TDWI Data Quality Management: Techniques for Data Profiling, Assessment, and Improvement Eğitimi

Veri kalitesi, neredeyse her işletme, BT organizasyonu ve iş zekası programı açısından en büyük zorluklardan biridir. Veri kalitesi sorunlarına karşı en sık sergilenen yaklaşım, sorunlarla karşılaşıldığında veya sorunlar rapor edildiğinde bu sorunların çözümlenmesi şeklinde reaktif bir yaklaşımdır. Ancak bu tür reaktif veri kalitesi yöntemleri kalite yönetimi değildir, daha çok, kusurların sürekli olarak düzeltildiği ancak bu kusurların sebeplerinin nadiren ortadan kaldırıldığı basit bir kalite bakımıdır. Sürdürülebilen veri kalitesine erişmede başarısı kanıtlanmış tek yol ise veri profilinin çıkartılmasını, veri kalitesinin değerlendirilmesini, kök neden analizini, veri temizliğini ve süreç iyileştirmesini içeren kapsamlı bir kalite yönetim programıdır.

Herhangi bir önkoşul bulunmamaktadır.

Bu eğitime iş zekası, MDM ve veri yönetimi program ve proje yöneticileri ve uygulayıcıları, veri sahipleri, veri ambarı tasarımcıları ve geliştiricileri, veri kalitesi profesyonelleri katılabilir.

• Bu eğitimde;
• Sütun, tablo ve tablolar arası veri profili çıkartma teknikleri
• Veri profilleri nasıl analiz edilir ve bu profillerden öyküler nasıl elde edilir
• Veri kalitesini değerlendirmeye ve ölçmeye yönelik subjektif ve objektif yöntemler
• Veri kalitesi yönetimi için OLAP ve performans skor kartları nasıl uygulanır
• Belirtilerin ötesine nasıl geçilir ve veri kalitesi kusurlarının gerçek nedenleri nasıl anlaşılır
• Mevcut veri kalitesi eksikliklerini etkin bir şekilde düzeltmeye yönelik veri temizleme teknikleri
• Kök nedenleri ortadan kaldırmak ve gelecekteki kusurları önlemek için süreç iyileştirme yöntemleri

Module One: Data Quality Basics

• Data Quality Concepts
  • Defining Data Quality
  • Integrity and Correctness
  • Data Quality and Metadata Quality
  • Rules as Metadata
  • Metadata and DQ Management
• Data Quality Processes
  • Quality Control, Assurance, & Management
  • Data Profiling
  • Data Quality Assessment
  • Data Cleansing
  • Root Cause Analysis
  • Process Improvement

Module Two: Profiling Data

• Data Profiling Concepts
  • Purpose and Processes
• Column Profiling
  • Extracting Values Metadata
  • Examining Values Metadata
• Table Profiling
  • Examining Dependencies
  • Keys and Uniqueness
  • Column Dependencies
• Cross-Table Profiling
  • Examining Redundancy and Relationships
  • Redundancy
  • Relationships
• Analyzing Data Profiles
  • Column Profiles
  • Values Frequency
  • The Story in the Profiles
  • Data Quality Rules
• Data Profiling in Practice
  • Profiling and Projects
  • People and Technology

Module Three: Assessing Data Quality

• DQ Assessment Concepts
  • DQ Assessment Defined
  • Subjective Assessment
  • Objective Assessment
  • Assessment in DQ Management
• Subjective Assessment
  • Subjective Assessment Process
  • A Survey of Data Quality Perceptions
• Objective Assessment
  • Objective Assessment Process
  • Planning and Preparation
  • Cataloging Data Quality Rules
  • Cataloging Data Quality Errors
  • Testing and Tuning Rules
  • Reporting and Analyzing Data Quality
• Assessment in Practice
  • Assessment and Projects
  • People, Roles, and Skills

Module Four: Fixing Data Quality Defects

• Data Cleansing Concepts
  • Data Cleansing Defined
  • Techniques
  • Cleansing Process Overview
  • Planning & Preparation
• Procedural Data Cleansing
  • Names and Addresses
  • De-Duplication and Consolidation
• Rule-Based Data Cleansing
  • Data Cleansing Rules
  • Rules Processing
• Data Cleansing in Practice
  • Data Cleansing Workflow
  • Cleansing and the Data Warehouse
  • Data Cleansing and Projects
  • People, Roles, and Responsibilities

Module Five: Preventing Data Quality Defects

• Root Cause Analysis
  • RCA Overview
  • The RCA Process
  • Causal Modeling
  • Five Whys
  • Fishbone Diagrams
  • Causal Loop Diagrams
• Process Improvement
  • Process Improvement Principles
  • Process Improvement Overview
  • Prerequisites
  • Target Processes
  • Change Planning
  • Action Planning
  • Executing Change

Module Six: Summary and Conclusion

• Sustaining Data Quality
  • Awareness, Accountability, Action
  • Mistakes to Avoid
• References and Resources
  • To Learn More