{"id":20096,"date":"2022-11-24T16:42:40","date_gmt":"2022-11-24T14:42:40","guid":{"rendered":"http:\/\/pragmaetimos.com\/it\/?p=20096"},"modified":"2024-04-30T12:09:55","modified_gmt":"2024-04-30T10:09:55","slug":"data-quality-data-intelligence","status":"publish","type":"post","link":"https:\/\/pragmaetimos.com\/it\/data-quality-data-intelligence\/","title":{"rendered":"Data Quality: un elemento essenziale per le imprese"},"content":{"rendered":"

[et_pb_section fb_built=”1″ admin_label=”section” _builder_version=”4.20.0″ background_color=”#000219″ min_height=”2289.8px” custom_padding=”14px|||||” global_colors_info=”{}”][et_pb_row admin_label=”row” _builder_version=”4.16″ background_size=”initial” background_position=”top_left” background_repeat=”repeat” min_height=”1685.6px” custom_padding=”27px|||||” global_colors_info=”{}”][et_pb_column type=”4_4″ _builder_version=”4.16″ custom_padding=”|||” global_colors_info=”{}” custom_padding__hover=”|||”][et_pb_text _builder_version=”4.19.1″ _module_preset=”default” header_2_font=”|||||on|||” header_3_font=”|||||on|||” header_2_font_size_tablet=”” header_2_font_size_phone=”27px” header_2_font_size_last_edited=”on|phone” header_3_font_size_tablet=”” header_3_font_size_phone=”22px” header_3_font_size_last_edited=”on|phone” global_colors_info=”{}”]<\/p>\n

Secondo la Global Data Management Community<\/em> (DAMA), la Data Quality<\/strong> consiste nella pianificazione, implementazione e controllo delle attivit\u00e0 che applicano tecniche di gestione della qualit\u00e0 dei dati, al fine di garantire che siano adatti allo scopo e soddisfino le esigenze degli utilizzatori.<\/p>\n

Oggi buona parte delle imprese si professa Data-Driven<\/strong> poich\u00e9 le principali decisioni strategiche vengono indirizzate dall\u2019analisi dei dati. Tuttavia spesso il modello usato non \u00e8 corretto o non adeguato agli obiettivi di business;<\/p>\n

lo strumento che gioca un ruolo chiave nello scegliere le giuste strategie aziendali \u00e8 la qualit\u00e0 delle informazioni.<\/em>I dati devono essere affidabili, rilevanti, corretti, accurati e soprattutto adatti alla funzione d\u2019analisi da svolgere.<\/p>\n

Perch\u00e9 la qualit\u00e0 dei dati \u00e8 cos\u00ec importante per lo sviluppo del business e dell\u2019innovazione?<\/strong><\/h3>\n

Una recente ricerca ha evidenziato che avere a che fare con dati di scarsa qualit\u00e0 \u00e8 la causa principale del superamento dei costi previsti nel budget di un progetto e contribuisce a distruggere il valore del business<\/em>. Inoltre, questo problema rischia di diventare pi\u00f9 grave man mano che le imprese diventano pi\u00f9 digitalizzate e complesse.<\/p>\n

La maggior parte delle aziende basa le proprie scelte su dati che non rappresentano la realt\u00e0, infatti sono obsoleti, polarizzati, derivanti da fonti non aggiornate, localizzati in database non comunicanti e non riescono a descrivere lo scenario che si sta analizzando. Una delle principali conseguenze \u00e8 la sbagliata allocazione del budget sulle attivit\u00e0 operative, basti pensare che secondo Forrester <\/em>(leader mondiale nelle ricerche di mercato) il 20% della spesa dell\u2019adv online \u00e8 sprecata a causa della scarsa accuratezza dei dati<\/strong>, che si traduce in decine di miliardi di dollari.<\/p>\n

Altri aspetti che dovrebbero far riflettere nella scelta di un approccio Data-Driven sono i\u00a0veloci cambi di scenario dovuti a eventi globali<\/strong> come la pandemia di Covid-19, il cambiamento climatico e la geopolitica mondiale, che hanno reso obsoleti i dati storici su cui le aziende hanno sempre basato le proprie decisioni.<\/p>\n

Ad esempio, se consideriamo la mobilit\u00e0 urbana, negli ultimi anni sono repentinamente cambiati i servizi, le dinamiche di utilizzo e le abitudini dei cittadini, rendendo\u00a0necessaria la produzione di nuovi dati che descrivano la situazione attuale<\/strong>. Ci\u00f2 ha messo in crisi molte aziende, poich\u00e9 l\u2019applicazione della Data Intelligence non pu\u00f2 essere d\u2019ausilio\u00a0se il dato di partenza \u00e8 anacronistico.<\/p>\n

Inoltre, al fine di descrivere correttamente i fenomeni, \u00e8 sempre pi\u00f9 importante\u00a0integrare i dati interni con altri di terze parti, come quelli provenienti dai social tramite la Sentiment Analysis (Clicca per leggere l\u2019articolo dedicato<\/a>). Il percorso \u00e8 pi\u00f9 complesso e necessita di azioni di Data Cleansing e Intelligenza artificiale per arrivare a una comprensione a 360\u00b0.<\/p>\n

Criteri di Data Quality<\/strong><\/h2>\n

Accertare la qualit\u00e0 dei dati \u00e8 la base per tutte le azioni di Data Intelligence. <\/strong><\/p>\n

\u00c8 fondamentale partire da una chiara definizione degli obiettivi di business, infatti nessun dato pu\u00f2 definirsi \u201ccorretto\u201d ma solo adeguato all\u2019analisi da eseguire<\/strong>.<\/p>\n

I principali criteri da tenere in considerazione per misurare la qualit\u00e0 sono le seguenti:<\/p>\n