Data Quality

Problema fundamentală cu care se confruntă organizațiile moderne nu este lipsa volumului de date, ci incapacitatea de a extrage valoare din seturi de date fragmentate sau eronate, ceea ce compromite direct inițiativele de Analytics și Inteligență Artificială. În lucrarea Data Quality, observăm o abordare tehnică și pragmatică axată pe construirea unui fundament robust pentru datele de business. Autorul nu se limitează la teorie, ci propune o metodologie de lucru care începe cu profilarea datelor și identificarea celor 16 cauze radacină care duc la degradarea calității acestora. Structura volumului, publicat de Wiley, este una progresivă, ghidând cititorul de la definirea criteriilor de calitate la implementarea unei arhitecturi de referință. Apreciem în mod deosebit includerea unor modele de proiectare (design patterns) specifice pentru remedierea datelor, un element esențial pentru inginerii de date și arhitecții de sisteme. Dacă The Practitioner's Guide to Data Quality Improvement de David Loshin v-a oferit cadrul teoretic și social al unui program de calitate, această carte oferă instrumentele practice și specificațiile tehnice necesare pentru execuție. De asemenea, în timp ce Data Quality Assessment pune accent pe evaluarea istorică, Prashanth Southekal se concentrează pe viitor: cum să garantăm că datele colectate sunt utile pentru modelele complexe de AI. Această lucrare reprezintă o evoluție firească față de titlul anterior al autorului, Data for Business Performance. Dacă acolo accentul era pus pe tratarea datelor ca activ de business, în Data Quality accentul se mută pe mecanica internă a acestui activ. Tonul este unul direct, orientat spre soluții, transformând concepte abstracte în fluxuri de lucru aplicabile, susținute de 10 bune practici care vizează direct îmbunătățirea procesului decizional.