什么是数据质量?

数据质量表示给定数据集的可靠性。的数据的质量会影响用户就他们的研究主题做出准确决策的能力。例如,如果数据是在不同的时间从不一致的来源收集的,它实际上可能不能作为规划和决策的良好指标。

使用一套严格的指导方针收集和分析高质量的数据,以确保一致性和准确性。同时,低质量的数据往往不能跟踪所有的影响变量或有高度的误差。

营销人员不能忽视数据质量报告

“我花在广告上的钱有一半是浪费的;问题是我不知道是哪一半,”生活在1832年至1922年的美国商人约翰·沃纳梅克说。从那以后的几年里,洞察广告支出和活动效果的问题并没有消失。数据质量对于跟踪和度量非常重要,特别是在市场营销分析,因为它可以让组织快速就其活动和预算做出明智的决定。如果组织根据不准确、不完整或扭曲的数据做出决策,那么他们就会面临执行不反映消费者偏好的战略或政策的风险。在最好的情况下,他们浪费了广告支出,在最坏的情况下,他们可能破坏与客户的关系。

我的Twitter AG_2

数据质量标准和准则

为了确保收集到高质量的数据,参与者应该在开始一个项目之前就数据质量标准达成一致,这将在整个分析过程中形成一致性。

数据质量标准和准则

数据质量标准有六个常见维度。其他标准可能因项目而异,但通常由以下标准组成:

  • 完整性和全面性:询问一个数据集必须填写哪些基本字段才能被认为是完整的。例如,姓名和地址对于数据的完整性可能是至关重要的,而客户的性别则不那么重要。
  • 一致性:一段数据的所有迭代都应该是相同的。以一个月的网络流量为例——在每个报告、平台或电子表格中,当月的网站访问量是相同的吗?或者,这些数据之间是否存在不一致?在这些方面缺乏一致性可能会导致未来的混乱。
  • 精度一致性是指在所有渠道上有相同的值,准确性是指确保这些一致的值是正确的,并密切反映结果的现实。
  • 格式:为避免不准确或混淆,请确保数据输入格式一致。例如,您不希望在某些位置输入年份为“19”,而在其他位置输入年份为“2019”。
  • 时间表:数据的时效性是指决策营销人员在最佳时间是否有数据洞察,以及数据的时效性。您是否在需要时获得了数据?您是否引用了数据集的最新版本?
  • 有效性和完整性:该标准看一个数据集是否遵循规则和标准设置。是否有任何价值的缺失会损害数据的有效性,或使分析人员无法识别重要的关系或模式?

为什么数据质量很重要?

组织投资维护高质量数据集的主要原因是为了做出明智的决策业务回报.例如,如果数据显示你的客户周六晚出去购物比周二晚,你可以选择延长周六的营业时间,从而赢得更多的生意。

高质量的数据以以下方式促进强有力的决策:

  • 快速做出好的商业决策:在当今以消费者为中心的市场中,企业必须评估数据,以了解消费者的需求,并相应地调整战略。记住这一点,准确和最新的数据是必不可少的。当组织使用高质量的数据时,他们也可以更有信心在这个不断发展的市场中做出正确的决策。
  • 工作跨团队:当不同部门能够获得一致的数据时,公司就更容易在优先事项、信息传递和品牌塑造上保持一致,从而产生更具战略意义、更具凝聚力的结果。
  • 全面地了解客户:客户数据提供对客户兴趣和需求的洞察。这使得组织在根据特定的消费者需求和愿望创建产品和活动时,可以建立更好的关系。

错误数据的问题

对许多公司来说,数据质量是一个挑战,而且这个问题往往比企业意识到的更严重。想要快速收集数据并使用它近乎实时地优化程序,组织可能会跳过数据质量保证实践,例如建立标准和标准。这很容易导致对不准确、不完整或冗余数据的依赖,造成基于不准确数字和度量的决策的多米诺骨牌效应。

此外,由于组织现在要处理大量的大数据集,许多组织内部没有可用的数据科学资源来对这些信息进行排序和关联。雷竞技电子平台如果没有合适的工具和分析人员来对这些数据进行排序,组织将错过对时间敏感的优化。

根据一项研究,只有3%受访高管的数据记录都在可接受范围内。此外,65%的营销人员关心他们的数据质量,而满分10分,6分营销人员将提高数据质量列为首要任务。考虑以下不良数据的影响:

  • 高成本:根据IBM的说法,糟糕的数据质量使组织付出了代价3.1万亿美元在2016年。事实上,几乎50%大部分新获得的数据都有可能对组织产生负面影响的错误。此外,根据麻省理工学院的说法,错误的数据会让组织损失高达25%的总收入。
  • 错误的决定将业务决策建立在错误或不完整的数据上可能导致团队忽略关键信息。考虑到这一点:你的户外广告产生的品牌意识可能是大部分转换的原因。然而,如果你的公司使用不完全归因模型,你可能会把资金分配到错误的媒体工具,而不是推动最大结果的媒体。这将最终导致ROI的降低。
  • 紧张的客户关系:糟糕的数据不仅会影响你的广告预算,还会影响你的客户关系。如果错误的数据导致你的目标客户的产品和信息与他们的兴趣和偏好不一致,它会很快使他们对这个品牌失去兴趣。这可能会导致他们拒绝或忽略未来的信息。

如何评估数据质量?

评估数据质量

考虑到不良数据的后果,公司需要了解如何评估数据,使其最适合他们的需求。这包括建立评估数据质量的指标和流程。据一位关于数据评估的文章根据皮皮亚诺、李和王的研究,公司必须努力让自己的数据在客观评估和主观评估中都获得高分。

为了提高数据质量,组织必须完成以下工作:

  • 评估客观和主观数据质量指标
  • 分析结果并确定任何不一致背后的原因
  • 确定下一步的改进步骤

主观评估

主观评估衡量涉众、分析人员、收集人员等如何感知数据的质量。如果涉众的任务是根据他们认为可能不完整或不准确的数据集做出业务决策,这种感觉将最终影响他们所做的决策。

客观数据质量评估

客观数据质量着眼于数据集中记录的客观度量,可以在给定任务的上下文中进行评估,或者从纯粹基于度量的角度进行独立评估。为了建立用于评估客观数据的度量标准,组织可以使用原则来开发符合其需求的kpi,称为功能形式。在进行客观评估时,有三种方法来衡量不同功能形式的质量。这些包括:

简单的比

它衡量的是期望结果的总数与可能结果的总数之比。这个比率的范围通常在0到1之间,其中1是最理想的结果。

完整性和一致性可以通过这个比率来衡量。然而,这两个方面可以用不同的方式来衡量——因此组织需要确定标准来最好地衡量这一点。

最小和最大

此函数形式旨在处理多个数据质量变量。

最小值被设计成一个更保守的数字,而最大值则是一个更自由的数字。适当的数据级别等变量可以用min表示,及时性和可访问性可以用max表示。

加权平均

这是最小值的一种替代方法,可以在组织理解每个变量在等式中的价值时使用。

在评估了客观和主观的数据质量度量之后,组织必须采取下一步措施来改进他们的过程。公司可能会发现他们缺乏数据完整性或数据质量。下面我们将概述一些克服数据质量挑战的最佳实践。

克服数据质量和清洁数据的挑战

在消费者的决策过程中,提供准确的数据非常重要。没有准确的数据,很难做出明智的选择。这就是为什么数据清理对你的网站和业务是不可或缺的。

什么是数据清理?

使用错误数据会带来从额外成本到额外时间的后果。为了避免这些负面结果,许多组织将进行数据清理项目。数据清理是对记录或数据库的检查和更正,以去除冗余、不准确、不完整或其他可能影响结果、导致错误或不切实际决策的误导性信息。数据清理的最终目标是在做出业务决策之前提高整体数据质量。在一些小数据集的情况下,可以手动清理数据,而对于大型数据集,可能需要数据清理工具或平台。

克服数据质量的挑战

除了使用手动流程或数据清理工具清理数据之外,组织还可以通过在数据收集过程中建立已定义的策略和职责来克服与坏数据相关的挑战。通过这种方式,团队成员将清楚地了解对他们的期望是什么,以及他们的数据条目必须满足哪些标准。

为了访问干净的高质量数据,请确保实施以下最佳实践:

  • 制定明确的Responsibilities:创建数据管理员或数据治理管理员等职位。这些角色将负责创建数据收集和清理策略,以确保质量。他们还将传播数据收集,并在各个团队和部门之间使用最佳实践,以确保最佳结果。查看本页的数据治理部分,了解这些角色是什么样子的。
  • 建立一个清晰的过程-你的销售和市场团队对如何处理潜在客户有明确的流程吗?您的客户服务团队是否有明确的方法来标记用户对产品特性的疑问?良好的数据质量需要整个组织的努力。有了一个明确的流程,就收集什么数据以及如何格式化数据以方便访问信息而言,将更容易保持清晰的记录。
  • 通过技术和数据科学家组合不同的数据集企业面临的最大挑战之一是合并关联数据集格式不同或衡量不同kpi。这可以包括非结构化和结构化数据,或者如何最有效地衡量线上和线下活动。数据管理领导者可以与技术合作伙伴合作,以一种具有可比性的方式组合大型数据集。在快节奏的业务环境中,寻找具有处理能力的合作伙伴,以接近实时的方式交付这些数据集。从那时起,组织将需要雇佣数据科学家,或利用第三方服务,他们将在解释这些结果并将其转化为团队下一步可采取的行动中发挥作用。

什么是数据质量管理?

数据质量管理指的是执行执行数据质量标准的政策和技术。有效的数据质量管理允许组织快速做出明智的决策,降低成本,并保持与数据治理法规的遵从性。

数据质量管理和利益相关者

数据质量管理利益相关者

强有力的数据质量管理计划将需要以下角色的参与:

      • 数据所有者/治理团队:数据治理团队建立必须执行的流程和协议,以确保高质量的数据。必要时,这些团队成员还将负责选择数据管理和分析平台。
      • : IT购买和支持对于确保数据管理和分析工具和解决方案的正确配置和正常运行时间至关重要。雷竞技raybet
      • 数据管理:数据管理员是跨部门的员工,他们每天收集、分析数据,并根据数据做出决策。数据专员评估数据输入,以确保它们符合数据治理团队指定的质量标准和策略。

除了特定于数据管理的职位之外,有效的数据管理还需要业务主管、各个部门和这些部门的数据收集人员、分析团队以及与数据法规相关的法律和安全团队的支持。

数据质量管理流程

数据质量管理一般由以下几个阶段组成:

    • 数据概要分析:在数据管理过程的这个阶段,数据治理团队成员评估项目将涉及哪些数据资产,以及他们当前计划的成熟度。从那里,团队成员可以确定必须采取什么步骤来达到他们的数据质量目标。
    • 数据报告:数据报告是消除或报告所有不一致数据的过程。一旦定义了数据资产和规划目标,数据管理团队就可以开始用数据报告增强数据集。
    • 数据修复/充实:数据修复和丰富是通过确保遵守质量标准,并在必要时添加额外的上下文来改进数据集的过程。

我的组织需要哪些数据治理角色?

数据管理是流程、工具和策略的实现,而数据治理是指创建和执行这些过程、工具和策略的总体团队。这些团队通常会被划分到不同的业务级别,包括:战略、战术和运营。

  • 数据管理器
    • 这通常是公司中的一个高级角色,在治理的战略级别上工作。数据管理器负责一组数据并维护其完整性。他们通常由数据管理员协助完成这项任务。
  • 数据管理:
    • 数据管理员在治理的战术和操作级别上操作,并负责数据完整性的日常维护。他们可以构建维护数据质量的计划,该计划由数据管理员批准。
  • 数据生产者
    • 数据生产者在数据治理的操作层中工作。这些团队成员创建、更新、删除数据条目等。大多数员工创建或负责某种形式的数据。了解如何处理数据对他们来说很重要。例如:如果你的销售团队正在使用CRM系统,那么对他们来说,保持他们的账户是最新的是很重要的。治理团队的领导必须就数据收集和使用标准教育这些员工。
  • 数据用户
    • 数据用户是那些利用数据进行决策的人。如果他们发现错误或需要额外的数据,他们的工作就是提醒那些负责数据集的人。

通过跨这些角色坚持和执行数据质量标准,组织可以维护将产生最佳结果的高质量数据存储库。

其他提示和资源雷竞技电子平台

广告中的浪费——错误归因的统计和解决方法雷竞技raybet