Kesalahan apa saja yang biasa terjadi ketika menerapkan metode Risk Data Quality Assessment?

Risk Data Quality Assessment merupakan salah satu metode atau alat dalam Qualitative Risk Analysis. Dalam implementasinya, bisa jadi ada kesalahan. Lalu apa kesalahan yang biasa terjadi dan apa harus diperhatikan dalam implementasi Risk Data Quality Assessment ?

Kesalahan yang sering terjadi ketika mengimplementasikan metode Data Quality Assesment adalah karena kebanyakan penilaian terlalu berorientasi secara teknik, sehingga ketika mencoba untuk diaplikasikan ke pendekatan teknologi hanya memeriksa data kemudian menyimpulkannya dengan relevansi bisnis. Seharusnya ada orang yang mengerti bisnis yang terkait dengan penilaian dan kerangka kerja dampak bisnis yang jelas di dalam proses penilaiannya. Misal, banyak orang berasumsi bahwa data hasil profiling mereka adalah titik akhir di dalam proses Data Quality Assessment, padahal kenyataannya, data itu hanyalah titik awal.

Data Quality Assessment dalam source system harus mengidentifikasi area risiko dan potensial isu dengan migrasi, termasuk area yang tidak mempengaruhi kemampuan untuk migrasi tapi dapat mempengaruhi penggunaan dari sistem, dan isu yang langsung berdampak pada kemampuan untuk migrasi dan nilai dari data. Untuk tiap area, penilaian harus melaporkan beberapa kunci infomasi. Hal ini termasuk kesimpulan dari penemuan utama, kesempatan untuk memperbanyak data dan penilaian secara keseluruhan. Penilaian juga harus mencakup berbagai spesifik isu yang telah diidentifikasi dan merekomendasikan pendekatan yang tepat untuk isu tersebut.

Langkah-langkah Mengadopsi Business Focused Data Quality Assesment

  1. Understand Your Profitability Drivers
    Kebanyakan bisnis menjadikan profitabilitas sebagai pendorong utama untuk Data Quality Assessment yang mana mengapa difokuskan di awal penilaian. Hal terpenting adalah jangan terlalu fokus terhadap data yang tidak ada hubungannya dengan pendorong dalam kinerja finansial organisasi Anda.

  2. Build a Financial Performance Model
    Kebanyakan Data Quality Assessment dimulai dengan data. Di awali dengan memeriksa atribut, tabel dan hubungannya untuk membangun aturan untuk penilaian. Kegiatan tersebut perlu namun yang terpenting adalah memahami bagaimana fungsi bisnis bekerja terlebih dahulu. Kegiatan ini dilakukan sebagai langkah awal, memahami dimana keuntungan didapatkan. Pada tahap ini, kita perlu menemukan data yang memberi tahu bagaimana kita harus bekerja baik secara perspektif finansial dan perspektif kinerja.

  3. Build a Holistic Data Quality System
    Langkah ini merupakan crux dari seluruh proses. Dengan mengkombinasi data quality metrics dan business focused metrics kita bisa membagi dampak data yang ada kaitannya dengan bisnis. Contohnya, di dalam satu perusahaan ada data cacat yang secara langsung meningkatkan biaya teknisi maka data harus digabungkan menjadi satu data terpadu.

  4. Create an Interrogative Reporting Layer
    Langkah terakhir adalah menciptakan lingkungan dimana bisnis dapat menanyakan pertanyaa. Contohnya, dalam satu perusahaan yang memiliki lokasi-lokasi regional. Jika kita memiliki laporan data quality di tiap regional, kita dapat menjawab ketika eksekutif memiliki pertanyaan bisnis tingkat tinggi.

Sumber:
http://www.consultparagon.com/blog/what-is-a-data-quality-assessment

https://www.edq.com/uk/blog/why-do-you-need-a-data-quality-assessment/