Data Quality: un “must” per il successo del Business
Descrizione
Molte organizzazioni stanno cercando di diventare data-driven e stanno investendo molto in nuove tecnologie per realizzarlo. Ma questo investimento non produrrà i benefici promessi se i dati non sono adatti allo scopo e sono di cattiva qualità. Avere dati accurati, completi e affidabili è fondamentale per qualsiasi azienda o organizzazione digitale.
Una delle regole più antiche nel Data Management è “Garbage in, Garbage Out”. Se i dati sono di scarsa qualità, altre discipline di Data Management non potranno mai mantenere le loro promesse. Le iniziative di Business Intelligence genereranno informazioni e risultati su cui non si può fare affidamento, portando a un processo decisionale inadeguato. Il Master Data Management non riuscirà a fornire una visione unica e integrata di un cliente o di un prodotto. L’Intelligenza Artificiale e la Machine Learning forniranno intuizioni errate e azioni fuorvianti. Tutte le discipline di Data Management si basano su una base dati solida e affidabile, ma troppo spesso non è così.
Peggio ancora, la scarsa Qualità dei dati ha un significativo impatto diretto e negativo sull’azienda o sull’organizzazione stessa. Quando i dati non sono adatti agli scopi aziendali, si perdono entrate, si incorre in costi inutili, la produttività e l’efficienza ne risentono e i rischi di violazione dei requisiti normativi e legali (ad esempio con il GDPR) aumentano notevolmente. Dati di scarsa qualità possono danneggiare il marchio e la reputazione di qualsiasi organizzazione.
Nonostante ciò, la realtà è che la Qualità dei dati nella maggior parte delle organizzazioni rimane scarsa, e spesso molto scarsa. Un importante studio condotto da The Harvard Business Review e MIT nel 2017 ha rilevato che il 97% dei record esaminati nei principali database organizzativi conteneva errori critici di Qualità dei dati. Altre indagini da allora hanno rafforzato questi risultati e quindi identificare e affrontare i problemi di Qualità dei dati è una priorità assoluta per qualsiasi organizzazione che cerchi di estrarre il massimo valore dalle proprie risorse dati.
In questo seminario e workshop di due giorni Nigel Turner risponderà a una serie di domande fondamentali a cui è necessario rispondere per fornire una Qualità dei dati adatta allo scopo. Queste includono:
- Cos’è una buona Qualità dei dati?
- Perché dovrei preoccuparmene?
- Come faccio a sapere quali sono i miei principali problemi di Qualità dei dati?
- Qual è l’impatto di questi sulla mia organizzazione e come può essere misurato?
- Quali problemi dovrei cercare di affrontare per primi?
- Come possono essere migliorati i problemi di Qualità dei dati?
- Chi dovrebbe essere responsabile dell’azione?
- Come posso assicurarmi di prevenire ulteriori problemi di Qualità dei dati in futuro con l’aumentare del volume, della varietà e della velocità dei dati?
Cosa imparerete
- A capire quali sono i dati “adatti allo scopo” e quali non lo sono
- A definire la Qualità dei dati
- A descrivere le dimensioni della Qualità dei dati
- A conoscere le principali cause della cattiva Qualità dei dati
- A comprendere l’impatto della cattiva Qualità dei dati sia sulle persone che sull’organizzazione
- A capire la relazione fra la Qualità dei dati e le altre discipline del Data Management
- A evidenziare le carenze dei modi tradizionali di affrontare la scarsa Qualità dei dati e l’importanza di un approccio olistico, che coinvolga i dati stessi, le persone, il processo e la tecnologia
- A imparare i cinque step dell’approccio del Data Quality Framework (Valutazione, Baseline, Converge, Develop & Evaluate) e come applicarli per identificare, dare priorità e affrontare i problemi della Qualità dei dati
- A specificare e applicare le principali attività e i risultati di ciascuna delle cinque fasi
- A essere in grado di comprendere e sviluppare regole di business su cui basare la Qualità dei dati e stabilire soglie di miglioramento
- A essere a conoscenza degli strumenti software che possono aiutare a supportare e automatizzare l’approccio A2E, comprese le tecnologie di Intelligenza Artificiale e Machine Learning
- A capire quali sfide future le organizzazioni dovranno affrontare per la Qualità dei dati e come si stanno evolvendo gli approcci e le tecniche per affrontarle
Argomenti Trattati
- Dara Quality: definizioni e driver
- Il ciclo di vita del Data Management e la Data Quality
- Cause e impatti della Data Quality
- La Data Quality come fondamento di altre discipline del Data Management
- La necessità di un approccio olistico per risolvere I problemi di Data Quality
- Data Quality Framework: un approccio di 5 step per migliorare la Data Quality
- Il futuro della Data Quality: nuovi approcci e tecnologie
