Definizione
Che cos’è Data quality e come funziona?
La qualità non è assoluta: dipende dal processo che utilizza il dato. Controlli e responsabilità devono essere continui.
Si misura su dimensioni distinte: completezza (campi valorizzati), accuratezza (valori corrispondenti alla realtà), coerenza tra sistemi, unicità (assenza di duplicati), validità rispetto a formati e regole, tempestività dell’aggiornamento. Una prima profilazione conta valori vuoti, formati anomali e duplicati per ogni campo e mostra subito dove intervenire. Correggere all’origine, con controlli in inserimento, costa meno che pulire a valle.
Esempio aziendale
Esempio di Data quality in azienda
Prima di creare un lead scoring, l’azienda corregge duplicati, campi mancanti e definizioni incoerenti nel CRM.
Applicazioni
Quando può essere utile
- CRM
- reportistica
- machine learning
- migrazioni
- automazioni
Limiti
Quando fare attenzione
- pulizia una tantum senza controlli in inserimento
- duplicati cliente con partite IVA scritte diversamente
- unità di misura miste nello stesso campo
- sensori con timestamp non sincronizzati
Da non confondere
Data quality: con cosa non va confuso?
La qualità descrive l’idoneità dei dati. La quantità indica soltanto il volume disponibile.
Dalla definizione al progetto
Cosa può realizzare Agentix con Data quality
Prima di un modello predittivo o di un assistente sui dati aziendali, Agentix profila le tabelle coinvolte: campi vuoti, duplicati, codici orfani, valori fuori scala. Il risultato è un elenco ordinato di problemi, con l’effetto di ciascuno sul caso d’uso previsto.
Le correzioni diventano regole automatiche: validazioni nei form, controlli notturni con segnalazione al responsabile del dato, deduplica assistita dei clienti con conferma umana. Un piccolo cruscotto mostra, settimana per settimana, l’andamento degli indicatori di qualità per ogni tabella.
Integra dati, software e AIRisposte rapide
Domande frequenti su Data quality
Come si misura la qualità dei dati?
Si definiscono regole per campo, ad esempio partita IVA valida, data consegna successiva alla data ordine, codice articolo esistente, e si calcola la percentuale di record che le rispettano. Ripetere la misura ogni settimana mostra se la situazione migliora o peggiora.
Con dati sporchi un progetto AI è impossibile?
No, ma il risultato dipende dai campi usati. Spesso basta pulire le poche colonne che il modello userà davvero e tenere fuori le altre. Un modello addestrato su storici con errori sistematici tende però a riprodurli.
Dal concetto all’applicazione
Vuoi applicare Data quality nella tua azienda?
Partiamo dal processo, dai dati disponibili e dal risultato atteso per definire un primo progetto concreto.