CHAPTER OBJECTIVES
Clearly underst

CHAPTER OBJECTIVES

Clearly understand why data quality is critical in a data warehouse
Observe the challenges posed by corrupt data and learn the methods to deal with them
Appreciate the benefits of quality data
Review the various categories of data quality tools and examine their usage
Study the implications of a data quality initiative and learn practical tips on data quality
Imagine a small error, seemingly inconsequential, creeping into one of your opera- tional systems. While collecting data in that operational system about customers, let us say the user consistently entered erroneous region codes. The sales region codes of the customers are all messed up, but in the operational system, the accuracy of the region codes may not be that important because no invoices to the customers are going to be mailed out using region codes. These region codes were entered for marketing purposes. Now take the customer data to the next step and move it into the data warehouse. What is the consequence of this error? All analyses performed by your data warehouse users based on region codes will result in serious misrepresentation. An error that seems to be so irrelevant in the operational systems can cause gross distortion in the results from the data warehouse. This example may not appear to be the true state of affairs in many data warehouses, but you will be surprised to learn that these kinds of problems are common. Poor data quality in the source systems results in poor decisions by the users of the data warehouse. Dirty data is among the top reasons for failure of a data warehouse. As soon as the users sense that the data is of unacceptable quality, they lose their confidence in the data warehouse.

Hasil (Bahasa Indonesia) 1:

BAB TUJUANMengerti dengan jelas mengapa kualitas data sangat penting dalam sebuah gudang data mengamati tantangan-tantangan yang ditimbulkan oleh korup data dan belajar metode untuk berurusan dengan mereka menghargai manfaat kualitas data Review berbagai kategori alat kualitas data dan memeriksa penggunaan mereka belajar implikasi dari inisiatif kualitas data dan belajar tips praktis tentang kualitas dataBayangkan sebuah kesalahan kecil, tampaknya ngawur, merayap ke salah satu dari opera-mem sistem Anda. Ketika mengumpulkan data dalam sistem operasional tentang pelanggan, marilah kita mengatakan pengguna secara konsisten memasukkan kode wilayah keliru. Kode wilayah penjualan pelanggan adalah semua mengacaukan up, tetapi dalam sistem operasional, akurasi kode wilayah tidak mungkin yang penting karena ada faktur kepada pelanggan akan dikirimkan menggunakan kode wilayah. Kode wilayah berikut masuk untuk tujuan pemasaran. Sekarang mengambil pelanggan data ke depan langkah dan memindahkannya ke gudang data. Apakah konsekuensi dari kesalahan ini? Semua analisis yang dilakukan oleh pengguna Gudang data Anda berdasarkan kode wilayah akan mengakibatkan serius keliru. Galat yang tampaknya sangat tidak relevan dalam sistem operasional dapat menyebabkan distorsi kotor dalam hasil dari gudang data. Contoh ini mungkin tidak tampak keadaan benar dalam banyak gudang data, tapi Anda akan terkejut untuk mengetahui bahwa jenis masalah umum. Kualitas miskin data dalam sistem sumber hasil keputusan oleh para pengguna Gudang data. Data yang kotor adalah antara alasan utama untuk kegagalan gudang data. Segera setelah pengguna merasakan bahwa data adalah kualitas yang dapat diterima, mereka kehilangan kepercayaan mereka dalam gudang data.

Hasil (Bahasa Indonesia) 2:

BAB
TUJUAN? Jelas memahami mengapa kualitas data sangat penting dalam data warehouse? Mengamati tantangan yang ditimbulkan oleh data yang korup dan mempelajari metode untuk berurusan dengan mereka? Menghargai manfaat dari data yang berkualitas? Meninjau berbagai kategori alat kualitas data dan memeriksa penggunaan mereka? Mempelajari implikasi dari inisiatif kualitas data dan belajar tips praktis tentang kualitas data
Bayangkan kesalahan kecil, yang tampaknya tidak penting, merayap ke salah satu sistem operasional yang Anda. Sementara mengumpulkan data dalam sistem operasional tentang pelanggan, mari kita katakan pengguna secara konsisten masuk kode wilayah yang salah. Kode wilayah penjualan dari pelanggan yang semua kacau, namun dalam sistem operasional, ketepatan kode wilayah mungkin tidak begitu penting karena tidak ada faktur kepada pelanggan akan dikirimkan menggunakan kode wilayah. Kode wilayah ini dimasukkan untuk tujuan pemasaran. Sekarang mengambil data pelanggan ke langkah berikutnya dan memindahkannya ke dalam gudang data. Apa konsekuensi dari kesalahan ini? Semua analisis dilakukan oleh pengguna data warehouse Anda berdasarkan kode wilayah akan mengakibatkan keliru serius. Kesalahan yang tampaknya begitu relevan dalam sistem operasional dapat menyebabkan distorsi kotor dalam hasil dari data warehouse. Contoh ini mungkin tidak muncul untuk menjadi keadaan sebenarnya urusan di banyak gudang data, tetapi Anda akan terkejut mengetahui bahwa jenis-jenis masalah yang umum. Kualitas data yang buruk dalam hasil sistem sumber dalam keputusan yang buruk oleh para pengguna data warehouse. Data kotor adalah salah satu alasan utama untuk kegagalan sebuah gudang data. Begitu pengguna merasakan bahwa data yang berkualitas tidak dapat diterima, mereka kehilangan kepercayaan diri mereka dalam data warehouse.