Home

Alcune aziende che ci hanno scelto

Privacy Officer e consulente privacy
Schema CDP secondo la norma ISO/IEC 17024:2012
European Privacy Auditor
Schema di Certificazione ISDP©10003 secondo la norma ISO/IEC 17065:2012
Valutatore Privacy
Secondo la norma UNI 11697:2017
Lead Auditor ISO/IEC 27001:2022
Secondo la norma ISO/IEC 17024:2012
Data Protection Officer
Secondo la norma ISO/IEC 17024:2012
Anti-Bribery Lead Auditor Expert
Secondo la norma ISO/IEC 17024:2012
ICT Security Manager
Secondo la norma UNI 11506:2017
IT Service Management (ITSM)
Secondo l’Ente ITIL Foundation
Ethical Hacker (CEH)
Secondo l’Ente EC-Council
Network Defender (CND)
Secondo l’Ente EC-Council
Computer Hacking Forensics Investigator (CHFI)
Secondo l’Ente EC-Council
Penetration Testing Professional (CPENT)
Secondo l’Ente EC-Council

Qualifiche professionali

Rimani aggiornato sulle notizie dal mondo!

Seleziona gli argomenti di tuo interesse:
GOVERNANCE & AWARENESS
Home / GOVERNANCE & AWARENESS
/
Data Quality
Big Data e Data Science

Obiettivi:

Un management efficace dei dati implica una serie di processi complessi e correlati che consentono a un’organizzazione di utilizzare i propri dati per raggiungere obiettivi strategici. Il data management include la capacità di progettare i dati per le applicazioni, archiviarli e accedervi in modo sicuro, condividerli in modo appropriato, imparare da essi e garantire che soddisfino le esigenze aziendali. Un’ipotesi alla base delle asserzioni sul valore dei dati è che i dati stessi siano affidabili e fidati. In altre parole, di alta qualità.

Tuttavia, molti fattori possono minare tale presupposto contribuendo a dati di scarsa qualità; mancanza di comprensione degli effetti dei dati di scarsa qualità sul successo dell’organizzazione, cattiva pianificazione, progettazione di sistemi “a silos”, processi di sviluppo incoerenti, documentazione incompleta, mancanza di standard, o mancanza di governance. Molte organizzazioni non riescono a definire ciò che rende i dati “fit for ​​purpose”. Tutte le discipline di data management contribuiscono alla qualità e i dati di alta qualità che supportano l’organizzazione dovrebbero essere l’obiettivo di tutte le discipline di data management. Poiché decisioni o azioni non informate da parte di chiunque interagisca con i dati possono risultare in dati di scarsa qualità; la produzione di dati di alta qualità richiede impegno e coordinamento interfunzionali. Le organizzazioni e i team dovrebbero essere consapevoli di ciò e dovrebbero pianificare dati di alta qualità, eseguendo processi e progetti in modo da tenere conto dei rischi relativi a condizioni impreviste o inaccettabili nei dati.


Attività svolte dal nostro Team:

Definire dati di Alta Qualità

Molte persone riconoscono i dati di scarsa qualità quando li vedono; meno sono in grado di definire cosa si intende per dati di alta qualità. Prima di lanciare un programma di data quality, è utile comprendere le esigenze aziendali, definire i termini, identificare i punti deboli dell’organizzazione e iniziare a creare consenso sui driver e le priorità per il miglioramento della data quality. È necessario porre una serie di domande per comprendere lo stato attuale e valutare la prontezza organizzativa per il miglioramento della data quality.

Definire una strategia di Data Quality

Il miglioramento della data quality richiede una strategia che tenga conto del lavoro che deve essere svolto e del modo in cui le persone lo eseguiranno. Le priorità sulla data quality devono allinearsi con la strategia aziendale. L’adozione o lo sviluppo di un quadro e di una metodologia aiuteranno a guidare sia la strategia che le tattiche fornendo al contempo mezzi per misurare progressi e impatti. Un framework dovrebbe includere metodi per:

  • Comprendere e stabilire le priorità delle esigenze di business
  • Identificare i dati fondamentali per soddisfare le esigenze di business
  • Definire regole di business e standard di data quality in base ai requisiti di business
  • Valutare i dati in base alle aspettative
  • Condividere i risultati e ottenere feedback dagli stakeholder
  • Dare priorità e gestire i problemi
  • Individuare e dare priorità alle opportunità di miglioramento
  • Misurare, monitorare e produrre report sulla data quality
  • Gestire i Metadati prodotti attraverso processi di data quality
  • Integrare i controlli di data quality nei processi di business e tecnici

Un framework dovrebbe anche spiegare come organizzare la data quality e come sfruttare gli strumenti di data quality.

Identificare i dati critici e le regole aziendali

Non tutti i dati sono di uguale importanza. Le attività di management della Data Quality dovrebbero concentrarsi innanzitutto sui dati più importanti dell’organizzazione: dati che, se fossero di qualità superiore, fornirebbe un valore maggiore all’organizzazione e ai suoi clienti. È possibile assegnare la priorità ai dati in base a fattori quali requisiti normativi, valore finanziario e impatto diretto sui clienti.

Eseguire un Data Quality Assessment iniziale

Una volta identificate le esigenze aziendali più critiche e i dati che le supportano, la parte più importante dell’assessment sulla data quality è effettivamente esaminare tali dati, interrogarli per comprenderne il contenuto e le relazioni e confrontare i dati effettivi con le regole e le aspettative. La prima volta che questo viene fatto, gli analisti scopriranno molte cose: relazioni non documentate e dipendenze all’interno dei dati, regole implicite, dati ridondanti, dati contraddittori, ecc., nonché dati che sono effettivamente conformi alle regole.

Identificare e dare priorità ai potenziali miglioramenti

Avendo dimostrato che il processo di miglioramento può funzionare, l’obiettivo successivo è applicarlo strategicamente. Ciò richiede l’identificazione e la definizione delle priorità dei potenziali miglioramenti.

L’identificazione può essere ottenuta mediante la profilazione su vasta scala di set di dati più grandi per comprendere l’ampiezza delle tematiche esistenti. Può anche essere realizzata con altri mezzi, come interviste alle parti interessate sulle tematiche relative ai dati che le impattano e dare seguito all’analisi dell’impatto sul business di tali tematiche. In definitiva, la definizione delle priorità richiede una combinazione di analisi dei dati e discussione con gli stakeholders.

Definire gli obiettivi per il miglioramento della Data Quality

Le conoscenze acquisite attraverso le valutazioni preliminari costituiscono la base per obiettivi specifici del programma di data quality. Il miglioramento può assumere forme diverse, dalla semplice riparazione (ad esempio, correzione di errori nei record) alla correzione delle cause alla radice. I piani di risanamento e miglioramento dovrebbero tenere conto dei quick win – problemi che possono essere risolti immediatamente a basso costo – e dei cambiamenti strategici a più lungo termine. L’obiettivo strategico di tali piani dovrebbe essere quello di affrontare le cause alla radice dei problemi e, in primo luogo, di mettere in atto meccanismi per prevenire i problemi.

Sviluppare e distribuire operazioni di Data Quality

Molti programmi di data quality vengono avviati attraverso una serie di progetti di miglioramento identificati tramite i risultati della valutazione della data quality. Al fine di sostenere la data quality, un programma DQ dovrebbe mettere in atto un piano che consenta al team di gestire le norme e gli standard di data quality, monitorare la costante conformità dei dati con le regole, identificare e gestire i problemi di data quality e produrre report sui livelli di qualità.

Suggeriti per te

Data Governance Data Architecture Data Modeling e Design Data Storage e Operations Data Security Data Integration e Interoperability Document e Content Management Reference e Master Data Data Warehousing e Business Intelligence Metadata Management Data Quality Big Data e Data Science