Con il termine Data quality si fa riferimento a una parola contenitore che, come tale, ha una definizione generica che rimanda alla gestione della qualità dei dati al fine di adattarli allo scopo di chi li usa. In realtà si tratta di un processo definito, suddiviso in diverse fasi e dotato di varie funzionalità le quali, opportunamente miscelate a seconda del bisogno, restituisce un catalogo di dati realmente in grado di creare valore. Per creare un paragone, la definizione generica richiama in qualche modo quella della qualità dei dati nel ramo della statistica, laddove è espressa con la ratio tra l’aderenza dei dati e la realtà che questi devono rappresentare.
Ritornando alla cultura Data-driven, la Data quality fa riferimento tanto alla quantità quanto alla qualità dei dati ed è anche per questo che nessuna definizione di massima rende giustizia alla profondità dell’argomento. Ciò che dovrebbe essere chiaro fin da subito è che la Data quality è un processo e, come tale, è formato dall’intersezione di più fasi, funzioni e funzionalità.
Cos’è la Data quality e perché è importante per le aziende
Riuscire a estrarre valore dalle informazioni in possesso di un’impresa è lo scopo primo dell’elaborazione dei dati, necessari alla piena propagazione della digitalizzazione. Senza dati non c’è digitale e senza dati qualitativamente e quantitativamente validi la digitalizzazione ne risente.
La Data quality è da intendere come quel processo che permette ai dati di risultare utili agli scopi che l’impresa vuole raggiungere. Dati confacenti agli obiettivi coadiuvano le analisi permettendo così di migliorare prodotti, servizi e percezione dei mercati di riferimento. Parallelamente consentono la riduzione dei costi e facilitano l’assunzione di decisioni strategiche.
Come migliorare la Data quality
Poiché la Data quality è un processo, è frutto di diverse fasi congiunte. Per raggiungere una opportuna maturità dei dati, che è da intendere sia dal profilo della qualità sia da quello della quantità, si contano cinque fasi principali:
- accuratezza (accuracy), stabilisce se le informazioni sono corrette
- completezza (completeness), stabilisce se i dati sono esaustivi
- affidabilità (reliability), verifica se le informazioni sono in linea con altre fonti e risorse
- rilevanza (relevance), statuisce l’effettiva utilità di tutti i dati di cui l’azienda dispone
- attualità (timeliness), utile a comprendere se i dati sono aggiornati.
Avere dati non è sufficiente, occorre che siano utilizzabili per estrarne valore. La Data quality non soltanto permette alle imprese di sfruttare al meglio i dati di cui dispongono, consente anche di individuare quali punti deboli attanagliano i dati.
Vantaggi dell’utilizzo di dati di qualità per l’analisi aziendale
Si immagini un caso molto semplice, quello di un’impresa che vuole inviare email commerciali ai propri clienti proponendo loro delle offerte relative ai prodotti che sono soliti acquistare.
È evidente che servono dati prettamente anagrafici (nomi, cognomi e indirizzi email) e che questi debbano essere accostati allo storico degli acquisti. Può diventare essenziale formulare proposte commerciali relative agli acquisti svolti dai clienti solo in un lasso di tempo, per esempio durante i 18 mesi precedenti o, ancora, soltanto relativi ad articoli specifici che in precedenza hanno già comprato. Diventa essenziale che i dati siano completi e sufficienti dal punto di vista quantitativo.
Ora, sempre procedendo con un esempio, si immagini di dovere pianificare la produzione di materiali semilavorati partendo dalle scorte a disposizione, gli ordini di materie prime già in essere e la loro fornitura. Il quadro si fa un po’ più complesso e, in assenza di tutte le informazioni necessarie, la pianificazione può essere soltanto abbozzata.
Tool per la misurazione della Data quality: quali sono
Gli strumenti per la Data quality interagiscono con le basi dati dell’azienda e compiono, automatizzandoli, diversi compiti. I principali sono:
- la profilazione e l’integrazione dei diversi formati di dati
- la validazione e la correzione dei dati
- il monitoraggio delle regole associate ai dati
- il monitoraggio dei dati sensibili sotto l’egida delle norme sulla compliance
- accesso personalizzabile (policy utente) ai data set
- visualizzazioni a seconda delle richieste dell’utente
- reportistica
Tutti elementi utili alla trasformazione dei dati, pur nel rispetto delle norme nazionali e sovranazionali in materia di conformità e privacy.
Data quality e customer experience
Conoscere le necessità e le abitudini dei clienti consente di cucire un’esperienza attorno alle loro peculiarità ed esigenze. Riconoscere le preferenze dei clienti è un atout che spinge il business e li fidelizza, ed è per questo che occorre fare loro delle domande per comprendere a quali e in che modo rispondono.
Per creare un’esperienza di alto livello è necessario avere informazioni utili quali, per esempio, i luoghi nei quali vivono, i canali che usano, quale professione svolgono e quali sono i loro interessi. Ogni area dell’azienda risente dei dati errati o di scarsa qualità e, anche per quanto riguarda l’esperienza dei clienti, i dati errati o duplicati non rendono lineare il dialogo tra azienda e utenze.
Data quality nella pianificazione del marketing
I benefici per il marketing sono anch’essi molteplici. Il targeting dipende soprattutto dalla qualità dei dati che rende più efficace e puntuale ogni classificazione dei clienti, al fine di comprenderne meglio le necessità e gli interessi e indirizzare loro il messaggio più pertinente. Tutto ciò si traduce in una maggiore flessibilità nell’adeguarsi alle variazioni del mercato, riducendo le risorse impiegate in attività – anche pubblicitarie – solo parzialmente efficienti nel convertire i lead in clienti.
I marketer che dispongono di dati appropriati possono esaminare i comportamenti passati dei clienti, aumentando la precisione con la quale possono prevedere i loro interessi futuri. Gli esperti di marketing possono monitorare e misurare in tempo reale l’impatto di modifiche o decisioni specifiche sulle loro campagne raccogliendo dati di alta qualità sui clienti.
Data quality e compliance, le normative sulla privacy e sulla sicurezza
Imprese e organizzazioni usano ed elaborano informazioni personali, anche quelle sensibili. Identificarle, classificarle e documentarle è vitale anche per la loro convalida, peraltro imposta dal GDPR. Senza controlli esaustivi della qualità dei dati le imprese non possono individuarne le imprecisioni e quindi non possono applicare le correzioni d’obbligo ma ciò, per quanto basilare, non garantisce appieno la conformità ed è per questo che ci vuole una governance dei dati interna che sappia coniugare le aree business, le strategie, i sistemi IT e quindi le diverse tecnologie.
Un framework centralizzato facilita il lavoro di squadra e promuove l’assunzione di responsabilità condivisa riguardante l’intero catalogo dei dati. Più questo è ampio e complesso, e più è necessario introdurre tecniche di Machine learning per la loro elaborazione.
Allo stesso modo è necessario definire regole di classificazione e archiviazione dei dati utilizzando le opportune tecniche di autenticazione e crittografia, tema questo su cui anche l’Europa si è spesa con convinzione. La sicurezza dei dati non è solo materia tecnica ma, oltre a essere prima di tutto etica, è anche di natura legale.
