Italiano
English 
La luce in fondo al tunnel degli errori si chiama Data Quality. È questa la carta vincente che le imprese dovranno giocare con sempre maggior decisione per sfondare le porte del futuro. Facile capire il perché: lavorare in un contesto popolato di dati errati può costare caro al bilancio aziendale e alla gestione dell’ordinario. Al contrario, essere certi di operare con informazioni corrette, precise e affidabili significa ritagliarsi un ruolo di primo piano in termini di credibilità. Significa evitare misunderstanding, errori, problemi, mancati contatti con i clienti e innalzamento del proprio profilo di rischio. Significa dotarsi per gli strumenti per competere. E, in una parola, significa vincere.
Data Quality: una leva essenziale per lo sviluppo dell’impresa
Ricordate l’esplosione dello Space Shuttle Challenger, la tragedia dello spazio che colpì l’emotività del mondo intero? Le indagini (Criticality of data quality as exemplified in two disasters, Fisher & Kingma, 2001) hanno appurato che dietro il dramma non si nascose un’ineluttabile fatalità, ma dieci differenti categorie di problemi di Data Quality. Ovvero, banalizzando, di cattiva gestione dei dati. Si tratta naturalmente dell’esempio estremo, non unico peraltro, ma la vicenda è esemplare. E chiarisce quanto sia essenziale fare affidamento su dati corretti per evitare conseguenze irreparabili. Estendendo il ragionamento anche a logiche di business di minor “impatto umano”, è evidente che curare la Data Quality aziendale è un compito imprescindibile, capace di prevenire decisioni errate e danni all’economia dell’impresa. Un compito che richiede impegno e costi, ma decisamente minori rispetto a quelli che comporterebbe il non occuparsene.
Cosa vuol dire migliorare la Data Quality
Ma cosa significa nel concreto curare la Data Quality aziendale? Immaginiamo la mole di dati che l’impresa si trova a gestire nel quotidiano. Partite Iva, indirizzi, codici fiscali, numeri telefonici, date: inviare documenti con un errore in uno di questi elementi può significare procurare un danno – anche importante – all’azienda. Una fattura che non arriva a destinazione. Un cliente con cui si perde il contatto. Il profilo di rischio che si modifica in senso peggiorativo. Evitare tutto questo si può, attuando un processo di analisi e miglioramento dei dati stessi in termini di Quality:
- completezza (possiedo tutti i dati necessari ad espletare il processo?)
- accuratezza (i dati che possiedo sono precisi nel rappresentare l’informazione?)
- tempestività (come incidono i tempi di produzione dei dati sul processo?)
- coerenza (i dati sono in contraddizione?)
- univocità (la stessa informazione è rappresentata sempre dagli stessi dati?)
- integrità (i dati si sono modificati nel corso del tempo?)
- conformità formale (i dati immessi rispettano gli standard formali?)
Benefici di un’accurata Data Quality aziendale
La valutazione, secondo questi criteri, dei dati presenti nel sistema informativo si traduce per l’impresa in opportunità di prendere corrette scelte data-driven. Le aziende in grado di muoversi secondo queste linee acquisiscono grande capacità di reagire in modo flessibile e dinamico alle richieste del mercato, evitando di lasciarsi sfuggire importanti occasioni di business. Queste ultime sono, infatti, per buona parte ormai caratterizzate da richieste fondate su analisi interdipartimentali di dati incrociati e integrati, e rispondono a volumi di informazioni, di provenienze diverse, in continua crescita.
Data Quality, dal dire al fare
In questo contesto, la recente introduzione di obblighi in materia di gestione dei dati ha diffuso maggior consapevolezza sui benefici della Data Quality. Ma il compito di curare questi aspetti non può esaurirsi nelle intenzioni. E deve tradursi necessariamente in procedure codificate in grado di fondare nuovi concreti valori per il business, attraverso un rigoroso sistema di gestione dei metadati (di business, tecnici e operativi). L’azienda dovrà quindi dapprima provvedere a ripulire i dati presenti nel sistema informativo, controllando la regolarità dei propri processi per evitare che errori, anche in presenza di dati corretti, possano verificarsi o ripetersi in futuro.
