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

A seguito della definizione delle dimensioni di errore, è opportuno considerare anche gli effetti che esse implicano non solo a livello tecnologico, ma soprattutto a livello organizzativo/gestionale/operativo. L’obiettivo di questo paragrafo è proprio quello di fornire un elenco esaustivo delle possibili conseguenze riscontrabili all’interno delle organizzazioni, a causa del verificarsi di problemi di DQ.
Failure: si verifica quando un problema di Data Quality provoca un errore di sistema o l’interruzione di un processo. In alcuni casi ciò implica l’interruzione globale del processo, in altri l’esecuzione di procedure straordinarie a causa dei dati non validi inseriti.
Inefficienza del settore operativo: il processo di produzione dell’informazione può essere visto come una catena di montaggio, dove in ogni fase vengono effettuate delle operazioni che manipolano il dato. Alla presenza di un record errato, sarebbe opportuno correggerlo prima che scorra al passo successivo, altrimenti si correrebbe il rischio che l’errore si propaghi. Ne conseguirebbe un ritardo globale del processo (inefficienza), e/o una riduzione della produttività, causa la necessità di correggere l’errore e rieseguire il processo.

Difficoltà e Ritardi nel prendere decisioni: la risorsa informazione è sempre più usata dai manager per supportare le proprie decisioni. Un manager ha dunque l’esigenza di poter far affidamento su dati di qualità: se consapevole dello scarso livello di DQ, potrebbe ritardare la decisione finché i dati non risulteranno attendibili, altrimenti la scelta presa potrebbe essere errata. Un ritardo forzato della decisione genera dei vincoli; infatti, il sistema OLAP (On-Line Analytical Processing), aspettando i dati dal sistema OLTP, perde fiducia in esso se gli vengono forniti continuamente dei dati scadenti. È infine importante sottolineare che più le decisioni da prendere sono importanti, più è indispensabile fare affidamento su dati stabili e sicuri; diversamente, si prendono decisioni scorrette e i processi operativi risultano inefficienti. Le analisi di Business Intelligence e i modelli matematici per le decisioni, pertanto, possono fornire risultati accurati ed efficaci soltanto se i dati in ingresso presentano un’elevata attendibilità. I DW sono in continua evoluzione, ma ancora l’80% degli sforzi nei progetti di implementazione sono per attività di estrazione, pulizia e caricamento (tramite gli strumenti ETL: Extract, Tranform and Load) di dati provenienti da sorgenti (sistemi legacy) o sistemi OLTP. Risulta, quindi, molto importante popolare un DW con dati di qualità.

Fraintendimenti organizzativi: i manager, dato che talvolta si trovano ad avere dati inconsistenti, scelgono di prendere decisioni implementando dei loro sistemi di acquisizione e mantenimento dei dati, usando frequentemente gli stessi dati dalle stesse fonti di dati. Questa decisone causa un lavoro ridondante, nel momento in cui più team costruiscono e mantengono gli stessi dati; ciò provoca inoltre, un’inconsistenza tra le organizzazioni. Si crea infatti una ridondanza della proprietà dei dati e ciò può portare a dei colli di bottiglia, ad esempio, nei casi in cui un operatore non sappia a chi rivolgersi per avere un report dei dati; tutto ciò si riflette in una riduzione della produttività ed un aumento dei costi. I fraintendimenti organizzativi ostacolano anche la possibilità di mantenere allineate unità di business differenti e abbassano la soddisfazione sul lavoro degli operatori, causando sfiducia all’interno dell’azienda.

Riduzione della Customer Satisfaction: spesso i clienti vengono coinvolti in esperienze spiacevoli, a causa di errori nei servizi, nei processi di produzione del prodotto, o nella memorizzazione delle informazioni nei DB. Un’elevata DQ non solo consente di limitare i disagi per i clienti, ma incrementa anche le possibilità di attirare la clientela: presentare un’offerta ben prospettata e con dati basati su processi di elaborazione corretti, promuove l’immagine dell’azienda, aumentando la probabilità di acquisire nuovi clienti.
Riduzione competitività: la presenza di processi poco efficienti a causa della non qualità dei dati può ridurre la competitività di un’impresa rispetto ai suoi concorrenti.
Aumento costi di servizio clienti: tale aumento è dovuto alla necessità di fornire un numero maggiore di servizi ai clienti, a causa della scarsa qualità dei servizi offerti, per via della non qualità dei dati.