डेटा गुणवत्ता: Difference between revisions

डेटा गुणवत्ता गुणात्मक डेटा या सूचना के [[मात्रात्मक डेटा]] टुकड़ों या खण्डों की स्थिति को संदर्भित करती है। डेटा गुणवत्ता की कई परिभाषाएँ हैं, लेकिन डेटा को सामान्यतः उच्च गुणवत्ता वाला माना जाता है यदि यह व्यावसायिक संचालन, निर्णय लेने और [[योजना]] में इसके इच्छित उपयोग के लिए उपयुक्त है।<ref name="Redman2013">{{cite book |first=Thomas C. |last=Redman|title=Data Driven: Profiting from Your Most Important Business Asset |url={{google books |plainurl=y |id=Q5CJJ2wVkYAC}} |date=30 December 2013 |publisher=Harvard Business Press |isbn=978-1-4221-6364-1}}</ref><ref name="Fadahunsi e024722">{{Cite journal|last1=Fadahunsi|first1=Kayode Philip|last2=Akinlua|first2=James Tosin|last3=O’Connor|first3=Siobhan|last4=Wark|first4=Petra A |last5=Gallagher |first5=Joseph |last6=Carroll |first6=Christopher |last7=Majeed |first7=Azeem |last8=O’Donoghue |first8=John |date=March 2019 |title=ई-स्वास्थ्य में सूचना गुणवत्ता ढांचे की एक व्यवस्थित समीक्षा और गुणात्मक संश्लेषण के लिए प्रोटोकॉल|journal=BMJ Open |volume=9 |issue=3 |pages=e024722 |doi=10.1136/bmjopen-2018-024722 |pmid=30842114 |pmc=6429947 |issn=2044-6055}}</ref><ref>{{Cite journal|last1=Fadahunsi|first1=Kayode Philip|last2=O'Connor|first2=Siobhan|last3=Akinlua|first3=James Tosin|last4=Wark|first4=Petra A.|last5=Gallagher|first5=Joseph|last6=Carroll|first6=Christopher|last7=Car|first7=Josip|last8=Majeed|first8=Azeem|last9=O'Donoghue|first9=John|date=2021-05-17|title=Information Quality Frameworks for Digital Health Technologies: Systematic Review|url=https://www.jmir.org/2021/5/e23479|journal=Journal of Medical Internet Research|language=EN|volume=23|issue=5|pages=e23479|doi=10.2196/23479|pmid=33835034|pmc=8167621}}</ref> इसके अतिरिक्त, डेटा को उच्च गुणवत्ता वाला माना जाता है यदि यह वास्तविक दुनिया के निर्माण का सही ढंग से प्रतिनिधित्व करता है जिससे यह संदर्भित होता है। इसके अतिरिक्त, इन परिभाषाओं के अतिरिक्त, जैसे-जैसे डेटा स्रोतों की संख्या बढ़ती है, किसी विशेष बाहरी उद्देश्य के लिए उपयुक्तता की परवाह किए बिना, आंतरिक डेटा स्थिरता का प्रश्न महत्वपूर्ण हो जाता है। डेटा गुणवत्ता पर लोगों के विचार प्रायः असहमत हो सकते हैं, यहां तक ​​कि समान उद्देश्य के लिए उपयोग किए गए डेटा के समान सेट पर चर्चा करते समय भी जब ऐसा होता है, तो डेटा गुणवत्ता के लिए स्वीकृत परिभाषाओं और मानकों को बनाने के लिए [[सामग्री संचालन]] का उपयोग किया जाता है। ऐसे सन्दर्भों में, डेटा गुणवत्ता सुनिश्चित करने के लिए मानकीकरण सहित [[डेटा सफाई]] की आवश्यकता हो सकती है।<ref name="SmallwoodInfo14">{{cite book |url=https://books.google.com/books?id=m5U6AwAAQBAJ&pg=PA110 |title=Information Governance: Concepts, Strategies, and Best Practices |author=Smallwood, R.F. |publisher=John Wiley and Sons |page=110 |year=2014 |isbn=9781118218303 |quote=एक मानकीकृत डेटा गवर्नेंस प्रोग्राम होने का अर्थ है दूषित या डुप्लिकेट डेटा को साफ करना और उपयोगकर्ताओं को लाइन-ऑफ़-बिज़नेस सॉफ़्टवेयर अनुप्रयोगों के आधार के रूप में और व्यावसायिक इंटेलिजेंस (BI) अनुप्रयोगों में निर्णय समर्थन विश्लेषण के लिए स्वच्छ, सटीक डेटा प्रदान करना।|access-date=2020-04-18 |archive-date=2020-07-30 |archive-url=https://web.archive.org/web/20200730001620/https://books.google.com/books?id=m5U6AwAAQBAJ&pg=PA110 |url-status=live }}</ref>

उपभोक्ता दृष्टिकोण से, डेटा की गुणवत्ता है:<ref name="FürberData15" />

* डेटा जो अपने इच्छित संचालन, निर्णय लेने और अन्य भूमिकाओं में 'उपयोग के लिए उपयुक्त' हैं या जो 'मानकों के अनुरूप' मान प्रदर्शित करते हैं, ताकि उपयोग के लिए उपयुक्तता प्राप्त की जा सके<ref name="HerzogData07">{{cite book |chapter-url=https://books.google.com/books?id=iofCetdcJSoC&pg=PA7 |chapter=Chapter 2: What is data quality and why should we care? |title=डेटा गुणवत्ता और रिकॉर्ड लिंकेज तकनीकें|author=Herzog, T.N.; Scheuren, F.J.; Winkler, W.E. |publisher=Springer Science & Business Media |pages=7–15 |year=2007 |isbn=9780387695020 |access-date=18 April 2020 |archive-date=31 July 2020 |archive-url=https://web.archive.org/web/20200731163052/https://books.google.com/books?id=iofCetdcJSoC&pg=PA7 |url-status=live }}</ref>

* वह डिग्री जिस तक किसी वस्तु (डेटा) की अंतर्निहित विशेषताओं (गुणवत्ता आयामों) का एक सेट आवश्यकताओं को पूरा करता है<ref name="ISO9000_15">{{cite web |url=https://www.iso.org/obp/ui/#iso:std:iso:9000:ed-4:v1:en |title=आईएसओ 9000: 2015 (एन) गुणवत्ता प्रबंधन प्रणाली - बुनियादी बातों और शब्दावली|author=International Organization for Standardization |publisher=International Organization for Standardization |date=September 2015 |access-date=18 April 2020 |archive-date=19 May 2020 |archive-url=https://web.archive.org/web/20200519100721/https://www.iso.org/obp/ui/#iso:std:iso:9000:ed-4:v1:en |url-status=live }}</ref><ref name="FürberData15" />, इसके आवेदन के लिए डेटा की उपयोगिता, सटीकता और शुद्धता की प्रमाणता सिद्ध करता है।<ref name="NISTBig19">{{cite journal |url=https://nvlpubs.nist.gov/nistpubs/SpecialPublications/NIST.SP.1500-4r2.pdf |title=NIST Big Data Interoperability Framework: Volume 4, Security and Privacy |journal=NIST Special Publication 1500-4r2 |author=NIST Big Data Public Working Group, Definitions and Taxonomies Subgroup |publisher=National Institute of Standards and Technology |edition=3rd |date=October 2019 |doi=10.6028/NIST.SP.1500-4r2 |quote=वैधता का तात्पर्य इसके अनुप्रयोग के लिए डेटा की उपयोगिता, सटीकता और शुद्धता से है। परंपरागत रूप से, इसे डेटा गुणवत्ता के रूप में संदर्भित किया गया है।|access-date=18 April 2020 |archive-date=9 May 2020 |archive-url=https://web.archive.org/web/20200509103951/https://nvlpubs.nist.gov/nistpubs/SpecialPublications/NIST.SP.1500-4r2.pdf |url-status=live |doi-access=free }}</ref>

तार्किक रूप से, इन सभी सन्दर्भों में, डेटा की गुणवत्ता डेटा के किसी विशेष सेट की वास्तविक स्थिति की वांछित स्थिति से तुलना है, वांछित स्थिति को विशेष रूप से उपयोग के लिए उपयुक्त के रूप में संदर्भित किया जाता है, उपभोक्ता अपेक्षाओं को पूरा करता है, दोष से मुक्त, या आवश्यकताओं को पूरा करना, ये अपेक्षाएं, विनिर्देश और आवश्यकताएं सामान्यतः एक या अधिक व्यक्तियों या समूहों, मानक संगठनों, कानूनों और विनियमों, व्यावसायिक नीतियों या सॉफ़्टवेयर विकास नीतियों द्वारा परिभाषित की जाती हैं।<ref name="FürberData15" />

अधिक गहराई से देखने पर, उन अपेक्षाओं, विशिष्टताओं और आवश्यकताओं को डेटा की विशेषताओं या आयामों के संदर्भ में बताया गया है, जैसे:<ref name="FürberData15" /><ref name="HerzogData07" /><ref name="FleckensteinModern18" /><ref name="MahantiData19" /><ref name=":0" />

'''सस्ते [[कंप्यूटर डेटा भंडारण]] के उदय से पहले''', बड़े पैमाने पर [[मेनफ़्रेम कंप्यूटर]] कंप्यूटरों का उपयोग वितरण सेवाओं के लिए नाम और पता डेटा बनाए रखने के लिए किया जाता था। ऐसा इसलिए था ताकि मेल को उसके गंतव्य तक ठीक से भेजा जा सके। मेनफ्रेम ने नाम और पते के डेटा में सामान्य गलत वर्तनी और टाइपोग्राफ़िकल त्रुटियों को ठीक करने के साथ-साथ उन ग्राहकों को ट्रैक करने के लिए व्यावसायिक नियमों का उपयोग किया जो चले गए, मर गए, जेल गए, विवाहित, तलाकशुदा, या अन्य जीवन-परिवर्तनकारी घटनाओं का अनुभव किया। सरकारी एजेंसियों ने नेशनल चेंज ऑफ़ एड्रेस रजिस्ट्री [[संयुक्त राज्य डाक सेवा]]|(NCOA) के साथ ग्राहक डेटा को क्रॉस-रेफ़रेंस करने के लिए कुछ सेवा कंपनियों को डाक डेटा उपलब्ध कराना शुरू किया। ग्राहक डेटा के मैन्युअल सुधार की तुलना में इस तकनीक ने बड़ी कंपनियों के लाखों डॉलर बचाए। बड़ी कंपनियों ने डाक पर बचत की, क्योंकि बिल और प्रत्यक्ष विपणन सामग्री ने इच्छित ग्राहक तक अधिक सटीक रूप से अपना रास्ता बनाया। प्रारंभ में एक सेवा के रूप में बेचा गया, डेटा गुणवत्ता निगमों की दीवारों के अंदर चली गई, क्योंकि कम लागत वाली और शक्तिशाली सर्वर तकनीक उपलब्ध हो गई।{{citation needed|date=May 2015}}

मार्केटिंग पर जोर देने वाली कंपनियां प्रायः अपने गुणवत्ता प्रयासों को नाम और पते की जानकारी पर केंद्रित करती हैं, लेकिन डेटा गुणवत्ता को मान्यता दी जाती है{{by whom|date=May 2015}} सभी प्रकार के डेटा की एक महत्वपूर्ण संपत्ति के रूप में। डेटा गुणवत्ता के सिद्धांतों को आपूर्ति श्रृंखला डेटा, लेन-देन संबंधी डेटा और पाए जाने वाले लगभग हर दूसरे श्रेणी के डेटा पर लागू किया जा सकता है। उदाहरण के लिए, आपूर्ति श्रृंखला डेटा को एक निश्चित मानक के अनुरूप बनाने से संगठन के लिए मूल्य होता है: 1) समान लेकिन थोड़े अलग स्टॉक के ओवरस्टॉकिंग से बचना; 2) झूठे स्टॉक-आउट से बचना; 3) वॉल्यूम छूट पर बातचीत करने के लिए विक्रेता खरीद की समझ में सुधार; और 4) एक बड़े संगठन में स्टॉकिंग और शिपिंग भागों में रसद लागत से बचना।{{citation needed|date=May 2015}}

व्यवहार में, डेटा गुणवत्ता सूचना प्रणाली की एक विस्तृत श्रृंखला से जुड़े पेशेवरों के लिए एक चिंता का विषय है, जिसमें [[डेटा भण्डारण]] और [[ व्यापारिक सूचना |व्यापारिक सूचना]] से लेकर [[ग्राहक संबंध प्रबंधन]] और [[आपूर्ति श्रृंखला प्रबंधन]] शामिल हैं। एक उद्योग अध्ययन ने अनुमान लगाया कि डेटा गुणवत्ता की समस्याओं की अमेरिकी अर्थव्यवस्था की कुल लागत यूएस $600 बिलियन प्रति वर्ष से अधिक है (एकर्सन, 2002)। गलत डेटा - जिसमें अमान्य और पुरानी जानकारी शामिल है - डेटा प्रविष्टि, या [[आंकड़ों का विस्थापन]] और रूपांतरण परियोजनाओं के माध्यम से - विभिन्न डेटा स्रोतों से उत्पन्न हो सकता है।<ref>{{cite web|url=http://www.information-management.com/issues/20060801/1060128-1.html|title=दायित्व और उत्तोलन - डेटा गुणवत्ता के लिए एक मामला|publisher=Information Management|date=August 2006|access-date=2010-06-25|archive-date=2011-01-27|archive-url=https://web.archive.org/web/20110127183533/http://www.information-management.com/issues/20060801/1060128-1.html|url-status=live}}</ref>

# [[डेटा प्रोफाइलिंग]] - शुरुआत में इसकी वर्तमान स्थिति को समझने के लिए डेटा का आकलन करना, प्रायः मूल्य वितरण सहित

# [[रिकॉर्ड लिंकेज]] - डेटा की तुलना करने का एक तरीका ताकि समान, लेकिन थोड़े अलग रिकॉर्ड को संरेखित किया जा सके। मिलान डेटा में डुप्लीकेट खोजने के लिए फ़ज़ी लॉजिक का उपयोग कर सकता है। यह प्रायः पहचानता है कि बॉब और बो एक ही व्यक्ति हो सकते हैं। उदाहरण के लिए, यह गृहस्थी का प्रबंधन करने, या एक ही पते पर पति-पत्नी के बीच संबंध खोजने में सक्षम हो सकता है। अंत में, यह प्रायः कई डेटा स्रोतों से सर्वोत्तम घटकों को लेकर और एक एकल सुपर-रिकॉर्ड का निर्माण करते हुए, नस्ल का सर्वश्रेष्ठ रिकॉर्ड बना सकता है।

# बैच और वास्तविक समय - एक बार जब डेटा [[अध्यापक]] में साफ (बैच) हो जाता है, तो कंपनियां प्रायः इसे साफ रखने के लिए प्रक्रियाओं को उद्यम अनुप्रयोगों में बनाना चाहती हैं।

कई प्रसिद्ध लेखक और स्वयंभू विशेषज्ञ हैं, जिनमें लैरी इंग्लिश शायद सबसे लोकप्रिय गुरु हैं। इसके अतिरिक्त, [http://iaidq.org/ IQ International - The International Association for Information and Data Quality] की स्थापना 2004 में की गई थी ताकि इस क्षेत्र में पेशेवरों और शोधकर्ताओं को केंद्र बिंदु प्रदान किया जा सके।

डेटा गुणवत्ता आश्वासन डेटा में विसंगतियों और अन्य विसंगतियों की खोज करने के साथ-साथ डेटा सफाई करने के लिए डेटा प्रोफाइलिंग की प्रक्रिया है।<ref>{{cite web|url=https://spotlessdata.com/blog/can-you-trust-quality-your-data|archive-url=https://web.archive.org/web/20170211081434/https://spotlessdata.com/blog/can-you-trust-quality-your-data|url-status=dead|archive-date=2017-02-11|title=Can you trust the quality of your data?|publisher=spotlessdata.com}}</ref><ref>{{cite web|url=https://www.edq.com/glossary/data-cleansing/|title=What is Data Cleansing? - Experian Data Quality|date=13 February 2015|access-date=9 February 2017|archive-date=11 February 2017|archive-url=https://web.archive.org/web/20170211080019/https://www.edq.com/glossary/data-cleansing/|url-status=live}}</ref> डेटा की गुणवत्ता में सुधार के लिए गतिविधियाँ (जैसे [[बाहरी कारकों के कारण]] को हटाना, लापता डेटा [[ प्रक्षेप |प्रक्षेप]] )।

प्रत्येक स्रोत प्रणाली से प्रत्येक अनिवार्य विशेषता के लिए प्रविष्टि के बिंदु पर सभी डेटा पर पूर्णता और सटीक डीक्यू जांच की जा सकती है। लेन-देन के प्रारंभिक निर्माण के बाद कुछ विशेषता मान बनाए जाते हैं; ऐसे सन्दर्भों में, इन जांचों को प्रशासित करना मुश्किल हो जाता है और उस विशेषता के स्रोत की परिभाषित घटना और लेन-देन की अन्य मुख्य विशेषता शर्तों के पूरा होने के तुरंत बाद किया जाना चाहिए।

एक संगठन में जटिल तर्क को सामान्यतः कई प्रक्रियाओं में सरल तर्क में अलग किया जाता है। तर्कसंगतता ऐसे जटिल तर्क पर डीक्यू जांच मूल्यों या स्थिर अंतर्संबंधों (एकत्रित व्यावसायिक नियम) की एक विशिष्ट श्रेणी के भीतर एक तार्किक परिणाम देने के लिए जटिल लेकिन महत्वपूर्ण व्यावसायिक प्रक्रियाओं और डेटा के आउटलेयर की खोज के लिए मान्य हो सकती है, बीएयू (व्यापार हमेशा की तरह) से इसका बहाव ) उम्मीदें हैं, और संभावित अपवाद प्रदान कर सकते हैं जिसके परिणामस्वरूप अंततः डेटा समस्याएं हो सकती हैं। यह जाँच डेटा के बड़े हिस्से से घिरा एक सामान्य सामान्य एकत्रीकरण नियम हो सकता है या यह संगठन के मुख्य व्यवसाय से संबंधित लेनदेन की विशेषताओं के समूह पर एक जटिल तर्क हो सकता है। इस डीक्यू चेक के लिए उच्च स्तर के व्यावसायिक ज्ञान और कौशल की आवश्यकता होती है। तर्कसंगतता के मुद्दों की खोज व्यापार या डेटा शासन या दोनों द्वारा नीति और रणनीति में बदलाव के लिए सहायता कर सकती है।

दुर्भाग्य से, एक सॉफ्टवेयर विकास के नजरिए से, DQ को प्रायः एक गैर-कार्यात्मक आवश्यकता के रूप में देखा जाता है। और इस तरह, प्रमुख डेटा गुणवत्ता जांच/प्रक्रियाओं को अंतिम सॉफ़्टवेयर समाधान में शामिल नहीं किया जाता है। हेल्थकेयर, पहनने योग्य तकनीक या [[बॉडी एरिया नेटवर्क]] के भीतर, बड़ी मात्रा में �