Качество данных (Data Quality) — совокупность характеристик, определяющих пригодность данных для решения бизнес-задач. От качества данных зависит точность управленческих решений, надежность отчетности и эффективность цифровых процессов. Качество данных обеспечивается едиными правилами, автоматизированными проверками, устранением ошибок и постоянным контролем на всех этапах жизненного цикла данных.
Содержание
- Что такое качество данных
- Критерии и метрики качества данных
- Стандарты и методологии управления качеством данных
- Управление качеством данных: процесс и этапы
- Качество данных и мастер-данные (MDM/НСИ)
- Современные тренды в управлении качеством данных
- Часто задаваемые вопросы (FAQ)
- Глоссарий
Что такое качество данных
Определение и место в управлении данными
Качество данных — это совокупность характеристик, определяющих степень пригодности данных для решения конкретных бизнес-задач. В международной практике широко используется определение fitness for use («пригодность к использованию»): данные обладают высоким качеством, если они позволяют корректно выполнять бизнес-процессы, формировать достоверную аналитику и принимать обоснованные управленческие решения.
Качество данных является одним из ключевых направлений управления данными (Data Management) — системы процессов и практик по работе с данными на протяжении всего их жизненного цикла. Практическая реализация требований к качеству осуществляется в рамках корпоративного управления данными (Data Governance), которое определяет политики, роли, зоны ответственности, процессы контроля и механизмы принятия решений. Иными словами, корпоративное управление данными отвечает на вопрос «кто и как управляет качеством данных», а качество данных — «насколько данные соответствуют установленным требованиям».
Не следует путать качество данных с целостностью данных. Целостность обеспечивает сохранность, непротиворечивость и корректность данных при их хранении, передаче и обработке, тогда как качество данных оценивает их пригодность для решения бизнес-задач. Целостные данные не всегда являются качественными, а качественные данные невозможны без обеспечения их целостности.
Подходы к управлению качеством данных регламентируются международными комплексами стандартов ISO 8000 и ISO/IEC 25012. При этом ISO 8000 представляет собой не один документ, а серию стандартов, посвящённых различным аспектам качества данных. В России применяются их национальные аналоги, прежде всего ГОСТ Р ИСО 8000-2-2019, соответствующий ISO 8000-2:2018 и определяющий терминологию, а также ГОСТ Р 56214-2014, основанный на ISO/TS 8000-1:2011 и содержащий обзорную методологию управления качеством данных. Эти стандарты адаптированы к российской нормативной базе и могут использоваться в качестве практической основы при построении корпоративной системы управления качеством данных.
Зачем бизнесу качественные данные
Качество данных напрямую влияет на скорость и точность управленческих решений. Любое решение — от оперативного планирования производства до инвестиционной стратегии — основывается на данных из корпоративных информационных систем. Если данные неполные, противоречивые или устаревшие, возрастает риск неверной оценки ситуации и принятия ошибочных решений. В результате компания несет дополнительные затраты, нарушает производственные планы или теряет прибыль.
По данным исследования IBM Institute for Business Value, 43% операционных директоров считают качество данных своим главным приоритетом, при этом более четверти организаций оценивают ежегодные потери от низкого качества данных более чем в 5 млн долларов, а 7% — свыше 25 млн долларов.
Особенно заметно влияние качества данных в промышленности. Представим машиностроительное предприятие, получившее срочный заказ на изготовление партии запорной арматуры. Для производства необходимы корпуса, шпиндели, уплотнения, крепеж и заготовки определенной марки стали. Проверка складских остатков показывает, что комплектующие имеются в наличии, поэтому заказ принимается с коротким сроком исполнения. Однако в процессе производства выясняется, что часть материалов учтена под разными наименованиями, часть уже зарезервирована для другого проекта, а некоторые позиции фактически отсутствуют. Причиной является низкое качество нормативно-справочной информации: дублирование карточек номенклатуры, устаревшие записи и отсутствие единых правил ведения справочников. В результате предприятие вынуждено срочно закупать материалы, срывает сроки поставки и несет финансовые и репутационные потери.
По мере внедрения искусственного интеллекта значение качества данных становится еще выше. Алгоритмы машинного обучения не способны компенсировать ошибки в исходной информации: они воспроизводят существующие закономерности, включая неверные, неполные или противоречивые данные. Если модель обучается на некачественных данных, она формирует недостоверные прогнозы, ошибочно выявляет закономерности и предлагает неоптимальные решения. Поэтому для компаний, планирующих использовать искусственный интеллект в прогнозировании спроса, предиктивном обслуживании оборудования, контроле качества продукции или оптимизации цепочек поставок, управление качеством данных становится обязательным этапом цифровой трансформации, а не самостоятельной инициативой ИТ-подразделения.
Низкое качество данных создает не только операционные, но и юридические риски. Наиболее критичны они при обработке персональных данных, где законодательство требует обеспечивать их актуальность, точность и корректность использования. Ошибки, дубли, устаревшие сведения или отсутствие единых правил ведения данных могут привести к нарушениям требований законодательства, затруднить выполнение запросов субъектов персональных данных, увеличить вероятность инцидентов информационной безопасности и стать основанием для административных санкций. Поэтому управление качеством данных сегодня является не только задачей повышения эффективности бизнеса, но и важным элементом обеспечения нормативного соответствия.
Критерии и метрики качества данных
Ключевые измерения качества данных
Качество данных невозможно оценить по одному показателю. На практике используется набор критериев, каждый из которых характеризует определенный аспект пригодности данных для использования. Международные стандарты и методологии управления данными могут различаться в терминологии и составе показателей, однако на практике большинство организаций оценивает качество данных по семи базовым измерениям.
- Точность (Accuracy) показывает, насколько данные соответствуют реальным объектам и событиям.
- Полнота (Completeness) характеризует наличие всей информации, необходимой для выполнения бизнес-процессов.
- Согласованность (Consistency) отражает отсутствие противоречий между различными системами и источниками данных.
- Актуальность (Timeliness) определяет, насколько данные соответствуют текущему состоянию объекта на момент использования.
- Уникальность (Uniqueness) позволяет выявить дублирование записей и исключить повторный учет одних и тех же объектов.
- Валидность (Validity) показывает соответствие данных установленным правилам, форматам и справочникам.
- Доступность (Accessibility) характеризует возможность получения необходимых данных пользователями и информационными системами в нужный момент времени.
Вместе эти критерии позволяют комплексно оценить качество корпоративных данных, определить наиболее проблемные области и установить измеримые целевые показатели для их улучшения.
Как измеряются метрики Data Quality
Каждый критерий качества должен иметь количественную оценку. На практике метрики рассчитываются автоматически на основе правил проверки данных, а результаты отображаются в виде процентных показателей или индексов качества. Чем выше значение метрики, тем выше качество соответствующего набора данных.
| Критерий | Что означает | Как измерить (метрика) | Пример проблемы |
| Точность (Accuracy) | Соответствие данных реальному объекту | (Количество корректных записей / Общее количество проверенных записей) × 100% | На складе указано 120 подшипников, фактически — 98 |
| Полнота (Completeness) | Заполнены все обязательные данные | (Количество заполненных обязательных полей / Общее количество обязательных полей) × 100% | В карточках поставщиков отсутствуют ИНН или банковские реквизиты |
| Согласованность (Consistency) | Отсутствие противоречий между системами | (Количество согласованных записей / Общее количество сравниваемых записей) × 100% | В ERP остаток материала отличается от остатка в WMS |
| Актуальность (Timeliness) | Данные отражают текущее состояние объекта | (Количество актуальных записей / Общее количество записей) × 100% либо среднее время обновления данных | В системе указан сотрудник, уже уволенный несколько месяцев назад |
| Уникальность (Uniqueness) | Отсутствие дублирующих записей | 1 − (Количество дублей / Общее количество записей) × 100% | Один поставщик заведен в системе несколько раз под разными названиями |
| Валидность (Validity) | Соответствие формату, правилам и справочникам | (Количество записей, прошедших проверку / Общее количество записей) × 100% | Код продукции не соответствует корпоративному классификатору |
| Доступность (Accessibility) | Возможность получить данные в нужный момент | Процент доступности сервиса (SLA), среднее время отклика или доля успешных запросов | Пользователь не может получить производственные данные из-за недоступности системы |
Стандарты и методологии управления качеством данных
ISO 8000 и ISO/IEC 25012 и российские аналоги
Международной основой управления качеством данных является семейство стандартов ISO 8000, дополненное стандартом ISO/IEC 25012, который определяет модель качества данных и основные характеристики, используемые при их оценке. Это не отдельный документ, а комплекс взаимосвязанных стандартов, регламентирующих терминологию, требования к качеству данных, обмену данными, мастер-данным и другим аспектам управления информацией. При этом ключевую роль играет стандарт ISO 9001, устанавливающий требования к системам менеджмента качества бизнес-процессов: именно в его логике данные рассматриваются как продукция этих процессов, а ISO 8000 задает конкретные критерии качества такой продукции на протяжении всего её жизненного цикла, формируя единый подход к обеспечению достоверности и пригодности данных.
В Российской Федерации положения серии ISO 8000 реализованы в виде национальных стандартов, адаптированных к требованиям отечественной нормативной базы. Наиболее значимыми являются ГОСТ Р ИСО 8000-2-2019, идентичный международному стандарту ISO 8000-2:2018 и определяющий терминологию в области качества данных, а также ГОСТ Р 56214-2014, соответствующий ISO/TS 8000-1:2011 и содержащий обзорные принципы управления качеством данных.
Таким образом, российские ГОСТы не являются самостоятельными методиками, а представляют собой адаптированные версии международных стандартов. При разработке корпоративной системы управления качеством данных рекомендуется ориентироваться как на действующие российские стандарты, так и на актуальные версии документов серии ISO 8000.
DAMA-DMBOK
Если стандарты серии ISO определяют требования к качеству данных, то DAMA-DMBOK (Data Management Body of Knowledge) описывает, как организовать управление данными в компании. Это наиболее известный международный свод знаний по управлению данными, разработанный ассоциацией DAMA International.
Методология рассматривает управление данными как совокупность взаимосвязанных областей знаний, среди которых управление данными (Data Governance), архитектура данных, моделирование, управление мастер-данными, метаданными, безопасностью, интеграцией и качеством данных. При этом именно управление данными (Data Governance) выступает центральным элементом, объединяющим все остальные направления.
В рамках DAMA-DMBOK управление качеством данных включает определение требований к качеству, разработку правил контроля, профилирование данных, мониторинг показателей, устранение выявленных дефектов и организацию процессов постоянного совершенствования. Отдельное внимание уделяется распределению ответственности между владельцами данных (Data Owner), распорядителями данных (Data Steward), бизнес-подразделениями и ИТ-службами. Техническую роль здесь играет хранитель данных (Data Custodian) — специалист или подразделение, отвечающее за безопасную и бесперебойную среду хранения.
На практике стандарты серии ISO 8000 и методология DAMA-DMBOK не конкурируют, а дополняют друг друга. ISO определяет требования и единый понятийный аппарат, тогда как DAMA-DMBOK предлагает организационные процессы, роли и лучшие практики, позволяющие обеспечить выполнение этих требований в корпоративной среде.
Управление качеством данных: процесс и этапы
Управление качеством данных — это непрерывный организационный процесс, направленный на обеспечение соответствия данных требованиям бизнеса. В отличие от разовой очистки данных, он охватывает весь жизненный цикл данных: от определения требований до постоянного контроля и совершенствования процессов. Практика показывает, что устойчивого результата невозможно добиться только техническими средствами — необходимы регламенты, распределение ответственности и участие владельцев бизнес-процессов.
Построение системы управления качеством данных в промышленной компании обычно включает следующие этапы.
1. Определение целей и критичных данных
На первом этапе определяется, какие данные оказывают наибольшее влияние на деятельность предприятия. Как правило, это нормативно-справочная информация, данные об оборудовании, продукции, материалах, клиентах, поставщиках, производственных операциях и финансовых показателях. Для каждой категории формулируются требования к качеству с учетом целей бизнеса.
2. Назначение ролей и ответственности
Управление качеством данных невозможно без распределения ответственности. Назначаются владельцы данных (Data Owner), отвечающие за требования к данным, распорядители данных (Data Steward), контролирующие их качество, а также определяются функции ИТ-подразделений по автоматизации процессов контроля и устранению выявленных проблем.
3. Разработка правил качества данных
Для каждого критичного набора данных устанавливаются конкретные правила проверки: обязательность заполнения атрибутов, допустимые значения, соответствие корпоративным справочникам, отсутствие дубликатов, требования к актуальности и согласованности данных между информационными системами.
4. Оценка текущего состояния данных
На этом этапе выполняется профилирование данных (Data Profiling): анализируются существующие наборы данных, рассчитываются показатели качества, выявляются ошибки, дубли, противоречия и другие дефекты. Полученные результаты позволяют определить наиболее проблемные области и приоритеты дальнейшей работы.
5. Устранение причин возникновения ошибок
Исправление уже обнаруженных ошибок — лишь часть задачи. Гораздо важнее устранить причины их появления: изменить процессы ввода данных, унифицировать нормативно-справочную информацию, настроить интеграцию между системами, внедрить автоматические проверки и пересмотреть существующие регламенты.
6. Постоянный мониторинг качества данных
После внедрения правил организуется непрерывный контроль качества данных. Метрики рассчитываются автоматически, результаты отображаются на информационных панелях (дашбордах), а при отклонении показателей от установленных значений формируются уведомления и задачи на устранение нарушений.
7. Непрерывное совершенствование процессов
Требования бизнеса, информационные системы и нормативная база постоянно изменяются, поэтому управление качеством данных должно рассматриваться как непрерывный процесс. Правила контроля, целевые показатели и перечень контролируемых данных регулярно пересматриваются, а накопленный опыт используется для совершенствования корпоративной системы управления данными.
8. Автоматизация с использованием ИИ/ML для прогнозирования и устранения ошибок
По мере роста объемов и сложности данных ручные и основанные только на правилах методы контроля перестают успевать за динамикой изменений. Внедрение технологий искусственного интеллекта и машинного обучения позволяет перейти от реактивного исправления ошибок к проактивному управлению качеством. Модели ИИ/ML обучаются на исторических данных и известных дефектах, чтобы предсказывать потенциальные аномалии и вероятные области появления ошибок еще до того, как они повлияют на бизнес-процессы.
Таким образом, эффективная система управления качеством данных сочетает организационные меры, методологию и автоматизированные инструменты контроля. Именно такой подход позволяет обеспечить стабильное качество данных и их соответствие требованиям бизнеса в долгосрочной перспективе.
Качество данных и мастер- данные (MDM/НСИ)
Почему НСИ — фундамент качества данных
Любая корпоративная информационная система использует нормативно-справочную информацию (НСИ) — справочники материалов, продукции, оборудования, контрагентов, подразделений, сотрудников, единиц измерения и других объектов, необходимых для выполнения бизнес-процессов. В российской практике традиционно используется термин «нормативно-справочная информация (НСИ)», тогда как в международной методологии ему наиболее близко соответствует понятие Master Data — ключевые корпоративные данные, многократно используемые различными информационными системами предприятия. Соответственно, управление такими данными принято обозначать термином Master Data Management (MDM).
Пока в компании используется одна информационная система, управление такими справочниками обычно не вызывает серьезных сложностей. Однако по мере развития бизнеса появляются специализированные системы для управления производством, закупками, складом, логистикой, ремонтами, финансами, продажами и других направлений деятельности. Каждая из них ведет собственные справочники, зачастую содержащие одни и те же бизнес-сущности.
В результате один и тот же поставщик, материал, единица оборудования или номенклатурная позиция могут быть представлены в разных системах по-разному: отличаться кодом, наименованием, набором атрибутов или существовать сразу в нескольких экземплярах. Такие расхождения неизбежно приводят к ошибкам при интеграции информационных систем, искажению аналитики, некорректному планированию закупок и производства, появлению дублей и другим проблемам качества данных.
Именно поэтому следует различать НСИ как совокупность корпоративных справочников и управление НСИ (MDM) как систему процессов, ролей, методологии и технологий, обеспечивающих единые правила создания, изменения, согласования и использования мастер-данных в масштабе всей организации. Основная цель MDM — сформировать единый доверенный источник мастер-данных (Single Source of Truth), синхронизировать их между корпоративными информационными системами и обеспечить единые правила управления ими на протяжении всего жизненного цикла.
«MDM — это не проект по внедрению программного продукта, а проект по построению культуры управления данными. Технологии лишь закрепляют процессы и правила, которые обеспечивают высокое качество нормативно-справочной информации и делают данные надежным корпоративным активом», — Директор департамента НСИ и интеграции компании SOFROS.
Эффективное управление НСИ требует комплексного подхода. В первую очередь определяется состав доменов мастер-данных с учетом специфики деятельности предприятия: материалы, оборудование, продукция, контрагенты, производственные объекты, персонал и другие категории. Для каждого домена разрабатываются единые правила классификации, именования и ведения данных, назначаются владельцы данных, определяются процессы согласования изменений и критерии качества. Не менее важно выбрать технологии управления, соответствующие масштабу и архитектуре предприятия: от централизованного ведения отдельных справочников до внедрения полноценной MDM-системы, обеспечивающей консолидацию, контроль качества и синхронизацию данных между всеми корпоративными информационными системами.
Таким образом, управление НСИ является фундаментом корпоративной системы управления качеством данных. Именно единые мастер-данные обеспечивают согласованность информации во всех информационных системах предприятия, создают основу для достоверной аналитики, цифровизации бизнес-процессов и успешного внедрения технологий искусственного интеллекта.
Практический подход SOFROS к управлению качеством данных
Построение системы управления качеством данных требует комплексного подхода, объединяющего методологию, организационные изменения и современные технологии. На практике большинство предприятий начинают не с внедрения новой информационной системы, а с оценки текущего состояния нормативно-справочной информации и процессов ее ведения. Это позволяет определить наиболее проблемные области, оценить масштаб необходимых изменений и сформировать реалистичную дорожную карту проекта.
Компания SOFROS помогает промышленным предприятиям выстраивать систему управления качеством данных и нормативно-справочной информацией на всех этапах — от аудита существующих процессов до внедрения корпоративной MDM-системы. Такой подход включает обследование текущего состояния НСИ, разработку методологии управления мастер-данными, проектирование модели доменов, нормализацию и очистку справочников, внедрение процессов управления данными, обучение пользователей и последующее сопровождение. Подробнее о подходе можно узнать в разделе «Комплекс услуг по управлению данными».
На проектах по нормализации НСИ специалисты SOFROS регулярно выявляют значительное количество дублирующих, устаревших или некорректно описанных записей в справочниках. Их устранение позволяет снизить трудоемкость ведения данных, повысить качество интеграции информационных систем и сократить риски ошибок в операционной деятельности.
При выборе технологической платформы SOFROS ориентируется не на универсальное решение, а на архитектуру информационного ландшафта заказчика. Для предприятий, где большинство бизнес-процессов автоматизировано на платформе 1С, эффективным решением является внедрение 1С:MDM, обеспечивающего централизованное управление нормативно-справочной информацией в экосистеме 1С. Если же предприятие использует разнородный ИТ-ландшафт, включающий решения различных вендоров, более целесообразным становится внедрение DATAREON MDM. В сочетании с DATAREON Platform эта платформа позволяет не только организовать централизованное управление мастер-данными, но и создать единое интеграционное пространство предприятия, обеспечивающее синхронизацию данных между корпоративными информационными системами.
Практика показывает, что наибольший эффект достигается тогда, когда методология управления данными, организационные процессы и программная платформа внедряются как единая система. В этом случае MDM становится не просто хранилищем справочников, а инструментом обеспечения качества данных, повышения надежности бизнес-процессов и создания единого доверенного информационного пространства предприятия.
Современные тренды в управлении качеством данных
Развитие цифровых технологий и широкое внедрение искусственного интеллекта существенно меняют подходы к управлению качеством данных. Если еще несколько лет назад основное внимание уделялось периодической очистке данных и устранению отдельных ошибок, то сегодня компании переходят к построению непрерывных процессов контроля, автоматизации и управления качеством на уровне всей корпоративной информационной среды.
Data Observability — непрерывное наблюдение за качеством данных
Одним из наиболее заметных трендов последних лет стало развитие концепции Data Observability. Если традиционный подход предполагал периодические проверки качества данных, то Data Observability ориентирована на непрерывный мониторинг состояния данных, потоков их обработки, схем данных (schema), полноты загрузки, изменений и аномалий практически в режиме реального времени. Это позволяет обнаруживать проблемы еще до того, как они повлияют на бизнес-процессы или аналитические системы.
Использование искусственного интеллекта для управления качеством данных
Современные платформы управления качеством данных все активнее используют алгоритмы машинного обучения и генеративного искусственного интеллекта. Они помогают автоматически обнаруживать аномалии, выявлять скрытые закономерности возникновения ошибок, находить дублирующиеся записи, предлагать правила очистки данных и даже прогнозировать потенциальные проблемы еще до их появления. В результате специалисты по данным переходят от ручной проверки информации к управлению интеллектуальными механизмами контроля.
No-code и Low-code для бизнес-пользователей
Еще одной устойчивой тенденцией становится расширение возможностей бизнес-пользователей самостоятельно участвовать в обеспечении качества данных. Современные платформы позволяют без программирования создавать правила проверки, настраивать контрольные процедуры, анализировать показатели качества и отслеживать возникающие инциденты. Такой подход снижает нагрузку на ИТ-подразделения и позволяет быстрее реагировать на изменения бизнес-процессов.
Единый доверенный источник данных как основа искусственного интеллекта
Распространение генеративного ИИ усилило требования к консолидации корпоративных данных. Если данные хранятся в разрозненных системах, содержат противоречия или дубли, результаты работы интеллектуальных систем становятся непредсказуемыми. Поэтому многие организации переходят к построению единого доверенного информационного пространства (Trusted Data Foundation), в котором нормативно-справочная информация, мастер-данные и ключевые бизнес-объекты имеют единые правила ведения и контроля качества. Концепция Single Source of Truth (SSOT) получает новое развитие, становясь не только инструментом повышения качества данных, но и необходимым условием успешного внедрения генеративного искусственного интеллекта.
Переход к данным, готовым для искусственного интеллекта (AI-ready Data)
По оценкам аналитиков Gartner, качество данных постепенно перестает рассматриваться как самостоятельная ИТ-задача и становится обязательным условием использования искусственного интеллекта в бизнесе. На первый план выходит концепция AI-ready Data — данных, качество, полнота, происхождение и управляемость которых позволяют безопасно использовать их для обучения моделей, интеллектуального поиска, аналитики и работы ИИ-агентов. Это означает, что управление качеством данных становится частью общей стратегии цифровой трансформации предприятия, а не отдельным проектом по очистке данных.
Часто задаваемые вопросы (FAQ)
Что такое качество данных простыми словами?
Качество данных (Data Quality) — это степень соответствия данных требованиям точности, полноты и актуальности, необходимая для правильных бизнес-решений. Если качество низкое, компания получает ошибки в отчётности и сбои в процессах. Обеспечивается регулярной проверкой, очисткой и стандартизацией данных.
Какие критерии определяют качество данных?
Качество данных оценивают по семи ключевым критериям:
- точность (Accuracy) — соответствие данных реальным объектам;
- полнота (Completeness) — заполненность обязательных полей;
- согласованность (Consistency) — отсутствие противоречий между системами;
- актуальность (Timeliness) — соответствие текущему состоянию;
- уникальность (Uniqueness) — отсутствие дублей;
- валидность (Validity) — соответствие форматам и справочникам;
- доступность (Accessibility) — возможность получить данные вовремя.
Как измерить качество данных в компании?
Измерение начинается с профилирования данных (data profiling) — анализа существующих справочников и выявления ошибок, дублей и пропусков. Далее по каждому критерию рассчитывается метрика в процентах, например доля дублей или доля заполненных обязательных полей. Результаты выводятся на дашборд и отслеживаются в динамике.
Какие стандарты регулируют качество данных?
Основные международные стандарты — это ISO 8000, определяющий требования к качеству данных и мастер-данных, и ISO/IEC 25012, описывающий модель характеристик качества. Дополняет их методология DAMA-DMBOK, которая описывает не требования, а процессы, роли и практики управления качеством данных в организации.
Как улучшить качество данных в компании: с чего начать?
Начните с профилирования — оценки текущего состояния ключевых справочников. Затем определите критичные данные и назначьте ответственных: Data Owner и Data Steward. Разработайте правила проверки данных (форматы, обязательные поля, отсутствие дублей). После этого внедрите автоматический мониторинг метрик качества на регулярной основе.
Глоссарий терминов по управлению качеством данных
Качество данных (Data Quality)
Качество данных — совокупность характеристик, определяющих пригодность данных для решения конкретных бизнес-задач. Данные считаются качественными, если они являются точными, полными, актуальными, согласованными и соответствуют требованиям процессов, в которых используются.
Управление качеством данных (Data Quality Management)
Управление качеством данных — совокупность организационных процессов, методик и технологий, направленных на обеспечение, контроль и постоянное улучшение качества данных. Оно включает определение требований к данным, мониторинг показателей качества, устранение причин возникновения ошибок и совершенствование процессов работы с данными.
Управление данными (Data Management)
Управление данными — комплекс процессов по созданию, хранению, использованию, интеграции, защите и сопровождению данных на протяжении всего их жизненного цикла. Управление качеством данных является одной из функциональных областей управления данными.
Корпоративное управление данными (Data Governance)
Корпоративное управление данными — система ролей, правил, политик и процедур, определяющих, каким образом организация управляет своими данными. Data Governance устанавливает ответственность за данные, тогда как управление качеством данных обеспечивает соответствие данных установленным требованиям.
Единый доверенный источник данных (Single Source of Truth, SSOT)
Single Source of Truth (SSOT) — концепция, согласно которой для каждой бизнес-сущности в организации существует единый достоверный источник данных. Использование SSOT позволяет устранить противоречия между информационными системами, повысить качество аналитики и обеспечить надежную основу для цифровизации и использования искусственного интеллекта.
