Datuen gobernantza AAren oinarri gisa
Erakunde batek lehen AA sistema martxan jartzen duenean eta aurreikuspenak inkoherenteak direla eta modeloak absurdo emaitzak sortzen dituela aurkitzen duenean, lehen bulkada algoritmoan erroreak bilatzea da. Kasuen ehuneko 80an, benetako kausa beste bat da: sarrerako datuak osatu gabeak, modu inkoherentean etiketatuak edo aspaldi ez aplikagarriak diren negozio-prozesu zaharrak islatzen dituztenak. Datuen gobernantza arazo hauek kostu handiak bihurtu aurretik saihesten dituen prozesu eta tresnen multzoa da.
Datuen kalitatea — dimentsioak eta neurketa
Datuen kalitatea ez da dimentsio bakarreko kontzeptua. Kalitatearen kudeaketa praktikoak hainbat dimentsio independenteren neurketa eskatzen du:
- Osotasuna — beharrezko eremuen zein portzentaje dago beteta? Iturri-sistemen tauletan ikusezin diren balio hutsek modelo prediktiboak hondatu ditzakete.
- Koherentzia — sistema ezberdinetan gordeta dauden datu berberek balio berdina dute? CRM eta ERP arteko desberdintasunak bezeroaren oinarrizko atributuetan arazo zabaldua da.
- Eguneratutasuna — zein zaharrak dira datuak errealitatearekin alderatuta? Denbora errealean funtzionatzen duten AA sistementzako dimentsio kritikoa da.
- Zehaztasuna — datuek errealitatea islatzen dute? Egiaztapenak kanpoko erreferentzia-iturriak edo eskuzko laginketa behar du.
Datuen katalogoa — non zer dagoen eta zer esan nahi duen
Erakunde heldu batean, datuak hamarkadetako sistemetan, datu-baseetan eta fitxategietan gordetzen dira. Datuen katalogorik gabe, AA proiektu berri bat asteetako ikerketekin hasten da: non daude eskaeretako datuak? Zer esan nahi du "status_v2" eremuan bezeroen taulan? Nor da salmenta-datuen kalitatearen arduraduna?
Datuen katalogoak galdera hauei automatikoki erantzuten die, iturri-sistemak eskaneatuz eta metadatu teknikoak negozio-deskripzioekin, jabeei buruzko informazioarekin eta sentikortasun-sailkapenekin aberastuz. AA sistementzako funtsezkoa da katalogoa automatizazio-tresnentzako eskuragarria izatea — AA modeloak berak eskura daitezkeen datu-iturriak aztertu ditzake analisia hasi aurretik.
Datuen leinua — datuen fluxuaren jarraipena
AA modelo batek emaitza susmagarri bat sortzen duenean, ikerketak galdera honi erantzun behar dio: nondik dator balio hau eta zer transformazio igaro ditu bidean? Datuen leinuak automatikoki erregistratzen du datuen fluxua iturritik ondorengo transformazioetatik azken taula edo modelora. Ez da soilik araztatzeko tresna, baita betetzerako ere — DBBER, DORA eta sektoreko araudiek eskatzen dute pertsona fisikoei eragiten dieten erabakietan erabilitako datuak nondik datozen dokumentatzea.
Datu-maisuen kudeaketa (MDM)
Erakunde handi orok arazo bat du entitate berdinen definizio anitzekin: CRM-ko bezero bat, finantza-sistemako bezero bat eta merkataritza elektronikoko plataformako bezero bat askotan hiru entitate ezberdin dira, pertsona edo enpresa bera irudikatu beharko luketela. Datu-maisuen kudeaketak entitate gako bakoitzaren erregistro fidagarri bakarra sortzen du eta eratorritako sistemetara hedatzen du. MDMrik gabe, AA sistemek datuetatik ikasten dute non bezero bera hiru ezberdin bezala tratatzen den.
Nola hasi — ikuspegi iteratiboa
Datuen gobernantza ez du zertan AA sistemarik abiarazi aurretiko urte anitzeko proiektu bat izan. Ikuspegi praktikoa gobernantza lehen inplementazioekin paraleloan eraikitzean datza: planifikatutako AA sistemarako datu-multzo kritikoenak identifikatu eta beren kalitate-profilekin hasi. Irismena pixkanaka zabaldu, ekoizpeneko benetako arazoetan ikasiz.