<img src="https://secure.leadforensics.com/133892.png" alt="" style="display:none;">
vad-ar-datavalidering

Är det någon bransch som lider av begreppsinflation så är det IT-branschen. "Vad är" är en ny liten bloggserie där vi kort och begripligt förklarar de begrepp vi slänger oss med lite närmare.

Vad betyder det?

Datavalidering är ett sätt att automatiskt bedöma kvaliteten och hitta fel i ett systems data. Målet är att upptäcka dessa tidigt så att de kan åtgärdas innan de orsakar problem i de processer och funktioner som utförs i systemet.

Det finns många typer av datakvalitetsproblem som kan påverka verksamhetens processer. För att ta postnumret i ett kundregister som exempel:

  • Saknad data – postnummerfältet har inte fyllts i.
  • Felaktig data – sifforna har kastats om så att numret är fel.
  • Föråldrad data – postnumret angavs korrekt, men mottagaren har sedan dess flyttat till en ny adress.
  • Felaktiga format – automatiserade flöden kan ställa krav på vissa format, till exempel att fältet bara innehåller siffror utan mellanslag.
  • Duplikat – postnumret är korrekt, men det finns flera kopior av adressen upplagd i systemet.

Varför är det viktigt?

Datakvalitet har mycket stor inverkan på hur effektivt ett affärssystem i slutänden blir. I bästa fall leder felaktig data till kortare fördröjningar där användare kompletterar information. I värsta fall fångas inte felen innan de orsakat totala produktionsstopp.

Datavalidering hjälper oss att vara proaktiva och förebyggande genom att både upptäcka och värdera felen. En bra datavalideringslösning upptäcker inte bara fel utan kan även prioritera och klassificera dem. Med hjälp av det underlaget kan vi prioritera vilka datakvalitetsåtgärder som ger bäst effekt och bygga ett affärscase.

Varför pratar vi om det?

Mängden affärsdata ökar exponentiellt år för år. De ständigt ökande volymerna gör det allt svårare att överblicka kvaliteten manuellt eftersom en mänsklig användare inte kan granska data i samma takt som den skapas. Samtidigt automatiseras affärsprocesser i allt större utsträckning vilket leder till färre tillfällen då användare kommer i kontakt med den underliggande datan. Den ökande volymen och försvårade manuella kontrollen av data leder till ett accelererande behov av smarta verktyg och lösningar för att säkra kvaliteten.

Relaterade begrepp

Datakvalitet, Big Data, Information Management


Läs även: Är din datakvalité kass? 5 vanliga fällor.

Diskutera detta inlägg

Rekommenderad läsning

När ett avtal är framtaget, reviderat i olika omgångar, förhandlat och signerat så ska det börja tillämpas. Men tyvärr sparas avtalet ofta ner i en filkatalog eller en pärm där det sedan lätt glöms bort.
I förra delen av denna bloggserie förklarade jag min syn på de utmaningar och möjligheter som finns inom avtalshantering. Den här gången har jag tittat närmare på processen kring att producera avtal.
Avsnitt 6 av Caset är ett specialavsnitt där vi tittar på vårt eget case runt hur vi har hanterat vår egen förflyttning till molnet. Vilka olika drivkrafter fanns att ta hänsyn till och vad är viktigast att tänka på? Och vad händer med IT-avdelningens uppdrag nu när allt fler tjänster flyttar ut i molnet och hamnar närmare verksamheten? 
Ett SAP-landskap med dess system och komponenter kan övervakas på många sätt med olika verktyg. Övervakning kan göras av allt från nätverk, hårdvara, operativsystem, databas och naturligtvis själva SAP-applikationen med eller utan integrationer. Den mest kompletta typen av övervakning kallas Business Process Monitoring och kan faktiskt hjälpa till att avstyra problem INNAN de uppstår.
Hur långt har företag kommit i sin digitaliseringsresa inom B2B? Vad krävs de kommande åren för att ligga steget före konkurrenterna? Vi frågade 400 beslutsfattare inom B2B om detta och mycket mer. Oscar Tryvall sammanfattar några av de viktigaste insikterna.
right-arrow share search phone phone-filled menu filter envelope envelope-filled close checkmark caret-down arrow-up arrow-right arrow-left arrow-down