Kapitel 1 introducerar grundläggande begrepp inom datakvalitet, inklusive datakvalitetsdimensioner samt roller och ansvarsområden inom datakvalitet. Du lär dig också om vikten och värdet av datakvalitet i ett affärsmässigt sammanhang.

Vikten av datakvalitet

Datakvalitetens affärsvärde

Datakvalitetsfrågor

Termer och begrepp inom datakvalitet

Datakvalitetsdefinition i praktiken

Ytterligare datakvalitetsdimensioner

Öva på datakvalitetsdimensioner

Konsistensens betydelse

Roller och ansvar inom datakvalitet

Datastyrningsteamet

Vilken datakvalitetsroll passar in

Vem ansvarar för vad

Grundläggande begrepp inom datakvalitet

Du inleder kapitel 2 med att identifiera datakvalitetsregler för varje datakvalitetsdimension med hjälp av dataprofiler. Du lär dig också om metadata och datalinjering innan du utforskar den övergripande datakvalitetsprocessen för att prioritera och åtgärda problem.

Datakvalitetsregler med hjälp av dimensioner

Datakvalitetsregler

Scenarier för datakvalitet

Dataprofiler

Datakvalitetsregler baserade på en dataprofil

Slutsatser från dataprofiler

Metadata och datakvalitet

Identifiera metadata

Ordning i datahärledningen

Triagering av datakvalitetsproblem

Använda dataursprung och metadata

Att genomföra datakvalitetsprocesser

Datakvalitetsprocesser och komponenter

I kapitel 3 lär du dig om olika typer av datakvalitetsregler och konceptet med tröskelvärden för datakvalitetsvarningar. Kapitlet avslutas med en övning där dimensioner, datakvalitetsregler, datakvalitetsprocesser och datakvalitetsvarningar sätts samman.

Detektiva datakvalitetsregler

Identifiera detektiva regler

Åtgärdsprocess för identifierade problem

Åtgärda identifierade problem

Förebyggande datakvalitetsregler

När ska en preventiv regel användas

Alternativ

Detektiv datakvalitetsregel

Preventiv datakvalitetsregel

Detektiva kontra preventiva datakvalitetsregler

Avvikelsedetektering

När ska avvikelsedetektering användas?

Triagering av avvikelser

Tröskelvärden för datakvalitet

Val av tröskelvärde

Nivå 1 – Varning

Nivå 2 – Avisering om kritiskt problem

Nivå 3 – Förebyggande av kritiskt problem

Matcha tröskelvärden med kritikalitet

Avslutning

Datakvalitetsregler i praktiken

Cheat Sheet - Data Quality Dimensions

Datakvalitet är ett grundläggande begrepp som är viktigt att förstå för alla som arbetar med data. Datakvalitetskoncept och processer spänner över branscher och kan tillämpas av alla som producerar eller konsumerar data. Den här kursen täcker grunderna, inklusive datakvalitetsdimensioner, roller och ansvarsområden samt typer av datakvalitetsregler. Du får en förståelse för datakvalitetsprocessen och är redo att börja övervaka kvaliteten i dina egna data. <br><br>
Du börjar med att lära dig definitionen av datakvalitet och varför det är så viktigt att beakta vid affärsbeslut. När du förstår vikten av det lär du dig sex grundläggande datakvalitetsdimensioner. Du använder dessa dimensioner för att definiera detektiva och förebyggande datakvalitetsregler. <br><br>
När kursen är slut förstår du hur du övervakar, identifierar och löser datakvalitetsproblem. Du kommer att granska dina data med ett mer kritiskt öga och tänka på potentiella datakvalitetsproblem innan du använder dem. Genom att tillämpa de grundläggande datakvalitetstekniker som kursen tar upp kan du i slutändan fatta bättre beslut och lita mer på dina data.

<h2>Utforska grunderna i datakvalitet</h2>
Datakvalitet är ett grundläggande begrepp som är avgörande att förstå om du arbetar med data. Begrepp och processer för datakvalitet spänner över branscher och kan tillämpas av alla som producerar eller konsumerar data. Den här kursen går igenom grunderna, inklusive dimensioner för datakvalitet, roller och ansvar samt typer av regler för datakvalitet. Du får en förståelse för datakvalitetsprocessen och blir redo att börja övervaka kvaliteten på dina egna data. 
<h2>Lär dig om datakvalitetsdimensioner</h2>
Du börjar med att lära dig definitionen av datakvalitet och varför det är så viktigt att ta hänsyn till den i affärsbeslut. När du förstår betydelsen kommer du att lära dig om sex grundläggande dimensioner av datakvalitet. Du kommer att använda dessa dimensioner för att definiera detektiva och förebyggande regler för datakvalitet. <br><br> Du kommer också att lära dig grunderna i avvikelsedetektering, ett mer avancerat sätt att övervaka datakvalitet. Du kommer att sätta ihop dessa koncept genom att tillämpa datakvalitetsprocessen. Du kommer att lära dig vilken roll som ansvarar för specifika uppgifter inom datakvalitet och i vilken ordning dessa uppgifter bör slutföras. 
<h2>Bemästra grunderna i datakvalitetsstyrning</h2>
I slutet av den här kursen kommer du att förstå hur du övervakar, identifierar och åtgärdar problem med datakvalitet. Du kommer att granska dina data med ett mer kritiskt öga och tänka på potentiella problem med datakvaliteten innan du använder dem. I slutändan kommer du att kunna fatta bättre beslut och ha större förtroende för dina data genom att tillämpa de grundläggande tekniker för datakvalitet som behandlas i den här kursen.

Utforska grunderna i datakvalitetshantering. Lär dig nyckelkoncept och tekniker för att förbättra kvaliteten.

Introduktion till datakvalitet

Utforska grunderna i datakvalitetsstyrning. Lär dig de viktigaste begreppen, dimensionerna och teknikerna för att övervaka och förbättra datakvalitet.

Grunderna i datastyrning

Alla poster måste ha en kundkontotyp ifylld. Om 10 % eller fler poster saknar denna uppgift, informera dataproducenten.

Alla kundtyper i dataset1 måste matcha kundtyperna i dataset2. Om 10 % eller fler poster är inkonsistenta, informera dataproducenten.

Alla poster måste ha ett öppningsdatum för kundkontot som ligger i det förflutna. Om fel hittas, avisera dataproducenten och rapportera mot åtgärds-SLA:n.

Alla poster med öppen status måste ha ett öppningsdatum inom 3 dagar. Om fel hittas, avisera dataproducenten och rapportera mot åtgärds-SLA:n.

Alla kundposter måste ha ett aktuellt saldo ifyllt. Om 10 % eller fler poster misslyckas, ladda inte in data och avisera dataproducenten.

Matcha tröskelvärden med kritikalitet

Introduktion till datakvalitet

Interaktiv övning med praktiskt arbete