Des données propres : le fondement de la réussite du Big Data

Le Big Data est le Saint Graal de l'analytique aujourd'hui. Avec lui, les organisations peuvent obtenir des analyses prédictives et comportementales, et découvrir des modèles, tendances et associations qui étaient autrefois impossibles à réunir. Le Big Data conduit à une meilleure prise de décision, ce qui mène à une efficacité opérationnelle améliorée, une réduction des risques et des économies substantielles. Mais le Big Data peut être difficile à atteindre. Beaucoup de travail doit être accompli avant que les organisations puissent réaliser les bénéfices du Big Data. Avant d'obtenir du Big Data, vous avez besoin de données propres.

Des problèmes tels que les données en double, les numéros incorrects, les caractères manquants, les champs de données manquants, les données associées à des actifs plus en service, et de multiples numéros associés à un seul actif peuvent corrompre les données, les rendant incohérentes et inexactes. Le nettoyage, la réconciliation des données et la gestion des données de référence (MDM) sont essentiels pour obtenir des données propres, mais peuvent être perçus comme des entreprises chronophages et coûteuses avec peu de résultats à court terme.

Examinez vos données

Alors, comment les organisations commencent-elles à collecter et nettoyer les données sur la voie du Big Data ? Dans un article sur les données propres, Patrick Gray, expert technologique et consultant de premier plan, suggère de : « Commencer par les problèmes que vous attendez du Big Data qu'il résolve, les bénéfices d'obtenir les réponses rapides et les raffinements caractéristiques du Big Data, puis comparer les coûts d'un nettoyage répété versus celui de le faire correctement du premier coup. »

Comme le suggère Gray, la première étape consiste à identifier quelles données vous avez et ce dont vous avez besoin pour atteindre vos objectifs Big Data. Cela inclut des activités MDM telles que la réconciliation des données ou un audit complet de l'inventaire. Cela implique généralement d'examiner les enregistrements actuels dans une base de données et de confirmer que les informations détenues dans la base de données héritée sont correctes.

Cela peut être un processus long, mais qui portera ses fruits à la fin. Mais n'en faites pas plus que vous ne pouvez en avaler. Gray affirme que « quelques premiers petits succès sont bien meilleurs que de s'embourber en essayant de résoudre tous vos problèmes de données à la fois et de ne jamais réellement livrer de valeur. »

Maintenir les données propres

Une fois vos données héritées propres, comment garantir qu'elles le restent et que les nouvelles données le soient également ? Encore une fois, cela revient à comprendre vos objectifs globaux pour l'analytique Big Data.

Simplifiez les données

Assurez-vous que les données que vous collectez sont celles dont vous avez besoin pour l'analyse et que vous ne capturez pas de données non pertinentes basées sur d'anciennes pratiques. Cela pourrait signifier simplifier les données que vous rassemblez, comme supprimer les champs inutiles. Plus n'est pas toujours mieux. L'ajout de champs et de fonctions dans les logiciels peut réduire l'analyse rapide que vous cherchez à atteindre.

Développez des politiques de collecte de données

De quelles données collecter à la méthode appropriée de collecte, la cohérence est la clé de la qualité des données. Convenez des champs de données MDM les plus importants pour votre analyse de données. Cela inclut les numéros de pièce, numéros de modèle, numéros de série, etc. Utilisez ensuite des outils ou méthodes cohérents pour collecter ces données. Les systèmes de capture automatique de données, tels que les étiquettes à code-barres et les scanners, sont les méthodes les plus fiables pour capturer les données. Ces méthodes laissent peu de place à l'erreur comme la collecte manuelle où il est facile de manquer des champs ou de transposer des chiffres.

Identifiez les erreurs

L'examen des données vous permet d'identifier les erreurs courantes ou de cibler les zones où les erreurs se produisent généralement. Enquêtez et corrigez toutes les erreurs de données avant qu'elles ne soient entrées dans le système et développez vos propres politiques et meilleures pratiques pour garantir que les erreurs ne se reproduisent pas.

Bien que de nombreuses organisations aient pu s'en sortir avec des données désordonnées, incomplètes ou incorrectes par le passé, la poussée vers le Big Data met en évidence le prérequis de données propres d'abord. Si votre organisation évolue vers le besoin d'analyse de données instantanée, des données propres sont la première étape fondamentale. Pour obtenir de l'aide pour obtenir ou maintenir des données propres, contactez Camcode.