V dnešní uspěchané době s vysokým důrazem na rychlou dodávku vývoje se velmi často přehlíží téma datových kontrol na vstupu nebo během transformačních procesů při zpracování dat, přestože se jedná o velmi důležitou část práce s daty.
Jaká je skutečnost?
Manažeři dostanou do rukou již finální report, ale jen velmi málo z nich tuší nebo je zajímá, kolik práce je spojené s jeho přípravou. Až když dojde při zpětné vazbě se zaměstnanci na téma „potřebujeme navýšit počet lidí pro reporting, protože nestíháme nebo naopak se řeší snížení personálních nákladů“, tak vyplyne napovrch, jak náročné je report připravit a kolik času z toho zaberou manuální opravy chyb v datech.
Očekávání manažera je, že reporty jsou v dnešní době plně automatická záležitost a hlavní náplní lidí z reportingu by mělo být data analyzovat a interpretovat. Realita je však většinou jiná a je třeba celý tým lidí, aby zachraňoval včasné dodání reportu, dohledával ručně správná data, manuálně je přepisoval, spouštěl připravené workaroundy, které mu pravidelnou chybu v datech opraví a podobně.
Jak málo by stačilo...
Přitom by jen stačilo během vývoje a větších změnách v systémech věnovat tématu datová kvalita větší pozornost. Investice do nastavení datových kontrol na vstupu dat do systému nebo online ověření na pozadí jsou jednorázovou investicí, která může výrazně snížit množství chyb, které musí následně tým reportingu opravovat na výstupu. Dalším hezkým příkladem, kde na datovou kvalitu není dáván velký důraz, ať už z pohledu snahy snížit celkový rozpočet projektu nebo dodat ho v co nejkratším časem, je vyčištění dat při migrace ze starého systému do nového. Pročištění dat např. pro desetisíce klientů před migrací do nového stroje se opět může zdát jako zbytečnost, ale až s odstupem času se ukáže, kolik nepořádku se do nového stroje zaneslo. A ruku na srdce, kdo z nás je ochoten s odstupem pár let investovat lidské zdroje do mohutného pročištění dat. Raději tiše tolerujeme, že část kapacit týmu je věnována opravám dat místo jejich analýze nebo interpretaci.
Co z toho vyplývá?
Kvalita dat se samozřejmě různí společnost od společnosti, důležitým faktorem přispívající ke kvalitě dat je také jejich stáří, komplexnost datových toků, transformací. Ať už kvalitu dat ovlivňuje jakýkoliv faktor, prevence vzniku datové chyby je v delším časovém horizontu levnější řešení než nekonečné opravování datových chyb a hašení požárů na poslední chvíli.
Na základě našich mnohaletých zkušeností jsme pro vás připravili
- 8 kroků, které vám pomohou k dosažení datové kvality
- přehled, kde všude, v jakých oblastech firmy se můžete zaměřit na zlepšení datové kvality
- jak vám může Collibra automatizací procesů zajistit spolehlivá a přesná data v reálném čase
- přístup Billigence k řízení datové kvality