Halbade andmete mõju mõistmine – DATAVERSITY

Halbade andmete mõju mõistmine – DATAVERSITY

Ajatempel: 19. jaanuar 2024 3:35
Allikasõlm: 3070625

Kas teate halva andmekvaliteediga kaasnevaid kulusid? Allpool uurin andmete vaadeldavuse olulisust, seda, kuidas see võib vähendada halbade andmete riske ja kuidas mõõta nende ROI-d. Mõistes halbade andmete mõju ja rakendades tõhusaid strateegiaid, saavad organisatsioonid oma andmekvaliteedi algatustest kasu maksimeerida. 

Andmed on muutunud tänapäevaste otsuste tegemise lahutamatuks osaks ja seetõttu on andmete kvaliteet ülimalt oluline, et tagada ettevõtete sidusrühmade täpsete järelduste tegemine. 

Kuid siin on konks, mida iga kaasaegne andmejuht teile ütleb: andmete kvaliteedijuhtimine on raske. See võtab aega ja vaeva. Lisaks on investeeringutasuvust (ROI) sageli raske mõõta. 

Kui halvad on halvad andmed?

Halvad andmed võivad kaasa tuua märkimisväärseid rahalisi kaotusi. Gartneri hinnangul maksab kehv andmekvaliteet organisatsioonidele igal aastal keskmiselt $ 12.9 miljonit. 2022. aastal Tarkvara Unity teatas 110 miljoni dollari suuruse tulude kaotusest ja 4.2 miljardi dollari suurusest turukapitalist. "Suurkliendi halbade andmete allaneelamise tagajärjed," teatas ettevõte. Samamoodi põhjustasid halvad andmed Equifax, börsil kaubeldav krediidiagentuur, et saata laenuandjatele ebatäpsed krediidiskoorid miljonid klientidest. Hiljuti põhjustas andmejuhtum Ühendkuningriigi ja Iirimaa lennuliikluses suuri häireid. Teatavasti tühistati üle 2,000 lennu, mis jättis sajad tuhanded reisijad hätta, lennufirmade kogunenud rahaline kahju on hinnanguliselt 126.5 miljonit dollarit.

Halbade andmete tagajärjed 

Andmed on iga kaasaegse ettevõtte keskmes. Andmemeeskonna põhiülesanne on luua ja hooldada andmetooteid, mida serveeritakse klientidele sisemiselt ja väliselt, võimaldades samal ajal organisatsioonil oma eesmärke skaleerida ja täita. 

Organisatsiooni andmealgatuste edu tagamisel võib mõned andmemeeskonna algtaseme ootused kokku võtta järgmiselt.

  • Tööaeg: Andmed on teenus ja seetõttu on nende vajaduse korral kättesaadavuse tagamine võtmetähtsusega.
  • Turvalisus: Vastavus eeskirjadele (nt GDPR või HIPAA). Meeskond vastutab tundliku teabe kaitsmise ja andmete privaatsuse säilitamise meetmete ja praktikate rakendamise eest.
  • Usaldusväärsus: Nii andmetest kui ka andmeplatvormist. Osa sellest on kaetud tööajaga, aga ka andmete kvaliteedi ja täpsusega nende traditsioonilises tähenduses. 
  • Skaala: Andmeplatvorm peaks võimaldama skaleeritavust, et see vastaks kasvavatele andmemahtudele, kasutusjuhtude arvule ja ettevõtte vajadustele.
  • Innovatsioon: Andmed peaksid innovatsiooni juhtima ja see on valdkond, kus on oluline, et andmemeeskond oleks eeskujuks, tuues uuendusi andmepraktikatesse ja väljaspool seda. 

Andmekvaliteedi saavutamine andmete vaadeldavuse kaudu

Andmete jälgitavus on lahendus andmete seisundi ennetavaks jälgimiseks ja säilitamiseks kogu nende elutsükli jooksul. Logimis-, jälgimis- ja seiretehnikate rakendamisega saavad organisatsioonid andmevoogudele nähtavuse, tuvastavad kiiresti andmekvaliteediga seotud probleemid ja teevad nende tõrkeotsingu ning hoiavad ära analüüside armatuurlaudade töös katkestused. Andmekirjaoskus, mis hõlmab andmete hankimist, tõlgendamist ja edastamist, on otsustajate jaoks oluline andmete tõhusaks äriväärtuseks teisendamiseks. Andmepõhise kultuuri arendamine ja õigetesse tööriistadesse investeerimine on olulised sammud andmete jälgitavuse kaudu andmete kvaliteedi saavutamisel. 

Andmete vaadeldavuse ROI kvantifitseerimine

Andmete vaadeldavuse ROI mõõtmine aitab ettevõtete juhtidel mõista sellesse praktikasse investeerimisega seotud väärtust ja eeliseid. Mitmed kvantifitseeritavad mõõdikud võivad olla lähtepunktiks halbade andmete maksumuse hindamisel, sealhulgas juhtumite esinemissagedus või arv aastas, tuvastamiseni kuluv aeg ja lahendamiseni kuluv aeg.

Mõju andmete kvaliteedi probleemid võib varieeruda sõltuvalt äritegevuse suurusest ja keerukusest. Kahju hindamiseks ja andmete vaadeldavuse lahenduse jaoks tugeva põhjenduse loomiseks pakume välja viis peamist mõõdikut, mida andmepraktikud saavad hõlpsasti rakendada ja jälgida ning mida saab kasutada juhtumi sisemiseks toetamiseks.

  1. Juhtumite arv ja sagedus: Kuigi mõned ettevõtted võivad kogeda andmejuhtumeid iga päev, võivad teised päevad – kui mitte nädalad – ilma nendeta. Juhtumite kriitilisus võib varieeruda alates millestki "väikesest", näiteks vananenud andmetest, mis on lingitud armatuurlauaga, mida keegi pole ammu kasutanud, kuni andmete dubleerimise probleemini, mis põhjustab serveri ülelaadimise ja lõpuks rikke (tõsi jutt, Netflix 2016). Leiame, et see on sageli seotud: andmeplatvormi suuruse ja keerukusega, ettevõtte tööstusega (mõned tööstusharud on oma olemuselt küpsemad kui teised), andmearhitektuuri tüübiga (tsentraliseeritud, detsentraliseeritud, hübriid) jne. Juhtumite dokumenteerimine annab parem ettekujutus sellest, mida järgmisel korral otsida, on korduvad juhtumid sageli hea indikaator, et miski selle all vajab hoolikamat tähelepanu.  
  2. Juhtumi klassifikatsioon: Kõik andmejuhtumid ei ole sama raskusastmega; mõned võivad olla väikesed ja kergesti leevendatavad, samas kui teistel võivad olla tõsised tagajärjed. Juhtumite kriitilisuse dokumenteerimine on õige eskaleerumise ja tähtsuse järjekorda seadmise tagamiseks oluline. See on koht, kus andmeliinid võivad olla olulised, kuna see võimaldab hinnata intsidendi mõju allavoolu, et mõista kriitilisust paremini. Intsident, mis on seotud tegevjuhi lemmikarmatuurlaua või tootmisandmebaasi või olulise andmetootega, on tõenäoliselt väga kriitilise tähtsusega. 
  3. Keskmine tuvastamise aeg (MTTD): Andmete ja andmemeeskonna vastu usalduse loomisel on iga andmepraktiku õudusunenägu see, kui ettevõtte sidusrühmad avastavad esimesena andmete kvaliteediprobleemid. See võib tõsiselt kahjustada meeskonna usaldusväärsust ja ettevõtte võimet muutuda tõeliselt andmepõhiseks. Kui hakkate juhtumeid dokumenteerima ja nende kriitilisust klassifitseerima, on oluline jälgida ka nende tuvastamise viisi ja aega, mis andmemeeskonnal kulus nende tuvastamiseks. See mõõdik võib olla hea näitaja teie intsidentide haldamise tugevuse kohta, kuid ka selle vähendamine tähendab, et vähendate ohtu, et juhtum võib põhjustada rohkem kahju. 
  4. Keskmine eraldumise aeg (MTTR): Mis juhtub, kui juhtumist teatatakse? MTTR on keskmine aeg, mis kulub andmeintsidendist teadasaamise ja selle lahendamise vahel. Lahendusaega mõjutab suuresti intsidendi kriitilisus ja andmeplatvormi keerukus, mistõttu lähtume selle raamistiku puhul keskmistest.
  5. Keskmine tootmiseni kuluv aeg (MTTP) on keskmine aeg, mis kulub uute andmetoodete tarnimiseks või teisisõnu keskmine aeg andmetoodete turule toomiseks. See võib olla aeg, mille analüütik kulutab andmeteaduse mudeli jaoks andmete puhastamisele. Tegelikult vastavalt Forbes, moodustab andmete ettevalmistamine umbes 80% andmeteadlaste tööst. Maailmas, kus tahame käsitleda andmeid kui toodet, võib andmete kvaliteedi parandamine avaldada otsest mõju turule jõudmise aja lühendamisele. 

Lisaks ülaltoodud kvantifitseeritavatele mõõdikutele tasub halbade andmete maksumust vaadates kaaluda ka teisi, mis on raskemini mõõdetavad, kuid sama olulised.

  • Usalduse kaotamine: Andmetes ja andmemeeskond. See on minu arvates halbade andmete kõige ohtlikum tagajärg, mis võib kaasa tuua suuremaid probleeme, nagu andmemeeskonna käive või usalduse kaotus ettevõtte võime suhtes muutuda andmepõhiseks ja sammu pidada areneva digimaastikuga. Ja kui usaldus on murtud, on seda väga raske taastada. Varasemas kogemuses töötasin andmetarbijate ümber, kes pigem ei kasuta andmeid ning tuginevad pigem „kogemusele“ ja „kõhutundele“ väga muutlikus aktsiakauplemiskeskkonnas, kui kasutavad neid teades, et need võivad olla ebatäpsed. . 
  • Tootlikkuse langus: Halbade andmete korral on meeskonnad sunnitud tuld andma ja vigu parandama, kui need tekivad. See pidev tuletõrje ei ole mitte ainult kurnav, vaid ka kahjulik. Väärtuslik aeg, mida võiks kulutada strateegilisele planeerimisele ja kasvualgatustele, raisatakse tõrkeotsingule, suunates ressursse kriitilisematelt ülesannetelt kõrvale.
  • Regulatiivne ja mainega seotud risk: Vead finantsaruandluses või isikuandmete väärkäitlemine võivad kaasa tuua kulukad trahvid ja kohtuvaidlused. Vastavusprobleemidega tegelemine vähendab oluliselt tootlikkust, rääkimata sellega kaasnevast rahalisest koormast.
  • Kehv äritulemus: Lisaks andmemeeskonna tootlikkuse vähenemisele võivad halvad andmed takistada üldist äritegevust, kuna ettevõte võitleb oma klientide ees digitaalse valmisoleku ja usaldusväärsuse pärast ning muutub haavatavaks väliste ohtude suhtes. 

Andmete kvaliteediprobleemid võivad põhjustada mitmesuguseid probleeme, sealhulgas andmete usalduse kaotust, meeskonna tööviljakuse ja moraali vähenemist, eeskirjade eiramist ja otsuste langetamise kvaliteeti. Osakondades või äriüksustes koondatud andmed muudavad organisatsiooni andmemaastikust tervikliku ülevaate saamise keeruliseks. See võib kaasa tuua ebatõhusa otsuste tegemise, takistada andmekultuuri ja seada ohtu eeskirjade, nagu GDPR ja HIPAA, järgimise. Veelgi enam, andmemeeskonnad võivad pettumust tekitada, kui kulutavad andmeprobleemide tõrkeotsingule liiga palju aega, mis mõjutab negatiivselt nende tööga rahulolu ja võib põhjustada töötajate töökaotust. 

1x10x100 reegel

Reegel 1x10x100, intsidentide haldamise laialdaselt tunnustatud põhimõte, rõhutab halva andmekvaliteediga seotud kasvavaid kulusid. Selle reegli kohaselt on andmete kvaliteediprobleemi lahendamise kulud sisestuspunktis ligikaudu 1x esialgsest maksumusest. Kui probleem jääb avastamata ja levib süsteemi sees, suureneb kulu umbes 10 korda, mis hõlmab parandus- ja parandustegevust. Kui aga halb andmekvaliteet jõuab lõppkasutaja või otsustusfaasi, võivad kulud hüppeliselt tõusta 100-kordseks esialgsest kulust, mis on tingitud olulistest ärimõjudest, sealhulgas tööhäiretest, kaotatud võimalustest ja klientide rahulolematusest. See reegel rõhutab halva andmekvaliteedi eksponentsiaalset mõju, mistõttu on väga oluline, et organisatsioonid investeeriksid andmete vaadeldavusse, mis aitab hoida probleeme, kui need tekivad, algpõhjustele lähemal või allavoolu.

Järeldus

Andmekvaliteedi probleemid mõjutavad ettevõtteid märkimisväärselt, põhjustades ressursside raiskamist ja kasutamata võimalusi. Andmete jälgitavusse investeerimine on halbade andmetega seotud riskide ennetamiseks ja maandamiseks hädavajalik. Kvantifitseeritavaid mõõdikuid võimendades ja mittekvantifitseeritavaid tegureid arvesse võttes saavad organisatsioonid mõõta andmete vaadeldavuse ROI-d ja näidata selle väärtust otsustajatele. Andmete usalduse tagamine, tõhusa domeeniotsuste tegemise edendamine, eeskirjade järgimine ja rahuloleva andmemeeskonna edendamine on kõik andmekvaliteedi algatustest saadava kasu maksimeerimise kriitilised aspektid. Andmete vaadeldavuse omaksvõtmine on strateegiline investeering, mis tagab andmete täpsuse, usaldusväärsuse ja kasutamise tänapäeva andmepõhises maailmas. 

Organisatsioonid, kes loovad rikkaliku jälgitavuse tava, näevad oma põimunud keskkondi paremini läbi, mis tähendab vähem katkestusi, kiiremat probleemide lahendamist, suuremat kindlustunnet oma rakenduste töökindluse suhtes – ja lõppkokkuvõttes suuremat tulu ja õnnelikumaid kliente.

Ajatempel:

Veel alates ANDMED