Chapter 1 introduces basic data quality terms, including data quality dimensions and data quality roles and responsibilities. You will also learn the importance and value of data quality in a business context.

Importance of data quality

Value of data quality

Data quality questions

Data quality terms and concepts

Data quality definition in context

Bonus data quality dimensions

Data quality dimension practice

Importance of consistency

Data quality roles and responsibilities

The Data Governance Team

Which data quality role fits

Which role is responsible

Defining Data Quality Terms

You’ll start chapter 2 by identifying data quality rules for each data quality dimension using data profiles. You’ll also learn about metadata and data lineage before exploring the overall data quality process for triaging and remediating issues.

Data quality rules using dimensions

Data quality rules

Data quality scenarios

Data profiles

Data quality rules based on a data profile

Data profile conclusions

Metadata and data quality

Identifying metadata

Order of data lineage

Data quality issues triage

Using data lineage and metadata

Executing data quality processes

Data Quality Processes and Components

In chapter 3, you’ll learn about the different types of data quality rules and the concept of data quality alert thresholds. You’ll finish the chapter with an exercise that puts dimensions, data quality rules, data quality processes, and data quality alerts together.

Detectieve regels voor datakwaliteit

Detective regels herkennen

Remediatieproces voor gedetecteerde issues

Gedetecteerde issues oplossen

Preventieve regels voor datakwaliteit

Wanneer gebruik je een preventieve regel

Opties

Detectieve regel voor datakwaliteit

Preventieve regel voor datakwaliteit

Detectieve versus preventieve regels voor datakwaliteit

Anomaliedetectie

Wanneer gebruik je anomaliedetectie

Anomalieën triageren

Drempelwaarden voor datakwaliteit

Drempelselectie

Niveau 1 - Waarschuwing

Niveau 2 - Alert voor kritisch probleem

Niveau 3 - Kritisch probleem voorkomen

Drempel koppelen aan criticaliteit

Afronding

Data Quality Rules In Action

Cheat Sheet - Data Quality Dimensions

Datakwaliteit is een fundamenteel concept dat je moet begrijpen als je met data werkt. Concepten en processen rond datakwaliteit gelden in alle sectoren en kunnen worden toegepast door iedereen die data produceert of gebruikt. Deze cursus behandelt de basis, waaronder datakwaliteitsdimensies, rollen en verantwoordelijkheden, en typen datakwaliteitsregels. Je krijgt inzicht in het datakwaliteitsproces en bent klaar om de kwaliteit van je eigen data te gaan monitoren. <br><br>
Je begint met de definitie van datakwaliteit en waarom het zo belangrijk is om dit mee te nemen in zakelijke besluitvorming. Zodra je het belang begrijpt, leer je over zes fundamentele datakwaliteitsdimensies. Je gebruikt deze dimensies om detectieve en preventieve datakwaliteitsregels te definiëren. <br><br>
Aan het einde van deze cursus weet je hoe je datakwaliteitsproblemen kunt monitoren, identificeren en oplossen. Je bekijkt je data kritischer en denkt vooraf na over mogelijke datakwaliteitsproblemen voordat je ermee aan de slag gaat. Uiteindelijk kun je betere beslissingen nemen en meer vertrouwen hebben in je data door de basistechnieken voor datakwaliteit uit deze cursus toe te passen.

<h2>Ontdek de basis van datakwaliteit</h2>
Datakwaliteit is een belangrijk concept dat je echt moet snappen als je met data werkt. Concepten en processen voor datakwaliteit zijn er in alle sectoren en kunnen worden gebruikt door iedereen die data maakt of gebruikt. Deze cursus behandelt de basisprincipes, zoals dimensies van datakwaliteit, rollen en verantwoordelijkheden, en soorten regels voor datakwaliteit. Je leert hoe het proces van datakwaliteit werkt en bent klaar om zelf de kwaliteit van je data in de gaten te houden. 
<h2>Meer info over datakwaliteitsdimensies</h2>
Je begint met te leren wat datakwaliteit precies is en waarom het zo belangrijk is om hiermee rekening te houden bij zakelijke beslissingen. Als je eenmaal begrijpt hoe belangrijk het is, leer je over zes basisdimensies van datakwaliteit. Je gebruikt deze dimensies om regels voor het opsporen en voorkomen van datakwaliteit te maken. <br><br> Je leert ook de basis van anomaliedetectie, een geavanceerdere manier om de kwaliteit van gegevens te checken. Je gaat deze dingen samenvoegen door het datakwaliteitsproces toe te passen. Je leert welke rol verantwoordelijk is voor bepaalde taken op het gebied van datakwaliteit en in welke volgorde deze taken moeten worden gedaan. 
<h2>Leer de basis van datakwaliteitsbeheer</h2>
Aan het einde van deze cursus weet je hoe je datakwaliteitsproblemen kunt monitoren, identificeren en oplossen. Je gaat je gegevens met een kritischer blik bekijken en nadenken over mogelijke problemen met de kwaliteit van de gegevens voordat je ze gebruikt. Door de basistechnieken voor datakwaliteit uit deze cursus te gebruiken, kun je uiteindelijk betere beslissingen nemen en meer vertrouwen hebben in je data.

Ontdek de basis van datakwaliteitsbeheer. Leer kernconcepten, dimensies en technieken voor verbetering.

Inleiding tot datakwaliteit

Basisprincipes van databeheer

Alle records moeten een klantaccounttype gevuld hebben. Als 10% of meer van de records niet is gevuld, laat dit aan de dataproducent weten.

Alle klanttypes in dataset1 moeten overeenkomen met de klanttypes in dataset2. Als 10% of meer van de records inconsistent is, laat dit aan de dataproducent weten.

Alle records moeten een openingsdatum van het klantaccount hebben die in het verleden ligt. Als er fouten worden gevonden, alarmeer de dataproducent en rapporteer over de afgesproken herstel-SLA.

Alle records met een open status moeten een openingsdatum binnen 3 dagen hebben. Als er een fout wordt gevonden, alarmeer de dataproducent en rapporteer over de afgesproken herstel-SLA.

Alle klantrecords moeten een huidige balans gevuld hebben. Als 10% of meer van de records faalt, laad de data niet en alarmeer de dataproducent.

Drempel koppelen aan criticaliteit

Inleiding tot datakwaliteit

Interactieve oefening met praktijkervaring