda.

Quali sono le ragioni?

I dati possono essere incompleti o non corretti a causa di perdita di dati, discrepanze o duplicati. Le ragioni comuni per questi problemi includono:

• Viene creato un nuovo account su una piattaforma pubblicitaria, ma gli analisti non vengono informati e i dati da esso non vengono raccolti.
• Un'API non supporta i parametri dinamici nei tag UTM e non li raccoglie o trasferisce. Se utilizzi parametri non supportati nei tag UTM, vedrai i nomi dei parametri invece dei loro valori, ad esempio {{geo}} invece del nome effettivo della campagna.
• Aggiornamenti dei dati retrospettivi. I servizi pubblicitari spesso aggiornano i dati in modo retrospettivo (su costi, clic e impressioni negli account pubblicitari). Tuttavia, non tutti gli analisti ne sono consapevoli e ne tengono conto.

Come risolvere questo problema?

Poiché è impossibile controllare direttamente il codice quando si lavora con le API, puoi combattere questi problemi nei seguenti modi:

• distribuzione delle aree di responsabilità durante la raccolta dei dati per ottenere un migliore controllo sulla raccolta dei dati.
• utilizzando strumenti di importazione dati automatizzati che supportano modifiche API, parametri dinamici, ecc. Nel caso in cui i dati non siano disponibili, questi strumenti possono mostrare le lacune esistenti nei dati e scaricare i dati in modo retrospettivo.

Cos'è questo?

Analizzando i dati dei servizi pubblicitari, sappiamo quanto spendiamo in pubblicità. Mentre dai dati sul comportamento degli utenti del sito web, otteniamo informazioni su quanto guadagniamo. Dal momento che le domande commerciali di solito suonano come "quale pubblicità paga e quale no?" è fondamentale conoscere il rapporto ricavi/costi.

Cosa c'è che non va?

I dati sul comportamento degli utenti del sito web differiscono dai dati sui costi raccolti dai servizi pubblicitari perché i dati sul comportamento degli utenti del sito web:

• viene raccolto direttamente dai proprietari del sito web
• ha un volume significativamente maggiore rispetto ai dati sui costi dei servizi pubblicitari

Inoltre, se non ci accorgiamo che non esiste una raccolta di dati sul comportamento degli utenti e non eliminiamo il problema, questi dati andranno persi per sempre.

Come per i problemi di raccolta dei dati dalle API dei servizi pubblicitari, le informazioni incomplete o errate portano a soluzioni errate. Le decisioni di gestione errate, a loro volta, portano a una perdita di reddito.

Quali sono le ragioni?

Possono verificarsi errori durante la raccolta dei dati del sito Web perché:

• Non tutte le pagine del sito web dispongono di un contenitore Google Tag Manager (GTM). GTM raccoglie il risultato delle campagne pubblicitarie e i dati sul comportamento degli utenti. Pertanto, se nella pagina non è presente alcun contenitore GTM, non vengono raccolti dati.
• Il progetto Google Cloud non viene pagato in tempo e pertanto la raccolta dei dati viene sospesa.
• La correttezza dei dati inseriti nei moduli di richiesta dagli utenti del sito web (nome, indirizzo, email, ecc.) non viene convalidata.

Come risolvere questo problema?

Come per la raccolta dei dati da un'API, le soluzioni per la raccolta dei dati dei siti Web includono:

• distribuzione delle aree di responsabilità durante la raccolta dei dati per ottenere un migliore controllo sulla raccolta dei dati
• utilizzando strumenti automatizzati di importazione dei dati; nel caso in cui i dati non siano disponibili, questi strumenti possono avvisarti di errori di dati esistenti

Cos'è questo?

I dati aggregati e campionati sono dati generalizzati che appaiono nei casi in cui non tutti i dati vengono elaborati e utilizzati per l'analisi e il reporting. Ciò accade quando servizi come Google Analytics analizzano solo una parte dei dati per ridurre il carico sui server e bilanciare la velocità e l'accuratezza dell'elaborazione dei dati. Poiché il campionamento si traduce in generalizzazione, porta a una mancanza di fiducia nei risultati ottenuti.

Cosa c'è che non va?

I rapporti campionati distorcono i dati sulle prestazioni e ciò può costarti una fortuna quando si tratta di metriche relative al denaro come obiettivi, conversioni ed entrate. Per questo motivo, rischi di non notare una campagna pubblicitaria redditizia e potresti disattivarla a causa di dati distorti in un rapporto o viceversa: potresti spendere tutti i tuoi soldi in campagne inefficienti.

In altre parole, ogni volta che viene applicato il campionamento, c'è il rischio di ottenere risultati imprecisi. E se provi a prendere una decisione basata solo su una parte dei dati, giochi a indovinelli con il budget dell'azienda.

Quali sono le ragioni?

Nel tentativo di creare report il prima possibile e risparmiare risorse, i sistemi applicano campionamento, aggregazione e filtraggio invece di elaborare enormi array di dati.

Come risolvere questo problema?

L'unica cosa che puoi fare per evitare il campionamento dei dati è raccogliere dati grezzi e controllare costantemente la completezza dei dati in tutti i tuoi rapporti. Questo monitoraggio del processo viene preferibilmente eseguito automaticamente per eludere i fattori umani. Ad esempio, puoi applicare il test automatico della corretta raccolta delle metriche sul tuo sito Web come ha fatto OZON con l'aiuto di OWOX BI.

Dopo aver raccolto tutti i dati necessari, è il momento di normalizzarlo. A questo punto, gli analisti trasformano le informazioni disponibili nel modulo richiesto dall'azienda. Ad esempio, dobbiamo ottenere i numeri di telefono in un unico formato.

La normalizzazione dei dati è un "lavoro da scimmia" manuale e di routine che di solito impedisce agli analisti di svolgere attività più entusiasmanti come l'estrazione di informazioni utili sui dati. Per non parlare del fatto che le difficoltà di normalizzazione di solito richiedono fino al 50% del tempo di lavoro complessivo di un analista.

Difficoltà di qualità dei dati che si possono incontrare in questa fase:

Cos'è questo?

Questi sono effetti collaterali fastidiosi che compaiono durante la normalizzazione dei dati non strutturati.

Cosa c'è che non va?

Il risultato comune di queste dipendenze dai dati è che i sistemi di segnalazione scartano tali dati errati durante l'analisi. Di conseguenza, ci ritroviamo con rapporti imprecisi che non sono basati su dati completi. Ad esempio, supponiamo di avere un oggetto sessioni e un oggetto pubblicità. Nelle sessioni, abbiamo i dati dai giorni 10 al 20, e negli annunci, ci sono i dati dai giorni 10 al 15 (per qualche motivo non ci sono dati sui costi dai giorni 16 al 20). Di conseguenza, o perdiamo i dati degli annunci pubblicitari per i giorni dal 16 al 20, oppure i dati delle sessioni saranno disponibili solo per i giorni dal 10 al 15.

Quali sono le ragioni?

Gli effetti collaterali indesiderati compaiono quando l'API di un servizio pubblicitario viene modificata, non è disponibile o restituisce dati errati.

Come risolvere questo problema?

Allo stesso modo, controlli gli errori di raccolta dei dati, dovresti sempre verificare i dati con cui lavori. Inoltre, se le specifiche dell'unione dei dati non sono note all'utente, è probabile che si verifichino errori durante la normalizzazione dei dati. In pratica, la decisione migliore in questa fase è sviluppare un sistema di monitoraggio della qualità dei dati che allerta il responsabile della qualità dei dati in caso di anomalie dei dati. Per questo, puoi utilizzare servizi come OWOX BI con la sua funzionalità di monitoraggio dei dati incorporata.

Cos'è questo?

Ogni piattaforma o servizio pubblicitario utilizza formati di dati, valute e strutture differenti. Di conseguenza, dopo aver raccolto i dati da tutte le fonti, è necessario normalizzarli in un unico formato/struttura.

Cosa c'è che non va?

È un compito difficile costruire una fortezza triangolare quando tutto ciò che hai sono pezzi rotondi e ovali. Quando si dispone di molti set di dati in formati diversi, semplicemente non è possibile creare un report prima di unificare i dati.

Quali sono le ragioni?

Esistono diversi schemi di dati tra i servizi pubblicitari. Ad esempio, la stessa colonna in piattaforme diverse può essere denominata Nome prodotto e Categoria prodotto. Un altro esempio è l'utilizzo di valute diverse nei dati di costo: dollari per Twitter Ads e sterline su Facebook, ad esempio.

Come risolvere questo problema?

Prima di analizzare i dati, è necessario convertirli in un unico formato; in caso contrario, dalla tua analisi non verrà fuori nulla di buono. Ad esempio, dovresti unire i dati sulla sessione dell'utente con i dati sui costi pubblicitari per misurare l'impatto di ogni particolare fonte di traffico o canale di marketing e per vedere quali campagne pubblicitarie generano maggiori entrate. Naturalmente, questo può essere fatto manualmente utilizzando script e SQL, ma l'applicazione di soluzioni automatizzate è una scelta migliore.

I dati pronti per il business sono un set di dati finale pulito nella struttura che corrisponde al modello di business. In altre parole, se hai eseguito tutti i passaggi per lavorare con i dati e hai completato tutto, dovresti ottenere il set di dati finale. I suoi dati già pronti che possono essere inviati a qualsiasi servizio di visualizzazione dei dati (Power BI, Tableau, Google Data Studio, ecc.).

Tuttavia, non dovresti confonderlo con i dati grezzi su cui puoi provare a creare un rapporto. È un approccio errato che comporterà molti problemi ricorrenti: trovare errori e cause di discrepanze richiederà molto tempo e la logica aziendale dovrà essere costantemente duplicata in tutte le query SQL. Naturalmente, un tale volume di dati grezzi e non strutturati è difficile da tenere aggiornato e controllare i cambiamenti nella logica delle trasformazioni. Ad esempio, potresti riscontrare problemi come l'aggiornamento della cronologia dei dati sui costi dopo che il servizio pubblicitario l'ha modificata. Un altro esempio potrebbe essere il riacquisto di transazioni completate. In questo caso ci vuole tempo per capire se la transazione è stata riscattata, ma dobbiamo attribuire questo stato al momento dell'ordine.

Sfortunatamente, è pratica comune saltare questo passaggio e passare direttamente alla creazione del rapporto. Tuttavia, la nostra esperienza dimostra che l'utilizzo di un set di dati finale e la preparazione di dati pronti per il business per il moderno mondo dell'analisi è un must. A lungo termine, è più economico e più facile lavorare con i dati preparati invece di correre intorno ai dati grezzi facendo le stesse cose ancora e ancora.

Quali difficoltà di qualità dei dati possono verificarsi durante questo passaggio:

Cos'è questo?

È difficile controllare i cambiamenti nella logica di trasformazione a causa di definizioni incoerenti o assenti dei tipi di dati richiesti durante l'elaborazione dei dati.

Cosa c'è che non va?

Quando i dati non sono chiaramente definiti, gli utenti non sono sulla stessa pagina sull'utilizzo dei dati: non sono sicuri di quale tabella o colonna interrogare, quale filtro utilizzare o chi chiedere informazioni sugli oggetti dati. Inoltre, ci vuole troppo tempo per navigare e comprendere tutti gli oggetti di dati dai dati grezzi, inclusi i loro attributi, il loro posto nel modello di dati e la loro rilevanza reciproca.

Quali sono le ragioni?

Un'azienda non ha definito chiaramente i suoi dati principali e il suo modello di dati. Pertanto, la logica per unire i dati è incomprensibile.

Come risolvere questo problema?

Innanzitutto, non applicare la business logic a ogni report o set di dati, ma utilizzare la modellazione dei dati a livello aziendale. All'interno dell'azienda, dovrebbe esserci un modello di dati aziendali trasparente e il controllo del ciclo di vita dei dati. Ciò significa che tutte le definizioni utilizzate devono essere chiare. Ad esempio, gli utenti finali dovrebbero essere consapevoli di cosa rappresentano le metriche relative alle conversioni e ai visitatori del sito web.

Oltre a ciò, poiché è difficile preparare e mantenere aggiornati i dati simulati, la risposta sta nell'applicazione di soluzioni automatizzate (ad es. Data build tool (dbt)) in grado di raccogliere, pulire, normalizzare e monitorare la qualità dei tuoi dati quindi è pronto per il business.

Il team OWOX BI sa più di chiunque altro quanto sia grave il problema dei dati, dal momento che ciascuno dei nostri clienti lo incontra. Abbiamo realizzato un prodotto che consente agli analisti di automatizzare la routine, fornire valore aziendale dai dati e garantire la qualità dei dati.

OWOX BI è una piattaforma unificata che ti consente di raccogliere, preparare e analizzare tutti i tuoi dati di marketing. Automatizza la consegna dei dati dalle origini in silos alla destinazione dell'analisi, assicurando che i dati siano sempre accurati e aggiornati.

Applicando OWOX BI, puoi ottenere dati pronti per il business in base al tuo modello di business con un monitoraggio trasparente della qualità dei dati e un generatore di report facile da usare per sbloccare insight senza SQL o codice.

Diamo un'occhiata a come OWOX BI può aiutarti in tutti i passaggi che abbiamo menzionato sopra.

• Pianifica le tue misure . Crea un piano di misurazione per la tua attività o sviluppa un sistema di metriche appositamente per le tue esigenze aziendali con l'aiuto dei nostri specialisti.
• Raccogli i dati primari . OWOX BI raccoglie dati grezzi da Google Analytics, servizi pubblicitari, siti Web, negozi offline, sistemi di tracciamento delle chiamate e sistemi CRM nell'archiviazione dei dati. La piattaforma funziona senza problemi con account pubblicitari di grandi dimensioni e carica tutti i dati indipendentemente dal numero di campagne. Oltre all'importazione automatica dei dati sui costi, OWOX BI riconosce i parametri dinamici nei tag UTM, converte i costi in un'unica valuta e monitora la pertinenza dei dati.

Non è più necessario cercare vari connettori e, se necessario, il nostro team può anche configurare integrazioni personalizzate per te.

• Normalizza i dati grezzi . Quando si utilizza OWOX BI, non è necessario pulire, strutturare ed elaborare manualmente i dati. Riceverai set di dati pronti nella struttura più chiara e conveniente. Inoltre, in qualsiasi momento è possibile ottenere un report visivo sulla rilevanza dei dati dei servizi pubblicitari caricati su Google Analytics.

• Preparare i dati aziendali . Con OWOX BI, hai dati affidabili pronti per il business a portata di mano. Non è più necessario creare un nuovo set di dati per ogni nuovo report, poiché ottieni set di dati finali predefiniti preparati in base al tuo modello di dati aziendali. Con dati aggiornati e unificati pronti per un'ulteriore segmentazione dei dati, puoi ottenere informazioni dettagliate sulla velocità della tua attività e aumentare il valore dei tuoi dati.

• Visualizza i dati . La piattaforma OWOX BI ti consente di analizzare e visualizzare i tuoi dati dove vuoi. Una volta che i tuoi dati di marketing sono pronti, puoi inviarli alla BI o allo strumento di visualizzazione di tua scelta con pochi clic.

Prenota una demo gratuita per vedere come OWOX BI garantisce la qualità dei dati e come puoi beneficiare di una gestione dei dati completamente automatizzata oggi!

La presentazione visiva delle metriche chiave è l'ultimo passaggio per far funzionare i dati, quindi la presentazione dei dati dovrebbe essere sia informativa che intuitiva. Le visualizzazioni automatizzate e correttamente configurate possono ridurre significativamente il tempo per trovare un problema; ovvero, puoi eseguire più iterazioni con meno sforzo nello stesso periodo per migliorare la qualità dei dati.

Inoltre, è importante ricordare che i servizi di visualizzazione dei dati come il popolare Google Data Studio non possono unire o trasformare i dati. Se hai bisogno di rapporti basati su molte fonti di dati, il nostro consiglio è di raccogliere tutti i dati di cui hai bisogno in anticipo in un unico archivio dati per evitare qualsiasi difficoltà.

Difficoltà di qualità dei dati che puoi incontrare in questo passaggio:

Cosa sono questi?

Quando qualcosa va storto ai livelli precedenti di raccolta e normalizzazione dei dati, gli errori dei dati possono finire nei report mostrati dai servizi di visualizzazione dei dati.

Cosa c'è che non va?

I rapporti creati con errori di dati fattuali sono una perdita di tempo e denaro. Non forniscono alcun profitto o preziose informazioni sulle zone di rischio e di crescita per l'azienda. Scusa, Mario, ma la principessa è in un altro castello!

Quali sono le ragioni?

In poche parole, i dati visualizzati non sono rilevanti. Tuttavia, per scoprire l'origine di tali errori, dovresti tornare a verificare nuovamente i tuoi dati.

Come risolvere questo problema?

L'unico modo per risolvere questo problema è preparare accuratamente i dati e monitorarne la qualità prima di creare report.

Cos'è questo?

I requisiti dei dati cambiano costantemente e cambiano anche le query SQL. Di conseguenza, più complicato diventa il sistema di segnalazione, più facile sarà la sua rottura.

Cosa c'è che non va?

Non c'è niente di sbagliato nelle modifiche, a meno che non siano così tante che è impossibile ricordare quali modifiche sono state apportate, dove e quando. Alla fine, tutti i sistemi di reporting accuratamente costruiti possono scomparire, poiché le query SQL non funzionano e non ci sono dati corretti da visualizzare.

Quali sono le ragioni?

È piuttosto una sfida ricordare ogni piccola cosa, quindi l'errore tipico è dimenticare di applicare le modifiche a tutti i set di dati dove sono necessarie.

Come risolvere questo problema?

Idealmente, gli utenti dovrebbero essere in grado di generare report di marketing senza utilizzare molte query SQL e senza dover applicare molte modifiche e/o modifiche.

Cos'è questo?

Uno dei problemi più comuni è l'incomprensione dei dati (e, quindi, l'uso improprio). Ciò accade quando una determinata metrica o parametro può essere interpretato in più di un modo. Ad esempio, supponiamo che in un rapporto sia presente una metrica di conversione e che questo rapporto sia utilizzato da utenti diversi. Uno degli utenti pensa che una conversione significhi una visita al sito Web, mentre un altro pensa che significhi effettuare un ordine. Tuttavia, c'è anche una terza persona che pensa che questa metrica di conversione riguardi gli ordini consegnati e acquistati. Come puoi vedere, ci sono molte potenziali interpretazioni, quindi devi chiarire quali informazioni sono presentate nel rapporto.

Cosa c'è che non va?

Se non c'è una chiara comprensione di quali dati vengono utilizzati nei report e nei dashboard, non vi è alcuna garanzia che le tue decisioni saranno basate sui fatti sul campo.

Quali sono le ragioni?

Una spiegazione poco chiara delle metriche e dei parametri utilizzati nei report o un tipo inappropriato di visualizzazione dei dati può portare a decisioni sbagliate.

Come risolvere questo problema?

La verifica dei dati non termina quando ti assicuri che i dati inseriti siano corretti e pertinenti. Questi dati possono ancora essere utilizzati in modo improprio. Per evitare questo problema, gli utenti finali devono avere accesso a dati completi, aggiornati e pronti per il business con spiegazioni chiare e precise di quali informazioni sono presentate nei report.

L'analisi della qualità inizia con i dati di qualità. I tuoi sforzi sui dati dovrebbero essere preziosi e affidabili. Ecco perché dovresti identificare e combattere in modo proattivo gli errori e le discrepanze dei dati per ottenere rapporti olistici sulle prestazioni e migliorare la qualità dei tuoi dati. In generale, il miglioramento della qualità dei dati è un processo iterativo in cui si possono distinguere tre fasi:

1. Esame dello stato dei tuoi dati
2. Localizzazione di un problema che degrada la qualità dei dati
3. Risolvere il problema

I più dispendiosi in termini di tempo sono i primi due passaggi. È difficile identificare l'esistenza di un problema e capire in quali situazioni si verifica un errore. Dopo che è diventato chiaro quale sia il problema e dove si trova, risulta essere relativamente facile risolverlo.

Infine, puoi creare tre documenti per migliorare i tuoi dati:

• Schema di spostamento dei dati
• Matrice di responsabilità (chi è responsabile di cosa)
• Modello di dati aziendali