Data Governance nos lleva a Data Quality, y no al revés

Data governance y data quality han sido tradicionalmente disciplinas separadas. Sin embargo, en una reciente conferencia sobre data governance, uno de los oradores hizo hincapié en algo que llamó mucho la atención a los asistentes. Habló sobre data governance como una forma de llegar a data quality.

Una organización puede decidir comenzar a buscar una herramienta de data quality cuando sus proyectos de análisis y Business Intelligence se ven afectados por una mala calidad de datos. O también, debido a alguna norma o ley que estaría obligando a la empresa a controlar mucho más la exactitud e integridad de sus datos.

Sin embargo, comprar lo primero una herramienta de data quality, es como tomar una medicina antes de ser diagnosticado. Las empresas tienen miles y miles de elementos de datos diferentes. ¿En cuáles de ellos deberíamos enfocarnos? ¿cuáles deberíamos dejar fuera del alcance? ¿cuáles son los que impactan más en el negocio y deberían ser gestionados primero?

Para responder a las preguntas anteriores tenemos dos enfoques posibles:

• Elementos de datos críticos: identificar lo que es crítico para el negocio. Podría ser un informe, un cubo, un KPI o cualquier otra cosa que sea clave.

• Valor de los datos: estimar el coste de la mala calidad de los datos o en otras palabras el riesgo asociado con la mala calidad. Centrarse primero en aquellas áreas con mayor riesgo.

En ambos casos, una vez que detectamos y priorizamos las áreas de enfoque, data governance crea un marco de colaboración para la gestión y definición de políticas, reglas de negocio y activos para proporcionar el nivel necesario de control de data quality.

Los propietarios de los datos pueden definir los procesos y sistemas clave involucrados. Al mismo tiempo, la empresa puede indicar a qué estándares deben adherirse los datos cuando se mueven a través de los sistemas. Aquí es donde se crean políticas, requerimientos y reglas de negocio.

Una vez que sabemos cómo fluyen los datos a través de la organización y sabemos cuáles son los estándares, es fácil pedir al equipo de data quality que traduzca estos estándares reglas de perfil de data quality y que las haga funcionar en  los datos de esos sistemas.

Ahora hemos identificado exactamente dónde debemos concentrar nuestros esfuerzos de data quality

El siguiente paso será vincular las métricas que vienen de una o más herramientas de data quality a los activos empresariales críticos para que los usuarios puedan ver exactamente cuál es el estado y dónde están retrasados.

En un panel de control de data quality, una X roja significará que los umbrales no se han cumplido para una o más comprobaciones.

Para que los datos se utilicen es necesario confiar en ellos. Tener una manera simple y directa de identificar errores de datos y verlos rápidamente resueltos es esencial para mantener o restaurar esa confianza.

Un help desk de datos es un componente clave en la gestión de servicios de datos. Un estado de madurez de alto nivel en el que todos los empleados de una organización tienen acceso a un lugar central donde se documentan todos los datos. Esto permite a las organizaciones manejar todos los problemas relacionados con los datos de una manera eficiente, utilizando el data governance de la organización, reglas y responsabilidades.

Con una herramienta de data quality esto significa que una vez se sobrepasa un umbral, se genera automáticamente un problema de datos que involucra a todas las partes interesadas necesarias para iniciar el proceso correcto para la corrección de esos problemas de datos.