Farazinux
Farazinux
خواندن ۴ دقیقه·۷ سال پیش

درک اهمیت کیفیت داده

دکتر گنیچی تاگوچی که به عنوان یک مهندس کیفیت در جهان مطرح می باشد، برای اولین به تبیین رابطه بین کیفیت پایین و ضرر حاصله از آن در کلیه بخش‌های یک سازمان پرداخت. تاگوچی یک تابع برای اندازه‌گیری میزان ضرری که از این حیث به سازمان تحمیل می شود، معرفی کرد. این تابع که به اختصار QLF نامیده می شود، میزان ضرر و خسارت را بر اساس یک سری از متغیرهای قابل اندازه‌گیری محاسبه می‌کند. شکل زیر رفتار تابع مذکور را در صورتی که از نقطه مطلوب فاصله می گیرد، نمایش می دهد. لزوماً این تغییر در دو سمت نقطه مطلوب همواره متقارن نیست و ممکن است در برخی موارد شیب فاصله گرفتن از نقطه مطلوب تندتر یا کندتر از شکل زیر باشد. نتیجه این ضرر و زیان می‌تواند نتایجی مانند تجزیه سازمان یا ورشکستگی آن را به همراه داشته باشد.

در این شکل، نمایش داده شده که ضرر و زیان در صورتی که مشخصه های کیفیت از نقطه مطلوب m‌ فاصله بگیرد، افزایش خواهد یافت. این رابطه از طریق فرمول زیر قابل بیان می‌باشد :

L(y) = k(y-m)^2

در این فرمول، k‌ فاکتوری است بر حسب دلار که بر اساس هزینه‌های مستقیم و غیرمستقیم، خدمات پس از فروش و اعتبار از دست رفته و همچنین هزینه‌های که با از دست دادن مشتریان و هزینه‌های کار مجدد به سازمان تحمیل می شود، تعیین می گردد. راهکارهای آماده‌ای برای محاسبه k‌ در حال حاضر وجود دارد که می‌توانید به آن‌ها رجوع کنید.

بر اساس اظهار نظر دمینگ (‌۱۹۶۰) لزومی وجود ندارد که این فرمول دقیق باشد و اساساً دست یابی به یک فرمول برای محاسبه دقیق میزان ضرر و زیان بسیار سخت و دشوار می باشد. در بیشتر محاسبات در حال حاضر به یک تقریب نسبتاً نزدیک به واقعیت اکتفا می شود.

مفهوم فرمول محاسبه ضرر و زیان به درستی در حوضه کیفیت داده و مشخصاً اندازه‌گیری کیفیت داده بر اساس عناصر داده ای مختلف مانند شناسه مشتریان، شماره ملی و گردش حساب پیاده‌سازی شده است. طبق معمول، عناصر داده بر اساس معیارهای معینی اولویت بندی می‌شوند و سطح کیفیت عناصر داده در قالب درصد اندازه‌گیری می گردد. به عناصر داده اولویت بندی شده، عناصر داده حیاتی(CDE) نیز گفته می شود.

اگر کیفیت بدست آمده از CDE‌ها یا همان عناصر داده‌ حیاتی در سطح مطلوبی نباشد احتمال تصمیم گیری های اشتباه بالا می رود که در نهایت تبعات ویرانگری برای یک سازمان به همراه خواهد داشت که به برخی از این تبعات منفی پیش تر از این اشاره شد.

با توجه به اینکه سطح کیفیت داده از جنس متغیرهایی «هرچه بیشتر،‌بهتر» می‌باشد بنابراین شکل زیر می‌تواند ترسیم بهتری از این شرایط باشد. در واقعی در رابطه با کیفیت داده نیمی از نمودار قبلی قابل تفسیر و کاربردی می باشد. در این شکل نشان داده شده است که هر چقدر از نقطه مطلوب به سمت منفی حرکت کنیم( کیفیت پایین داده) میزان ضرر و زیان افزایش می‌یابد ولی با توجه به اینکه در نقطه m‌ در حداقل ممکن ضرر و زیان هستیم هر چقدر به سمت مثبت حرکت کنیم تغییری در نتیجه ( کاهش ضرر و زیان )‌حاصل نخواهد شد و بنابراین منطقی نخواهد بود که پس از دستیبابی به نقطه بهینه تلاش مضاعفی در رابطه با افزایش کیفیت داده‌ها صورت بگیرد.

ضرر و زیان ناشی از داده‌های بی کیفیت می‌تواند نمودهای مختلفی داشته باشد، به عنوان مثال ممانعت از ورود دانشجو به دانشگاه، رد کردن درخواست وام مشتریان، نسخه داروی اشتباه، اختلال در حرکت زیردریایی ها و برچسب گذاری اشتباه بر روی مواد غذایی. در حوزه اقتصادی، شرایطی را تصور کنید که با درخواست وام یک مشتری بر اساس گزارش اشتباه گردش حساب وی، مخالفت می شود. اشتباهی که بر اساس نقص در جست‌و‌جوی گردش حساب بر اساس شماره ملی مشتری پیش آمده است. چنین اشتباهاتی می‌تواند تبعات و زیان های سنگینی برای یک مؤسسه مالی به همراه داشته باشد و آن را تا مرز ورشکستگی پیش ببرد. یک مؤسسه اقتصادی در سال ۲۰۱۱ یکی از علل اصلی بحران اقتصادی سال ۲۰۰۷ را بهره گیری ناقص از فناوری اطلاعات و همچنین ضعف در معماری اطلاعات عنوان کرده است. این مثال‌ها همگی در راستای تبیین اهمیت بالای کیفیت داده در دنیای امروز می‌باشند و مؤید این نکته می‌باشد که تأثیر داده‌های بی کیفیت را در بحران های اقتصادی نمی‌توان نادیده گرفت.

طی این بحران، بسیاری از بانک ها،‌ موسسات مالی و شرکت های بیمه میلیون‌ها دلار از سرمایه خود را از دست دادند. تأثیرات چنین اتفاقاتی می‌تواند بسیار سنگین باشد، مانند : رکود اقتصادی، افزایش بیکاری، تخلیه صندوق های بازنشستگی و از دست اعتماد و اعتبار در صنعت و نزد دولت ها.

تمامی تاثیراتی اشاره شده را می‌توان بر اساس تعریف تاگوچی در ۲ دسته قرار داد :‌۱ – ضرر قابل محاسبه بر اساس توابع و فرمول ها ، ۲- تأثیرات مضر غیرملموس که هر دوی آن ها در شکل زیر نشان داده شده است.

در این نوشتار به بحث در مورد کیفیت داده و تأثیرات داده‌ها بی کیفیت بر عمل‌کرد سازمان ها پرداختیم. واضح است که داده‌های بی کیفیت می‌توانند تأثیرات منفی بزرگی برای یک سازمان به همراه داشته باشند. بنابراین مدیریت مؤثر منابع کلیدی داده در راستای به حداقل رساندن زیان ناشی از منابع اطلاعاتی ناقص، یک اصل مهم و حیاتی به شمار می رود. از همین رو نیاز به مدیریت داده که در قبال سطح کیفیت داده‌ها پاسخگو باشد بیش از پیش احساس می شود. در قسمت بعدی به طور خلاصه به راه اندازی چنین عمل‌کردی در سازمان و وظایف آن می پردازیم.

datadata qualitydata managementدادهکیفیت داده
اسیر عرصه تحلیل داده
شاید از این پست‌ها خوشتان بیاید