Una metodologia per la valutazione dei costi della non qualità dei dati

Al giorno d’oggi la stragrande maggioranza dei dati gestiti dalle organizzazioni risulta essere disponibile ed utilizzabile in formato elettronico. Si sta infatti assistendo ad un passaggio dalla forma cartacea alla forma elettronica. Quest’ultima, pur offrendo notevoli ed indiscutibili vantaggi, ha portato con sé anche una serie di problemi legati all’aumento della mole di dati che un’entità organizzata gestisce; ciò è dovuto sia alla necessità di trattare più dati, sia alla possibilità di farlo grazie alla tecnologia disponibile. Questo rende rilevante il livello di attenzione che si deve prestare al livello di qualità dei dati stessi. Si può definire la Data Quality (DQ) come “fitness for use”, ossia come adeguatezza alle performance richieste ai dati nell’operatività e rispetto delle aspettative degli utenti in termini di efficienza ed efficacia.
La presenza di errori e problemi di qualità dei dati non impatta però unicamente sugli aspetti operativi, ma ha ripercussioni anche a livello tattico-strategico, in quanto da un lato essi logorano i processi di business, e dall’altro ostacolano e talvolta limitano le opportunità di creazione di valore.
Tuttavia, nonostante l’importanza della correttezza dei dati, in molte organizzazioni non si adotta un approccio sistematico per quanto riguarda la gestione della DQ. Da un lato, ciò può essere giustificato dal fatto che gli strumenti utilizzabili non sono del tutto completi e di immediato utilizzo; dall’altro esiste ancora una scarsa sensibilità verso questo problema, considerato nella maggior parte dei casi come marginale.
Uno degli obiettivi di questo elaborato è proprio quello di fornire nuovi strumenti che si differenzino da quelli esistenti, che siano il più possibile esaustivi e che si rivelino indipendenti dal contesto applicativo. Quest’ultimo aspetto è particolarmente critico, dato che una parte più o meno estesa dello studio può essere fortemente condizionata dall’ambito di intervento. Si è cercato quindi di ridurre, per quanto possibile, i gradi di libertà dell’analisi, in modo da perseguire un approccio fortemente metodologico.
Il lavoro di tesi qui illustrato da un lato ha approfondito la classificazione degli errori dovuti alla non qualità dei dati, degli improvement attuabili (proponendo una nuova classificazione) e dei loro legami, dall’altro ha predisposto un’analisi puntale dei costi e dei benefici connessi. In ultima istanza, si è provveduto ad aggiornare la metodologia CDQ (Comprehensive Data Quality) alla luce dei nuovi strumenti introdotti. Al fine di dimostrarne la funzionalità ed adeguatezza, si è proceduto quindi alla loro applicazione in due distinti casi reali.