Hoofdstuk 1 introduceert basisbegrippen rond datakwaliteit, waaronder datakwaliteitsdimensies en rollen en verantwoordelijkheden voor datakwaliteit. Je leert ook over het belang en de waarde van datakwaliteit in een zakelijke context.

Belang van datakwaliteit

Waarde van datakwaliteit

Vragen over datakwaliteit

Begrippen en concepten rond datakwaliteit

Definitie van datakwaliteit in context

Extra dimensies van gegevenskwaliteit

Oefenen met data-kwaliteitsdimensies

Belang van consistentie

Rollen en verantwoordelijkheden rond datakwaliteit

Het data governance-team

Welke gegevenskwaliteitsrol past

Welke rol is verantwoordelijk

Datakwaliteitstermen definiëren

Je begint hoofdstuk 2 met het identificeren van datakwaliteitsregels voor elke datakwaliteitsdimensie aan de hand van dataprofielen. Je leert ook over metadata en data lineage, voordat je het algehele datakwaliteitsproces verkent voor het triëren en oplossen van issues.

Datalkwaliteitsregels met behulp van dimensies

Datakwaliteitsregels

Scenario’s rond gegevenskwaliteit

Dataprofielen

Datakwaliteitsregels op basis van een gegevensprofiel

Conclusies uit een dataprofiel

Metadata en datakwaliteit

Metadata identificeren

Volgorde van data lineage

Data quality-issues prioriteren

Data lineage en metadata gebruiken

Datakwaliteitsprocessen uitvoeren

Datakwaliteitsprocessen en -componenten

In hoofdstuk 3 leer je over de verschillende soorten datakwaliteitsregels en het concept van drempelwaarden voor datakwaliteitsalerts. Je rondt het hoofdstuk af met een oefening waarin je dimensies, datakwaliteitsregels, datakwaliteitsprocessen en datakwaliteitsalerts samenbrengt.

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

Datakwaliteitsregels in de praktijk

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 rekeningnummers moeten uit 10 cijfers bestaan. Ga door met het downstream laden van data als er een fout is gevonden.

Alle openingsdatums van rekeningen moeten in het verleden liggen. Ga door met het downstream laden van data als er een fout is gevonden.

Alle rekeningen met de status Open moeten een saldobedrag groter dan 0,00 hebben. Ga door met het downstream laden van data als er een fout is gevonden.

Alle records moeten een ingevuld rekeningnummer hebben. Laad geen data downstream als er een fout is gevonden.

Alle records moeten een ingevulde naam van de kredietnemer hebben. Laad geen data downstream als er een fout is gevonden.

Alle records moeten een burgerservicenummer van de kredietnemer hebben. Laad geen data downstream als er een fout is gevonden.

Detectieve versus preventieve regels voor datakwaliteit

Inleiding tot datakwaliteit

Interactieve oefening met praktijkervaring