Kvalita dat v computing se odkazuje na soulad dat určených použití v postupech , na procesy , rozhodnutí pro přípravu a plánování (JM Juran).
Podobně jsou data považována za vysoce kvalitní, pokud správně představují realitu, na kterou odkazují.
Tyto dva pohledy se často mohou navzájem konfliktovat, i když se používá stejná sada dat se společným cílem.
Většina technologií v počítačových dat se rodí z touhy posílat informace pomocí mailu . Před vznikem levných serverů byly mainframy použity k aktualizaci dat (jména, adresy a další atributy), aby e-mail dorazil správně na místo určení. Mainframe pomocí obchodních pravidel správných defektů v datech (chyb na název pole a data, strukturní vady) a ke sledování zákazníků, kteří změnili adresu , zmizel, se spojil, nebo zažil další akce.
Ve Spojených státech začaly vládní agentury zpřístupňovat poštovní údaje několika společnostem poskytujícím služby za účelem správy podniků v rámci Národního registru adres (NCOA) . Tato technika ušetřila velkým společnostem velké částky peněz (miliony dolarů) ve srovnání s ruční správou údajů o zákaznících. Velké společnosti snížily své náklady na poštovné, faktury a pošta se přesněji dostaly k zamýšleným příjemcům. Kvalita dat, která byla původně prodávána jako služba, se integrovala do organizací díky dostupnosti cenově dostupných serverových technologií.
Ačkoli většina společností myslí na jméno a adresu, když se zajímá o kvalitu dat, dnes se uznává, že kvalita dat je způsob, jak zlepšit všechny typy dat , jako jsou data na trhu, dodavatelský řetězec , data ERP, transakční data atd. . Například sladění dat dodavatelského řetězce s určitým standardem má pro organizaci hodnotu:
Zatímco údaje o jménech a adresách mají jasný standard s definicemi poštovních úřadů, jiné typy údajů mají jen málo uznávaných standardů. V dnešním odvětví existuje zásadní trend standardizovat určitá data, která nejsou adresami. Skupina GS1 je jednou ze skupin, které stojí v čele tohoto hnutí.
Kvalita dat je velmi důležitá pro dosažení interoperability složitých systémů. Zejména to zasahuje do požadavků na sledovatelnost , které se objevují v některých hospodářských odvětvích:
Ve stejném duchu, kvalita dat se také podílí na analýze životního cyklu všech produktů .
Kvalita dat má také velký význam v přímém marketingu nebo obecněji v řízení vztahů se zákazníky (CRM), kde údaje o zákaznících představují pro společnosti důležitý zdroj hodnoty.
Z úhlu, který je přímo spojen se zabezpečením dat , zasahuje do správy archivních dokumentů kvůli odpovědnosti.
Kvalita informací je jedním z 11 faktorů modelu business intelligence (AFDIE).
Podle zprávy CIGREF o nehmotném kapitálu je spolehlivost a auditovatelnost údajů podmíněna hodnocením nehmotného kapitálu společností a výpočtem návratnosti investic do projektů znalostního inženýrství . Pro hodnocení kvality údajů je proto nutné mít standard referenčních údajů .
Můžeme také říci, že cíl sledovaný správou obsahu k dosažení konvergence systémů pro správu obsahu je součástí kvalitního přístupu v oblasti dat .
Model ekonomického zpravodajství z AFDIE identifikuje šest kvalitativní kritéria informací :
1. Náklady a hodnota informací:
Implementace standardů IAS / IFRS zahrnuje uznání nehmotného kapitálu jako nehmotného majetku ; tlačí společnost, aby ve své strategii lépe posoudila hodnotu informací .2. Znalosti kapitalizované a ověřené,
Způsob, jak kapitalizovat a ověřovat znalosti, je prostřednictvím projektů znalostního inženýrství .3. Živá a přístupná paměť,
Paměť lze efektivně spravovat přístupem pro správu obsahu , jehož cílem bude sjednocení různých systémů pro správu obsahu přítomných ve společnosti.4. lépe sdílené a chráněné informace a znalosti,
Jde o založení komunit praktiků s kritérii umožňujícími ochranu informačního dědictví .5. Písemné a ústní informace nezbytné před rozhodnutím,
6. Výhledové a historické informace.
Jde o to mít historické úložiště a umožnit provádět prospektivní analýzy podle os analýzy.Účelem rozhodovacího systému je pomoci osobám s rozhodovací pravomocí učinit relevantní rozhodnutí na základě historických údajů. To obecně zahrnuje řešení velkého množství různorodých dat, aby se kalibrovaly na informace, které jsou dostatečně přesné a spolehlivé, aby bylo možné definovat a zahájit akce s důvěrou. Tato klasická výzva pro architekty BI je v poslední době zesílena zvyšováním požadavků na rozmanitost, hloubku a aktuálnost historických dat, která mají být spravována. V této souvislosti se rychlost, s jakou lze data „čistit“, „transformovat“ a integrovat do datového skladu, stává nezbytnou pro konkurenceschopnost společností.
Kvalita dat závisí v první řadě na kontextu, ve kterém byla původně zadána, ale z hlediska rozhodování závisí jejich zájem na tom, jak je uživatel může použít. Kvalita údajů by proto neměla být hodnocena v absolutních hodnotách, ale způsobem relativním k jejich obchodnímu zájmu. Vzhledem k tomu, že se obchodní potřeby vyvíjejí, nelze nikdy definitivně stanovit hodnocení kvality údajů. Programy zlepšování kvality dat musí být zacíleny podle obchodních zájmů, jinak existuje vysoké riziko vytvoření pracovní zátěže vhodné pro Sisyfos .
Existuje jen velmi málo standardů, které se konkrétně týkají kvality dat . Můžeme však poznamenat:
Existují také potřeby pro informace obsažené v počítačových zdrojích, které počítačoví vědci nazývají „nestrukturované“. Práce je v plném proudu, aby se dosáhlo standardizace z referenčních údajů , které jsou používány v těchto typů prostředků , včetně internetových zdrojů nyní bují a je třeba, aby rozhraní s jinými druhy počítačových zdrojů .