piatok, 12 jún 2020 12:00

Starostlivosť o dáta aj počas home office - časť 3. | Dátový stevard

V poslednej časti našej série o starostlivosti o dáta aj počas práce z domu sa zameriame na finálny krok prečistenia našich dát, a to z pohľadu pre nás najpodstatnejšieho, pohľadu biznis hodnoty. Tá spočíva v ich schopnosti tvoriť informácie pre zmysluplné rozhodovanie, a preto, okrem technickej korektnosti zlepšenej v predchádzajúcej časti o príprave datasetov, je potrebné upraviť výpovednú hodnotu alebo pravdivosť jednotlivých záznamov v našich dátových zdrojoch.

Pre tento účel je potrebné prejsť na vyššiu úroveň detailu čistenia údajov a predložiť vlastníkom/tvorcom dátového obsahu jednotlivé záznamy spolu s potrebnými podkladmi na vyhodnotenie ich správnosti, ideálne aj priamo s návrhmi ako jednotlivé záznamy opraviť. Z vlastníkov dát sa tak stanú „stevardi“, inými slovami riešitelia, ktorí sú vzájomnou kooperáciou a znalosťami schopní rozoznať správnosť záznamov a v prípade ich nejednoznačnej alebo chybnej výpovednej hodnoty vykonať ich priamu úpravu.

Z hľadiska komplexnosti ide o najcitlivejší krok čistenia údajov, keďže nesprávna alebo neuvážená zmena môže nielen znížiť použiteľnosť dát, ale aj priamo ohroziť systémy, ktoré s týmito dátami pracujú. Je preto nevyhnutné, aby prostredie, v ktorom sa záznamy vyhodnocujú zabezpečovalo:

Komplexný work-flow schvaľovania zmien.
Manažovanie následnej úpravy dát v jednotlivých systémoch.
Vrcholovú kontrolu nad prácou a výkonom jednotlivých skupín stevardov, ktorí môžu nezávisle pracovať priamo so svojich domácich kancelárií a aj napriek tomu konzultovať úpravy zverených záznamov so svojimi spolupracovníkmi.

Najmä v dobe home office je preto nevyhnutný flexibilný prístup k prostrediu umožňujúcemu prehľadné rozdelenie a manažovanie čistenia jednotlivých záznamov, aké poskytuje práve aplikácia Dátového stevarda cez funkčnosti:

  • Tvorby kampaní pre rozdelenie riešiteľských tímov stevardov podľa typu záznamov a spôsobu ich čistenia.
  • Prehľadného zobrazenia záznamov, vyhodnotenia ich kvality a návrhov na ich opravu.
  • Kooperácie medzi riešiteľmi, cez poznámky a delegovanie riešených úloh.
  • Flexibilného nastavenia postupu schvaľovania zmien v záznamoch.
  • Monitoringu priebehu kampaní, pre potrebu dynamického prerozdeľovania úloh podľa aktuálnych možností riešiteľov.

Vráťme sa opäť k nášmu príkladu z predchádzajúcej časti, kde sme technicky vyčistili naše dáta a zosúladili s číselníkovými hodnotami. Klasickým príkladom biznis chyby záznamov o zamestnancoch (prípadne o zákazníkoch) je duplicitný, alebo neaktuálny údaj o adrese, ktorý sa môže navyše líšiť podľa systému, jeho špecifickej agendy a doby kedy bol tento údaj v systéme vytvorený alebo aktualizovaný.

Pre zjednodušenie príkladu sme si vytvorili totožné záznamy o našich Office manažéroch v troch rôznych systémoch, ktoré sme v jobe Dátovej integrácie jednoducho zlúčili do jednotného dátového toku a pomocou integrovaného komponentu MatchGroup stotožnili záznamy do skupín (ak nevieme záznamy priamo zlúčiť napríklad podľa jednoznačného ID, môžeme skupiny stanoviť podľa zhody jednotlivých parametrov Meno+Priezvisko+Adresa s použitím zabudovaných algoritmov):

3 cast obr1Takto zoradené záznamy označené prefixom skupiny a systémom, z ktorého pochádzajú sú priamo nahrané do Konzoly dátového stevarda a poskytnuté našim riešiteľom (stevardom) na vyhodnotenie:

3 cast obr2Ako vidíme na obrázku, v konzole máme záznamy z jednotlivých systémov (v príklade databázy SAP HR, Oracle a čiastkové Excel súbory) prehľadne usporiadané v skupinách podľa zhody a systémov, ku ktorým sme si priradili aj skóre dôveryhodnosti, aby sme riešiteľom uľahčili rozhodovanie.

Cez ľavý panel môže tiež správca kampane, alebo jednotliví stevardi delegovať záznamy, ktoré nie sú v ich pôsobnosti a sledovať koľko záznamov im je priradených.

Ak si pozrieme prvé dva zobrazené záznamy, môžeme si hneď všimnúť nesúrodosť údajov , s ktorými sú daní zamestnanci vedení v jednotlivých evidenciách. Je preto v kompetencii stevarda, aby rozhodol o správnej a aktuálnej skladbe údajov a zjednotil informáciu vo všetkých systémoch.

Konkrétne v našom prípade môžeme uvažovať v prvom zázname o náprave zlej číselníkovej hodnoty označenia časti mesta z „Bratislava“, „Bratislava – Petržalka“ na správnu hodnotu „Bratislava V“. Tiež v jednom systéme stále nesprávne vedeného názvu pozície „sekretárka“ na „Office manager“. V druhom zázname rovnako opravíme adresu na adresu podľa systému SAP HR s najvyššou dôveryhodnosťou (napríklad ak vieme, že obsahuje najaktuálnejšie a najspoľahlivejšie údaje). Okrem prevzatia údaja podľa záznamov je samozrejme možná aj priama úprava stevardom.

Po oprave a označení za dokončené budú záznamy vyzerať nasledovne:

3 cast obr3

Následne podľa nastavení kampane môžu doriešené záznamy prejsť ľubovoľným počtom schvaľovateľov, ktorí potvrdia alebo zamietnu správnosť opravy:

3 cast obr4

Na konci workflow-u sú doriešené záznamy označené ako „Vyriešené“ a sú pripravené na ich načítanie z kampane a opravu v zdrojových systémoch.

Samotná oprava záznamov spadá už pod metodiku Master Data Manažmentu a záleží na našom konkrétnom prípade použitia, či budú záznamy opravené priamo v zdrojových systémoch alebo uložené v databáze zlatých záznamov.

Ako sme si ukázali, s pomocou Konzoly dátového stevarda vieme jednoducho a prehľadne sprístupniť záznamy pre udržiavanie a zlepšovanie ich kvality aj bez nevyhnutnosti pravidelnej interakcie medzi skupinami biznis vlastníkov a IT oddelení.

Dostupnosť konzoly cez internet a možnosť využitia maskovania a demaskovania prenášaných údajov, sprístupňuje toto riešenie z akéhokoľvek miesta.  Z tohto dôvodu je veľmi vyhľadávaným a efektívnym riešením tímovej spolupráce nad dátovou kvalitou aj z pohodlia domácej kancelárie bez akýchkoľvek obmedzení.

***

Autor: Ivan Stríček

Kontakt: Táto e-mailová adresa je chránená pred spamovacími robotmi. Na jej zobrazenie potrebujete mať nainštalovaný JavaScript.

Ivan Stríček