Персонализиран механизъм за качество на данните в хранилища на големи данни, улеснен от проверки за целостта на данните
DOI :
https://doi.org/10.55630/mem.2024.53.067-075Ключови думи :
хранилища за големи данни, качество на данните, наземен транспорт, SQL, данни, проверки, следене на качеството да данните, поддръжка на развиетието на даннитеАбстракт
В ерата на вземане на решения, базирани на данни, хранилищата за големи данни са от решаващо значение за организациите, които искат да използват об- ширни набори от данни. Успехът на технологията обаче зависи от качеството на приложените данни. Недостатъчно качествените данни могат да повлияят на точ- ността на аналитичните резултати, което води до погрешни решения и намалена ефективност на бизнеса. Този документ разглежда значението на механизмите за качество на данните при справяне с предизвикателствата, свързани с качеството на данните. Механизмите за качество на данните играят решаваща роля в идентифицирането, коригирането и предотвратяването на проблеми с качеството на данните през целия жизнен цикъл на данните. Този документ изследва фундаментални концепции, предизвикателства и въздействия на качеството на данните върху бизнес операциите. Той подчертава критичната роля на стабилните меха- низми за качество на данните за осигуряване на точност, пълнота и надеждност на данните в екосистемата за съхранение на данни. Тъй като организациите все повече разпознават данните като стратегически актив, наложително е да се внедрят ефективни механизми за качество на данните, за да се отключи истинският потенциал на хранилищата за данни и да се извлекат полезни прозрения.
Литература (библиография)
W. H. Inmon. Building the Data Warehouse, 4th edn. Wiley India Pvt. Limited, 2005.
ISBN 9788126506453.
R. Kimball, M. Ross. The Data Warehouse Toolkit: The Complete Guide to Dimensional Modeling. 3rd edn. Indianapolis, John Wiley & Sons, Inc., 2013, ISBN 9780471153375.
B. Moses, L. Gavish, M. Vorwerck. Data Quality Fundamentals. O’Reilly Media, Inc., 2022, ISBN 9781098112011.
J. Reis, M. Housley. Fundamentals of Data Engineering: Plan and Build Robust Data Systems. O’Reilly Media, Inc., 2022. ISBN 9781098108304.
Q. Liu, G. Feng, G. K. Tayi, J. Tian.. Managing Data Quality of the Data Warehouse: A Chance-Constrained Programming Approach. Inf. Syst. Front. 23 (2021), 375–389, https://doi.org/10.1007/s10796-019-09963-5.
M. R. Sureddy, P. Yallamula. Data Quality Architecture for Data Ware- houses. International Journal of Research Culture Society, 4, no. 6 (2020), 95–100, DOIs:10.2017/IJRCS.2456.6683/202006017.
A. Fattah, T. Ridwan, N. Sulistiyowati. Dimensional Data Design for Event Feedback Data Warehouse. JISA (Jurnal Informatika dan Sains), 6, no. 1 (2023) 69–73. https: //doi.org/10.31326/jisa.v6i1.1648.
H. Benkhaled, D. Berrabah, F. Boufare`s. Data Warehouses and Big Data: How to Cope With Data Quality. International Journal of Organizational and Collective Intelligence (IJOCI), 10, no. 3 (2020), 13 pp, https://doi.org/10.4018/IJOCI.2020070101.
N. Gupta. Optimising data quality of a data warehouse using data purgation process. International Journal of Data Mining, Modelling and Management. 15, no. 1 (2023), 102– 131, https://doi.org/10.1504/IJDMMM.2023.10055198.
M. Altendeitering, T. Guggenberger. Data Quality Tools: Towards a Software Ref- erence Architecture. Hawaii International Conference on System Sciences (HICSS), 2024.
https://www.techtarget.com/searchdatamanagement/tip/Top-data-quality-management-tools (Last visited 23.12.2023)