کیفیت داده اصلاً وجود نداره؛ یه نردبونه
خلاصهٔ کاملتر
نویسنده با یه شکایت آشنا شروع میکنه: همه کیفیت داده رو میخوان و میستایَن، ولی هیچکس دقیقاً نمیدونه چیه. از شش متخصص بپرسی شش تعریف میگیری، و بدتر: یه دادهٔ واحد رو بدی دست شیش نفر، شیش ارزیابی متفاوت از کیفیتش تحویل میگیری.
به گفتهٔ نویسنده، تعریفهای استاندارد هم کمکی نمیکنن. ISO 8000 میگه دادهٔ باکیفیت دادهٔایه که الزامات اعلامشدهاش رو برآورده کنه — گزارهای کاملاً درست و کاملاً بیفایده. ISO 25012 هم کیفیت رو با ۱۵ ویژگی مثل دقت و کامل بودن و سازگاری تعریف میکنه که درسته ولی ناقصه.
ادعای اصلی مقاله اینه: داده هیچ کیفیت ذاتیای نداره. کیفیت پدیدهای برآمده و کاملاً مشروط به کاربرده. نویسنده که قبلاً هم استدلال کرده بود داده ارزش ذاتی نداره و ارزشش همون ارزش کاریه که باهاش میشه کرد، حالا نتیجه میگیره: کیفیت داده یعنی هرچیزی که ارزش داده رو زیاد کنه.
بعد کیفیت رو تو چهار سطحِ مرتب و وابسته میچینه. سطح اول کیفیت واحد یا granular ـه: یه رکورد، یه جمله، یه جفت پرسشوپاسخ رو میشه جدا جدا از نظر دقت، تازگی، خوشساختی و منشأ سنجید. این همون قلمرو ISO 25012 و مانیتورینگه و جاییه که خیلیها کارشون رو همونجا تموم میکنن.
سطح دوم کیفیت انبوه یا corpus ـه. ممکنه تکتک رکوردهات عالی باشن ولی کل مجموعه بیکیفیت باشه: پوشش، حذف تکراریها، نمایندگی و توازن، سازگاری بین رکوردها، توزیعها، پیوستگی و دریفت. اینها ویژگیهاییان که فقط از کل داده بیرون میان و با یه رکورد قابل جواب دادن نیستن.
سطح سوم تناسب با هدفه؛ جاییه که سؤال از خود داده به برهمکنش داده و کاربرد منتقل میشه. نویسنده اینو به دو تکه میشکنه: تناسب اطلاعاتی (آیا داده به سؤالی که داری جواب میده؟) و تناسب عملیاتی (آیا اصلاً میتونی استفادهاش کنی؟ لایسنس، دسترسپذیری، سازگاری). مثال درآمدش گویاست: بستن دقیق دفترها چند روز بعد از پایان ماه طول میکشه، ولی مدیرعامل باید همون وسط ماه تصمیم بگیره — چیزی که برای حسابرس باکیفیته، برای اجرای لحظهای بیکیفیته.
سطح چهارم نتیجهٔ کسبوکاره. ممکنه هر سه سطح قبلی بینقص باشن و باز هم داده ارزشی نسازه. نویسنده مثال میزنه: بالاخره دادهٔ درآمد تمیز و بیسوگیری داری، باهاش ساختار پاداش تیم فروش رو عوض میکنی، و تیم فروش هم فرمول جدید رو دور میزنه — درآمد رو جلو میکشه، تخفیف حاشیهسوز میده و سراغ معاملههای آسون میره. داده عالی بود؛ فقط نتیجهای که میخواستی رو نداد.
جمعبندی نویسنده اینه که کیفیت یه نردبونه: پلههای پایین پلههای بالا رو ممکن میکنن و پلههای بالا پلههای پایین رو توجیه. حالت شکست ISO 25012 چکلیست بیپایانه («داده رو با ۱۲۷ بُعد کیفی سنجیدیم و کسبوکار هنوز بهتر نشده») و حالت شکست ISO 8000 هم توتولوژی بیعمل («این داده خوبه چون کارهای خوب میکنه»). خیلی از دعواهای کیفیت داده هم دقیقاً از اینجا میان که آدمها روی پلههای مختلف نردبون ایستادن و حرف هم رو نمیفهمن.
در آخر دو راه بدِ پلهپریدن رو نام میبره: «شکست در پرتاب» (وسواس روی پلههای پایین و صفر ارزش کسبوکاری — که چون پلههای پایین ملموس و قابلاندازهگیریان، خیلی رایجه) و «شکست در زمینگیری» (پریدن مستقیم به ارزش کسبوکار و بیخیالی نسبت به شالوده). یه راه نصفهنیمهقابلقبول هم هست: قرض گرفتن کیفیت از منبعی که بهش اعتماد داری — البته اعتماد به منبع خودش با زمان و نتیجه ساخته میشه، نه اتفاقی. نویسنده میگه بخش دوم این مقاله دربارهٔ کیفیت داده تو دنیای هوش مصنوعیه.
نکات کلیدی:
- داده کیفیت ذاتی نداره؛ کیفیت فقط نسبت به کاربرد معنا پیدا میکنه
- چهار سطح: واحد، مجموعه، تناسب با هدف، و نتیجهٔ کسبوکار
- پلههای پایین ارزش نمیسازن، پلههای بالا بدون اونها نمیایستن
- «شکست در پرتاب» یعنی دادهی بینقص و صفر خروجی کسبوکاری
- خیلی از اختلافنظرها فقط بهخاطر ایستادن روی پلههای مختلف نردبونه
