Introduction

Qualité des données La direction définit les objectifs, les approches et les plans d'action qui garantissent que le contenu des données est d'une qualité suffisante pour soutenir les objectifs commerciaux définis de l'organisation. Qualité des données La gestion doit être développée en adéquation avec les besoins de l'entreprise et évaluée par rapport à des critères définis. dimensions de la qualité des données et sur la base d'une analyse de l'état actuel de Qualité des données. Qualité des données La gestion des données consiste en un ensemble de processus couvrant l'intégralité du cycle de vie des données afin de garantir que les données fournies répondent aux besoins de leurs utilisateurs cibles. En veillant à ce que les processus de nettoyage et de validation des données soient efficaces et performants, Qualité des données La gestion permet à l'organisation de maintenir un environnement de contrôle des données robuste. Cela garantit que les données sont adaptées à leur finalité, favorise une prise de décision éclairée, améliore l'efficacité opérationnelle et apporte une valeur ajoutée mesurable à l'entreprise.

Définition

Qualité des données Composante de gestion englobe un ensemble de capacités à mettre en œuvre profilage des données, l'évaluation de la qualité axée sur les besoins de l'entreprise, l'élaboration de règles de contrôle qualité, la surveillance, la gestion des défauts, l'analyse des causes profondes et la résolution des problèmes de données. Ces capacités permettent à l'organisation de mettre en œuvre qualité des données des processus tout au long du cycle de vie des données afin de garantir et de contrôler que les données sont adaptées à leur usage prévu.

Portée

• Établir un Qualité des données Gestion fonction.
• Travailler avec la gestion des données Bureau de gestion de programme concevoir et mettre en œuvre des processus et des outils durables pour les activités courantes Qualité des données Gestion.
• Effectuer Qualité des données Processus de gestion en fonction des données priorisées de l'organisation. Qualité des données Les processus de gestion comprennent profilage et notation, élaboration de règles, mesure continue, gestion des défauts, correction des causes profondes, remédiation.
• Établir Qualité des données règles, indicateurs et routines de reporting.
• Assurez-vous que Qualité des données Gestion et Qualité des données La gouvernance de gestion est intégrée à la gouvernance des données.

Proposition de valeur

Les organisations qui construisent, formalisent et attribuent qualité des données Les responsabilités liées aux activités quotidiennes peuvent contribuer à améliorer la culture des données. Les organisations qui mettent en œuvre efficacement ces responsabilités peuvent y parvenir. Qualité des données La gestion de l'écosystème des données obtient un retour sur investissement dans plusieurs domaines :

• Meilleure gestion des risques
• Analyses améliorées
• Un meilleur service client et une innovation produit
• Amélioration de l'efficacité opérationnelle
• Réduction des coûts de changement/transformation et amélioration de la qualité

Aperçu

Qualité des données est un concept large terme Il est essentiel de comprendre cela dans le contexte des processus organisationnels où les données sont utilisées. Chercher à créer des données “ parfaites ” n'est pas toujours un objectif réaliste. L'organisation doit développer une approche qui… Qualité des données Adopter une approche de gestion et établir des plans globaux pour garantir l'intégrité et la pertinence des données. La qualité des données doit être définie en des termes pertinents pour les utilisateurs afin de garantir leur adéquation à l'usage prévu. L'objectif global est de Qualité des données L'objectif est de garantir que les utilisateurs de données aient confiance dans les données qu'ils reçoivent des producteurs. Étant donné que les utilisateurs exploitent les données pour soutenir leurs activités et prendre des décisions, ces données doivent communiquer des faits conformes à leurs attentes. domaine, le contexte et les exigences opérationnelles. Le consommateur ne devrait avoir que peu ou pas besoin de procéder à un rapprochement ou à une transformation manuelle des données. Qualité des données est un processus Il ne s'agit pas d'un projet. L'un des objectifs essentiels est de créer une culture partagée de Qualité des données découlant de la direction générale et intégrée à l'ensemble des opérations de l'organisation. Qualité des données peut être segmenté en dimensions mesurables. Les organisations peuvent tirer profit de son utilisation dimensions de la qualité des données La classification des défauts permettra d'optimiser les efforts de correction et de faciliter un suivi efficace. Les dimensions présentées ci-dessous en sont des exemples typiques. La qualité des données (DQ) peut être segmentée selon les dimensions suivantes :

• Précision: la relation du contenu avec l'intention originale
  • Exemple : la date correcte associée à un document
• Complétude: la disponibilité des attributs de données requis
  • Exemple : tous employés Avoir une date d'embauche dans un SIRH
• Cohérence: dans quelle mesure les données se conforment aux formats et définitions requis dans l'ensemble des jeux de données
  • Exemple : une adresse est identique pour une entreprise dans les systèmes de gestion des comptes fournisseurs et de gestion des fournisseurs.
• Couverture:: la disponibilité des enregistrements de données requis
  • Exemple : un ensemble de données comprend toutes les valeurs pour la période requise
• Opportunité: la mise à jour des données de représentation, ainsi que leur disponibilité et leur utilisation en cas de besoin.
  • Exemple : les données se trouvent dans un ensemble de données, mais a été saisie trop tard, ce qui a entraîné le non-respect des délais.
• Unicité: le degré auquel aucun enregistrement ou attribut n'est enregistré plus d'une fois
  • Exemple : plusieurs enregistrements faisant référence à la même personne dans un système CRM
• Validité: les données relatives aux diplômes sont conformes à la définition syntaxique convenue, notamment en ce qui concerne le format, le type et la plage de valeurs.
  • Exemple : le mois doit être une valeur numérique comprise entre 1 et 12.

L'identification et la priorisation de dimensions de la qualité des données favoriser une communication efficace sur Qualité des données répondre aux attentes et apporter des avantages à l'initiative de gestion des données. Établir un profil de l'état actuel de qualité des données est un aspect important de l'ensemble Qualité des données Gestion fonction.Un nouveau profil doit être créé lors de l'intégration ou de la création de données, puis périodiquement lors de toute transformation de données ou modification au sein de l'écosystème de données. L'objectif est d'évaluer les tendances dans les données, ainsi que d'identifier les anomalies et les points communs, afin d'établir une base de référence des données actuellement stockées et d'évaluer les écarts potentiels entre les valeurs réelles et les valeurs attendues. Une fois le profil de données établi, l'organisation doit évaluer les données au regard des tolérances et des seuils de qualité définis par l'organisme compétent. Qualité des données L'évaluation examine également les exigences métier afin de valider que les données sont adaptées à l'usage prévu. L'objectif de cette évaluation processus Il s'agit de mesurer la qualité des attributs commerciaux les plus importants des données existantes et de déterminer quel contenu nécessite une correction. La responsabilité de producteur de données et consommateur de données Il s'agit d'identifier les données critiques pour les processus métier des utilisateurs de données. La priorisation des données en fonction de leur criticité permet ensuite de déterminer… Qualité des données Gestion fonction quels attributs nécessitent un niveau de contrôle et de gouvernance accru ? Les données désignées comme critiques requièrent le plus haut niveau de qualité des données selon les dimensions identifiées. L'évaluation du profil processus identifie les données qui nécessitent une correction pour être conformes consommateur de données Les exigences en matière de nettoyage et/ou de correction des données doivent être définies selon un ensemble prédéfini de règles métier qui identifient les anomalies et sont liées aux processus métier et opérationnels. La correction des données doit être effectuée au plus près de leur point de capture ou de création. La mise en œuvre d'une approche d'analyse des causes profondes pour la correction des données permettra de prendre en compte des facteurs supplémentaires ayant un impact. qualité des données Cela inclut les processus métier, les mises à jour de l'interface utilisateur et d'autres facteurs non liés aux données. Une responsabilité claire et une stratégie définie de correction des données sont indispensables pour garantir la connaissance des règles et des processus et ainsi éviter les traitements redondants à différentes étapes du cycle de vie des données. L'objectif global est de corriger les données une seule fois, en s'appuyant sur une documentation vérifiable et les règles métier, et de corriger les processus ayant permis l'introduction de données erronées dans le système, à la source du problème. Les corrections de données doivent être communiquées à tous les référentiels en aval et aux systèmes en amont, et harmonisées avec ces derniers. Il est important de disposer d'une procédure cohérente et documentée. processus Pour la remontée des problèmes et la vérification des modifications, tant pour les producteurs que pour les fournisseurs de données, il est essentiel de garantir la qualité des données tout au long de leur cycle de vie. Ainsi, producteurs et utilisateurs de données ont des attentes clairement définies quant à la gestion des données, qu'elles soient stockées ou en transit. Les normes facilitent l'intégration des données dans les entrepôts de données opérationnels, leur diffusion au sein de l'écosystème interne, les échanges de données externes avec des tiers, et définissent les exigences en matière de sécurité, de conformité réglementaire et de gestion des risques. Qualité des données Pour être durable, une structure de gouvernance solide, bénéficiant du soutien organisationnel le plus élevé de la haute direction, doit être mise en place. Cela soutient Qualité des données Gestion des activités et garantie de la conformité avec Qualité des données processus. Qualité des données Les processus doivent être documentés, opérationnalisés et validés régulièrement par le biais d'examens de gestion des données et de processus d'audit formels. Qualité des données Ne peut être réalisé par un contrôle centralisé. À l'échelle de l'organisation. Qualité des données nécessite l'engagement et la participation d'un large éventail de parties prenantes. Qualité des données La qualité des données résulte d'une série de processus métier qui créent une chaîne d'approvisionnement. Par conséquent, les parties prenantes, tout au long de cette chaîne, doivent être autorisées et tenues responsables de la qualité des données qui circulent dans leurs domaines respectifs. Qualité des données nécessite un soutien organisationnel coordonné. Qualité des données Pour qu'une organisation puisse perdurer et réussir, ses processus et objectifs de gestion doivent faire partie intégrante de sa culture opérationnelle.

Questions fondamentales

• Est-il entendu que des données de mauvaise qualité sont souvent le signe d'une entreprise dysfonctionnelle ? processus ou la technologie ?
• Est-il entendu que l'instituer un Qualité des données Le système représente-t-il un changement culturel qui touche tous les aspects des processus commerciaux, opérationnels et technologiques ?
• Les rôles et les responsabilités sont-ils définis pour assurer la pérennité du système ? Qualité des données Gestion fonction?
• Les ressources humaines et financières nécessaires sont-elles prévues pour mettre en œuvre et exploiter le Qualité des données Gestion fonction?
• Les processus opérationnels de base sont-ils formalisés et communiqués (profilage, surveillance, remédiation, gestion des normes, gestion du changement) ?
• Sont Qualité des données Des normes de gestion ont-elles été élaborées, approuvées et communiquées ?
• Les ressources nécessaires sont-elles en place pour assurer une formation à l'échelle de l'organisation afin de soutenir une démarche durable ?, Qualité des données changement culturel ?
• Existe-t-il un soutien de haut niveau formalisé autour d'un mécanisme d'escalade et de socialisation ? Qualité des données problèmes?

Artefacts principaux

Voici les artefacts de base requis pour exécuter une action efficace Qualité des données Capacité de gestion. Éléments comportant un lien ‘ * ’ vers des recommandations de bonnes pratiques publiées.

• Élément de données critique Méthode et critères d'identification
• Profilage des données Méthodologie
• Dimensions de la qualité des données Cadre*
• Qualité des données Métriques et tableaux de bord
• Qualité des données Inventaire des règles
• Méthodologie de gestion des défauts
• Méthodologie d'analyse des causes profondes
• Évaluation de l'intégration, de la migration et de l'impact de la migration

Le Qualité des données Gestion fonction L'approche et le plan doivent être définis et approuvés par les parties prenantes. Les rôles et responsabilités de chacune doivent être établis, et des processus opérationnels vérifiables doivent être mis en place.

Description

L'approche et le plan doivent être définis pour le Qualité des données Gestion fonction et refléter la vision et les objectifs connexes de l'approche de gestion des données. Une fois établie, elle doit être formellement habilitée par la haute direction et son rôle communiqué à toutes les parties prenantes.

Objectifs

• Établir formellement le Qualité des données Approche et plan de gestion au sein de l'organisation.
• Assurez-vous de l'alignement de partie prenante feuilles de route et plans avec les Qualité des données Stratégie de gestion.
• Communiquer le rôle du Qualité des données Gestion fonction dans l'ensemble de l'organisation.
• Actionnez le Qualité des données Gestion fonction en collaboration avec les parties prenantes de l'initiative de gestion des données.
• Obtenir l'autorité nécessaire pour faire respecter Qualité des données Conformité de la gestion par le biais politique et des procédures documentées.

Conseil

Le Qualité des données La stratégie et l'approche de gestion englobent le quoi, le comment, le quand, le qui et le pourquoi de Qualité des données. Il convient de préciser l'étendue des données à examiner et à analyser, ainsi que la méthode à employer. Qualité des données Les évaluations seront réalisées selon des indicateurs définis, selon leur fréquence et les personnes responsables, avec des rôles clairement définis. Qualité des données La direction doit être étroitement alignée sur les objectifs commerciaux de l'organisation afin de garantir que les données les plus importantes soient correctement conservées et surveillées, démontrant ainsi comment qualité des données Ces initiatives peuvent favoriser l'atteinte des objectifs commerciaux et éviter les risques et les coûts liés à des données erronées. Qualité des données La gestion implique un changement culturel. Il est essentiel qu'un document soit établi. Qualité des données La stratégie et l'approche de gestion sont communiquées aux parties prenantes des secteurs des affaires, des données et de la technologie afin de garantir leur sensibilisation, leur soutien et leur engagement. L'évolution rapide des enjeux liés à l'éthique des données introduit de nouvelles exigences. Qualité des données Gestion fonction. Ces exigences comprennent un examen éthique visant à déterminer si les données produites sont adaptées à l'usage prévu. De plus, Qualité des données La gestion est l'un des domaines où l'utilisation de techniques et d'outils tels que l'intelligence artificielle peut contribuer à l'amélioration de la qualité des données. Ces exigences et opportunités doivent être prises en compte dans la stratégie et l'approche de la gestion. Qualité des données Gestion fonction.Alignement de Qualité des données L'approche de gestion et la feuille de route de la stratégie et des objectifs de gestion des données sont définies par un accord entre les niveaux opérationnels. agent de données via la structure de gouvernance des données. Le niveau opérationnel agent de données est responsable de l'établissement des priorités pour chacune des exigences des composantes du cadre.

Questions

• A-t-il le Qualité des données Gestion fonction a été officiellement établie ?
• Y a-t-il un Qualité des données Une approche de gestion est-elle en place ?
• Sont les Qualité des données Approche de gestion et feuille de route alignées sur la stratégie de gestion des données ?
• Les technologies innovantes telles que l'intelligence artificielle ont-elles été envisagées comme faisant partie de la Qualité des données Gestion processus et les infrastructures ?
• A-t-il le Qualité des données Gestion fonction a-t-elle été officiellement communiquée aux parties prenantes des secteurs des affaires, de la technologie, des opérations, des finances et des risques ?
• La direction générale a-t-elle démontré son soutien ?
• L'autorisation a-t-elle été accordée à Qualité des données Gestion fonction mettre en œuvre et faire respecter les meilleures pratiques via politique et les normes ?
• L'autorité a-t-elle été communiquée aux parties prenantes ?
• Existe-t-il un partenariat fonctionnel avec l'audit interne ?
• Les impacts de l'intégration ont-ils été examinés ?

Artefacts

• Qualité des données Approche et plan de gestion
• Communication du soutien spécifique de la direction générale via les listes de diffusion

Score

Description

Qualité des données La gestion exige la collaboration d'un réseau de personnes au sein de l'organisation, notamment des responsables des données et des experts métiers, afin de garantir l'exactitude des données collectées, traitées et diffusées. Les personnes responsables doivent être identifiées et leurs rôles et responsabilités clairement définis.

Objectifs

• Définir et communiquer les rôles et les responsabilités de Qualité des données Gestion fonction tout au long du cycle de vie des données.
• Le personnel adéquat est identifié et les responsabilités sont comprises dans le Qualité des données Gestion fonction.

Conseil

Qualité des données La gestion implique de nombreux acteurs responsables de la collecte des données requises., profilage des données, remédiation, définitions, métadonnées, transformation, analyse des causes profondes et coordination de l'ensemble de l'écosystème de données et du cycle de vie des données. Ces efforts impliquent la désignation et la responsabilisation des propriétaires, des gestionnaires, des conservateurs, des dépositaires et autres acteurs. Ces personnes responsables doivent posséder le niveau hiérarchique requis et maîtriser tous les processus internes associés. Qualité des données Gestion. Avec l'ajout d'un examen d'éthique des données dans le Qualité des données Gestion processus, une expertise en la matière sera nécessaire, soit par l'ajout d'experts, soit par une formation appropriée de Qualité des données Ressources de gestion. De même, dans la mesure où l'IA est utilisée pour soutenir Qualité des données Gestion processus, Des compétences supplémentaires devront être acquises ou développées parmi les parties prenantes.

Questions

• Est-ce que Qualité des données Gestion fonction un personnel suffisant ?
• Les rôles et responsabilités de Qualité des données Gestion fonction ont été définis, documentés et socialisés ?

Artefacts

• matrice RACI ou d'autres preuves de reddition de comptes
• Description des rôles et responsabilités de Qualité des données Gestion fonction
• Liste de partie prenante affectations et communication bidirectionnelle
• Analyse des écarts de compétences nécessaires et en place

Score

Description

Des procédures formelles doivent être mises en place pour les activités de Qualité des données Gestion fonction. Ces processus sont conformes à la gestion des données. politique et les normes de l'organisation, notamment les procédures, les outils et les routines. Ces routines sont nécessaires au bon fonctionnement de l'entreprise.

Objectifs

• Établir des formalités Qualité des données Processus de gestion conformes à la gestion des données politique et les normes.
• S'assurer que les processus sont adaptés et alignés sur les besoins des parties prenantes commerciales, opérationnelles et d'audit.
• Intégrer le Qualité des données Intégrer les processus de gestion dans les processus globaux de bout en bout de l'initiative de gestion des données.
• Qualité des données Les processus de gestion sont auditables.

Conseil

Le Qualité des données Les experts en gestion devraient collaborer avec l'entreprise. processus services de conception et d'optimisation au sein de l'équipe du programme de gestion des données. Ensemble, ils créeront et suivront la mise en œuvre du Qualité des données Processus de gestion alignés sur le processus de bout en bout processus dans le cadre de l'ensemble de l'initiative de gestion des données. Qualité des données Des processus de gestion doivent être mis en œuvre pour rationaliser et soutenir les exigences de l'organisation en matière d'examen et d'audit. Des processus d'examen d'audit doivent être établis et, le cas échéant, appuyés par des capacités de reporting afin de rationaliser le processus. processus. Le Qualité des données Gestion processus La conception devrait inclure les exigences relatives à l'examen éthique afin de déterminer si les données sont adaptées à l'usage prévu. Elle devrait également intégrer l'intelligence artificielle. processus si inclus dans le Qualité des données Stratégie et approche de gestion.

Questions

• Des procédures formelles ont-elles été définies et mises en œuvre ?
• Les procédures, les outils et les routines nécessaires à la mise en œuvre des processus sont-ils en place ?
• L’examen de l’éthique des données a-t-il été inclus dans les processus définis ?
• Sont Qualité des données Les activités de gestion font-elles partie du fonctionnement normal des parties prenantes ?
• Existe-t-il des réunions régulières, des séances de planification et une communication régulière concernant les initiatives liées aux données ?

Artefacts

• Processus artefacts de conception, procédure guides et routines publiées
• Processus rapports sur les indicateurs de performance
• Comptes rendus de réunions, rapports d'étape et annonces du programme de gestion des données

Score

Profilage et la mesure des données comprend :

• Prioriser les données concernées en fonction de leur criticité et matérialité
• Mesurer que les données sont adaptées à l'usage prévu
• Définition et test qualité des données règles basées sur les règles métier pour valider l'adéquation à l'usage

Description

Les données concernées, telles que définies par les objectifs commerciaux, doivent être priorisées en fonction de leur criticité et matérialité au consommateur de données et les affaires processus.

Objectifs

• Définir un processus pour prioriser les données pertinentes.
• Identifier la portée de personne concernée à Qualité des données Gestion, tant actuelle qu'historique.
• Définir les priorités en matière de données en fonction des priorités de la stratégie de données et des objectifs commerciaux.

Conseil

Une organisation peut établir des niveaux de priorisation des données. La gestion des données politique Les normes devraient définir les niveaux de contrôle des données à appliquer à chaque niveau de priorisation. Le niveau le plus élevé est un élément de données critique. Les éléments de données critiques désignés font l'objet du plus haut niveau de contrôle afin de garantir le maintien de la qualité de ces attributs. Élément de données critique La désignation est contrôlée processus, généralement capturées dans les classifications de données, pour parvenir à un accord entre les producteur de données et consommateur de données.

Questions

• A-t-il le processus prioriser les données définies ?
• A la portée de personne concernée à Qualité des données La direction a-t-elle été identifiée, priorisée et vérifiée ?

Artefacts

• Priorisé élément de données critique inventaire relatif aux domaines de données
• Communication bidirectionnelle concernant les inventaires et qualité des données attentes

Score

Description

Les données concernées doivent être profilées afin de déterminer le spectre complet de dimensions de la qualité des données pour votre organisation (précision, complétude, couverture, conformité, cohérence, opportunité, unicité). Métadonnées Il convient également de les examiner afin de s'assurer que la description et l'utilisation prévue des données sont correctement définies.

Objectifs

• Définir un processus pour profilage, analyser et évaluer les données.
• Analyser, profiler et évaluer les données concernées.
• Capturer profilage résultats de façon régulière.
• Rapport profilage résultats pour les acteurs des secteurs des affaires, des données et de la technologie.

Conseil

Le Qualité des données Gestion fonction Il s'agit de s'assurer que les données sont adaptées à l'usage prévu et qu'elles sont fiables. Profilage des données crée un référentiel de qualité pour l'organisation. Preuve de profilage des données Ces données seront exigées lors de tout audit interne ou contrôle réglementaire. Elles devront être évaluées au regard de critères d'adéquation et de… dimensions de la qualité des données. Certains types de données, comme les séries chronologiques, doivent être évalués selon des critères supplémentaires tels que les lacunes, les pics et les anomalies. Les principaux acteurs concernés par ce processus sont les suivants : processus sont les producteur de données et consommateur de données. En fin de compte, la qualité est définie par l'entreprise. processus exigences des consommateur de données et devrait être formellement approuvé par les producteur de données.Les indicateurs sont utilisés pour suivre Qualité des données et piloter les efforts de correction des données. Points de contrôle tout au long de la chaîne d'approvisionnement des données Qualité des données des indicateurs utilisés pour produire Qualité des données tableaux de bord. Les exigences des consommateur de données sont utilisés pour établir des seuils de qualité pour les données. Ces seuils permettent de classer les données selon les niveaux acceptables définis. Qualité des données en fonction des exigences minimales de certains consommateur de données.Créer un standard et automatisés processus L'exécution régulière des indicateurs de qualité et la communication des résultats sont essentielles pour respecter les contraintes de temps de la chaîne d'approvisionnement des données. Un mécanisme d'exécution est donc nécessaire. Qualité des données Les règles et la génération de rapports de résultats sont nécessaires pour soutenir profilage des données, analyser et noter processus. L'utilisation de l'intelligence artificielle peut contribuer à processus.

Questions

• Les données concernées ont-elles été profilées, analysées et classées ?
• Est Qualité des données profilés par rapport aux règles de logique métier ainsi que pour la cohérence par rapport aux attentes statistiques ?
• Les parties prenantes pertinentes en matière de commerce, d'opérations, d'analyse, de données et de technique sont-elles impliquées dans le processus ? processus?
• Les technologies innovantes telles que l'IA sont-elles utilisées pour identifier et suggérer des règles ou effectuer des opérations de nettoyage dans le cadre de processus?
• Sont standard critères de mesure qualité des données défini et vérifié ?
• Les indicateurs sont-ils collectés et communiqués de manière régulière ?
• Les résultats de la mesure et de la notation des données sont-ils enregistrés comme métadonnées dans un catalogue de données ?
• Des examens périodiques de qualité des données et les règles métier sont-elles appliquées pour garantir la pertinence ?

Artefacts

• Règles commerciales et profilage des données critères de mesure
• Analyse de la qualité des données résultats
• Mécanisme d'attribution et de communication des notes pour Qualité des données
• Qualité des données rapports de métriques, tableaux de bord, cartes thermiques et autres formes de résultats
• Liste des parties prenantes et preuves de communication bidirectionnelle

Score

Description

Qualité des données Des règles basées sur les règles métier doivent être définies et testées afin de valider avec certitude que les données sont adaptées à l'utilisation tout au long de leur cycle de vie.

Objectifs

• Définir un processus pour le développement de qualité des données des règles tout au long du cycle de vie des données.
• Définir des règles métier qui peuvent être traduites en qualité des données règles et utilisées pour mesurer la qualité des données.
• Définir un processus pour les essais de qualité des données règles.
• Mettre en place un environnement et un ensemble d'outils pour l'exécution et le test des règles.
• Socialiser Qualité des données règles et résultats des tests avec les parties prenantes.

Conseil

Les règles métier constituent la base du développement qualité des données Des règles sont nécessaires pour quantifier la qualité des données. Un partenariat avec des experts métiers est essentiel pour pouvoir définir des données de qualité. dimensions de la qualité des données établir un ensemble de règles potentielles qui pourraient être nécessaires pour déterminer l'ensemble Qualité des données. Un aspect crucial de la définition des règles de qualité consiste à tester leur résultat. Les tests sont une activité itérative menée lors de la conception de chaque règle. Tester et retester à chaque amélioration apportée à une règle est essentiel pour identifier l'ensemble des règles applicables. dimensions de la qualité des données. Ces dimensions sont nécessaires pour le qualité des données Un ensemble de règles permet de mesurer la qualité avec précision. Divers changements peuvent survenir au cours du cycle de vie des données, nécessitant de nouveaux tests. qualité des données règles, telles que l'introduction de nouvelles données dans un système existant processus ou des modifications de la structure des données. Comprendre ces changements est essentiel pour déterminer quand qualité des données Un nouveau test est nécessaire. Qualité des données Des règles devraient être élaborées pour tester les différentes dimensions de qualité. Toutes les dimensions ne sont pas appliquées au scénario de test. Il convient de veiller à ce que le plus grand nombre de dimensions possible soit soumis à des règles. La rédaction de règles de qualité relève à la fois de l'art et de la science. Ces règles, ainsi que leur étendue, évolueront au fil du temps. L'apparition de nouveaux défauts de qualité orientera la conception de nouvelles règles permettant de détecter ces problèmes à l'avenir. règle de qualité des données Un ensemble est un atout précieux pour une organisation. Qualité des données Les règles nécessitent un environnement de test, généralement un environnement de développement où elles peuvent être définies, testées et dont les résultats analysés afin de garantir leur bon fonctionnement. De plus, une infrastructure technique adéquate est indispensable pour écrire, stocker, exécuter et analyser les règles. Les compétences requises pour tester les règles peuvent inclure des compétences métier. processus expertise en la matière, Qualité des données Expertise en gestion, en infrastructure technique et en programmation. Veillez à évaluer soigneusement les compétences et les ressources disponibles, car il est rare de trouver une seule personne possédant un tel éventail de compétences.

Questions

• Existe-t-il une définition processus pour la conception, les tests et le déploiement de qualité des données règles?
• Existe-t-il une bibliothèque de règles métier associées à des ensembles de données ou à des produits ?
• Sont les qualité des données Des règles basées sur des règles métier définies ?
• Existe-t-il un environnement de test de données et des outils appropriés pour son exécution ? règle de qualité des données tests ?
• Comment est partie prenante Les commentaires et les approbations ont été recueillis lors de l'exécution et de l'évaluation. qualité des données tests ?
• Les parties prenantes ont-elles validé que l'éventail de dimensions de la qualité des données Les règles appliquées dans l'ensemble de règles sont adéquates pour déterminer Qualité des données?

Artefacts

• Processus artefacts de conception, procédure guides et routines publiées
• Documenté dimensions de la qualité des données
• Critères utilisés pour évaluer Qualité des données
• Qualité des données dépôt de règles
• Qualité des données règles enregistrées comme métadonnées
• Rapports et tableaux de bord des résultats des tests
• Qualité des données déploiement de règles processus

Score

Maintenir le qualité des données comprend :

• Exécution qualité des données points de contrôle
• Capture Qualité des données métriques pour identifier les données défectueuses
• Surveillance continue des données

Description

Des points de contrôle des données doivent être mis en place pour évaluer quantitativement la qualité des données tout au long de leur circulation dans les processus métier et technologiques.

Objectifs

• Établir un processus définir Qualité des données points de contrôle.
• Mettre Qualité des données mettre en place des points de contrôle et les rendre pleinement opérationnels tout au long de la chaîne d'approvisionnement des données.
• Enregistrer Qualité des données contrôles comme métadonnées.

Conseil

Qualité des données est régie par le développement de points de contrôle tout au long de la chaîne d'approvisionnement des données. Qualité des données Des points de contrôle doivent être appliqués au point d'entrée des données dans l'organisation, au point d'entrée dans l'application consommatrice, et lorsque les données circulent et se transforment tout au long de la chaîne d'approvisionnement. Qualité des données Les contrôles comprennent la mise en œuvre des règles métier, l'établissement des flux de travail et la configuration Qualité des données tolérances et surveillance des mouvements de données.

Questions

• Les points de contrôle sont-ils définis, vérifiés et documentés ?
• Les règles métier sont-elles définies, vérifiées, documentées et approuvées ?
• Les entreprises processus Les flux sont-ils définis et la manière dont ils gèrent les exceptions a-t-elle été vérifiée ?
• Les points de contrôle, les règles métier et processus flux opérationnel ?
• Les contrôles sont-ils régulièrement revus et mis à jour, le cas échéant ?

Artefacts

• Documentation des points de contrôle, des règles métier et processus flux
• Contrôle processus examen et approbation

Score

Description

Points de contrôle tout au long de la chaîne d'approvisionnement des données Qualité des données des indicateurs utilisés pour produire Qualité des données des tableaux de bord utilisés pour identifier les données défectueuses. Qualité des données Les défauts doivent faire partie intégrante du processus de gestion des problèmes de l'initiative de gestion des données. Qualité des données gestion des problèmes processus doit assurer le suivi des problèmes jusqu'à leur résolution et fournir un service continu partie prenante communication.

Objectifs

• Gérer qualité des données problèmes à résoudre.
• Piloter et prioriser les efforts de remédiation en utilisant Qualité des données rapports de métriques.
• Mettre en place une procédure et une infrastructure de reporting pour la gestion des problèmes.

Conseil

Partie prenante engagement, y compris l'engagement consommateur de données et producteur de données, La gestion des données est essentielle à la résolution efficace et stratégique des problèmes de données. Ces problèmes doivent être gérés à chaque étape de leur résolution : tri des anomalies, priorisation, analyse des causes profondes, correction des causes profondes et restauration des données défectueuses. La restauration des données peut aller de solutions permanentes à des correctifs tactiques pour permettre une reprise critique. processus pour continuer à fonctionner. Il est important de noter que les meilleures pratiques consistent en des solutions permanentes qui s'attaquent aux causes profondes. Communication avec toutes les parties prenantes tout au long de ce processus. processus Il est essentiel d'informer les parties prenantes des données erronées et de leur impact sur les processus métier et l'utilisation des données. Les parties prenantes concernées pourraient devoir participer à l'analyse et à la définition d'une solution acceptable. Des outils importants peuvent faciliter la résolution de ce problème. processus Il s'agit d'un registre des problèmes et d'un système de suivi de leur statut. Le lien vers l'enregistrement du problème doit faire partie du métadonnées Ce document consigne tous les cas de données erronées. Il sera communiqué à tous les utilisateurs de l'organisation et permettra de minimiser les efforts redondants lorsqu'un problème est détecté à plusieurs niveaux de la chaîne d'approvisionnement des données. Souvent, notamment lors des premières étapes d'une initiative de gestion des données, le volume de données erronées peut dépasser les ressources nécessaires à leur résolution. qualité des données problèmes. Documenter la priorisation processus dans le Qualité des données Le registre des problèmes, même s'il entraîne un arriéré, démontre que ces problèmes étaient connus et évalués, plutôt que d'être découverts lors d'un audit ultérieur.

Questions

• Sont Qualité des données Des rapports et des tableaux de bord de métriques diffusés régulièrement ?
• Des indicateurs sont-ils utilisés pour identifier Qualité des données problèmes et solutions de dépannage ?
• Sont les Qualité des données problèmes capturés comme métadonnées et liés aux actifs d'un catalogue de données ?
• Existe-t-il des processus de communication relatifs aux problèmes/à la correction des données ?

Artefacts

• Qualité des données métriques de dimension
• Qualité des données rapports d'incidents, tableaux de bord, cartes thermiques et autres formes de résultats
• Liste des parties prenantes et preuves de communication bidirectionnelle

Score

Description

Qualité des données La surveillance s'effectue aux points de contrôle. Des points de contrôle doivent être établis aux endroits où les données entrent dans une entreprise. processus ou lorsqu'elle est intégrée à une application consommatrice. Pour assurer une surveillance continue, les données doivent être vérifiées à chaque entrée de données, quel que soit le type de point de contrôle. Notifications des anomalies identifiées qualité des données Les problèmes doivent être activés.

Objectifs

• surveillance continue de Qualité des données.
• Mettre en place une infrastructure pour la surveillance continue de Qualité des données.

Conseil

Le processus La surveillance continue présente des coûts, des avantages et des défis opérationnels. Cette surveillance doit être effectuée en temps réel et intégrée à un processus par lots. processus, ou exécutable à la demande. Une forme d'automatisation est nécessaire pour assurer une surveillance continue, des alertes et, dans certains cas, le nettoyage des données. Les systèmes existants ne permettent généralement pas une surveillance continue. Intégrer ces contrôles qualité au moment de la capture ou de l'utilisation des données serait trop coûteux. Le défi consiste donc à définir une solution technique permettant d'exécuter ces contrôles au plus près du point de capture ou de chargement des données, à un coût acceptable.

Questions

• La surveillance continue de Qualité des données effectué ?
• L'infrastructure en place permet-elle de soutenir une surveillance continue de Qualité des données?
• Les points de contrôle définis et leurs correspondances qualité des données Des règles sont-elles surveillées ?

Artefacts

• Programme Qualité des données surveillance
• Qualité des données rapports de défauts et alertes

Score

Des processus de correction des données doivent être élaborés, documentés et mis en œuvre pour résoudre les problèmes les plus urgents. qualité des données problèmes. Les processus Cela doit inclure la correction des données existantes et la résolution des causes profondes afin d'éliminer les futurs défauts de données, ou l'acceptation du défaut. Les problèmes de données ont un impact sur l'activité de l'entreprise. processus Les incidents doivent être consignés, hiérarchisés et faire l'objet d'un plan de remédiation élaboré et mis en œuvre. Dans certains cas, la remédiation des données est une priorité faible en raison d'un manque de matérialité, les ressources ou la gravité. Les processus de remédiation doivent inclure la documentation et l'acceptation de ces défauts par les parties prenantes.

Description

analyse des causes profondes processus Le problème est documenté. La correction des données doit inclure à la fois la rectification des données existantes qui sont défectueuses et la détermination de la cause première du problème afin d'éviter toute récurrence de données erronées à l'avenir.

Objectifs

• analyse des causes profondes des problèmes de données
• Identification de la cause première des problèmes/défauts de données
• analyse des solutions de remédiation

Conseil

Avant de procéder à toute résolution, il est impératif d'identifier et de comprendre la source du défaut. Les défauts de données peuvent avoir une origine humaine., processus, Les données et les sources techniques sont des éléments essentiels. Disposer de l'expertise adéquate dans chacun de ces domaines est crucial pour analyser la cause profonde d'un problème. La résolution des problèmes de données ne se limite pas à une simple correction. Ces problèmes peuvent être systémiques. Il est important d'analyser leur ampleur et leur profondeur afin de déterminer si l'organisation privilégie les réparations ponctuelles au détriment de la résolution de la cause profonde. Une fois la cause profonde identifiée, l'équipe doit analyser les solutions alternatives possibles en vue de leur priorisation (voir 5.4.2). Une structure de reporting robuste est indispensable pour garantir que les systèmes en amont soient informés des problèmes de données récurrents ou persistants. De même, une structure de gouvernance solide, soutenue par la direction, est nécessaire pour assurer une résolution appropriée des causes profondes, notamment lorsque celles-ci ne relèvent pas du même domaine organisationnel que celui impacté. processus.

Questions

• Une analyse des causes profondes est-elle effectuée ?
• Des solutions correctives alternatives ont-elles été identifiées pour appuyer la priorisation ?

Artefacts

• Preuve de signalement des problèmes de données tout au long de la chaîne d'approvisionnement des données
• Preuve que l'analyse des causes profondes et les mesures correctives sont en cours.
• Preuve de la réalisation des avantages et vérification de la réussite des mesures correctives

Score

Description

Les problèmes de données sont consignés auprès des services compétents. matérialité ou leur gravité, afin de permettre la priorisation. Les problèmes de données doivent être consignés quelle que soit la cause première suspectée. Sur la base de l'analyse du problème de données, des plans de remédiation doivent être élaborés pour traiter les problèmes les plus urgents. En cours Qualité des données Il convient également d'établir des modalités d'évaluation, de maintenance et des échéanciers.

Objectifs

• Prioriser et exécuter la correction des données.
• Mettre en œuvre un plan et une gestion de la correction des données.
• Gérer correctement les besoins en matière de correction des données.

Conseil

La remédiation des données consiste à corriger les données erronées identifiées et à prévenir les erreurs futures. Les données erronées doivent être corrigées au plus près de leur source de capture, et la cause profonde du défaut doit être résolue. Il peut également être judicieux de mettre en œuvre des solutions correctives ponctuelles pour améliorer partiellement la qualité des données au moment de leur utilisation. Ces solutions correctives doivent ensuite être supprimées dans le cadre de la remédiation. Veillez à ce que les activités de remédiation ne soient pas des processus ponctuels, mais bien intégrées au processus global. Qualité des données Procédure de gestion courante. Une correction des données doit être mise en œuvre pour les deux. données au repos et données en mouvement.

Questions

• Les plans de correction des données sont-ils gérés et suivis jusqu'à leur achèvement ?
• Les critères de priorisation des mesures correctives sont-ils documentés, communiqués et utilisés ?
• Des plans de correction des données ont-ils été élaborés, vérifiés et hiérarchisés ?

Artefacts

• Qualité des données rapports de défauts
• Journal des problèmes de données et de leur résolution
• plan de remédiation des données
• Preuve de la priorisation des problèmes
• Preuve que les travaux de réparation ont été effectués
• Liste des parties prenantes et preuves de communication bidirectionnelle

Score