Duomenų kokybės užtikrinimo metodų analizė
| Year | Start Page | End Page |
|---|---|---|
2008 | 21 | 24 |
Duomenų bazėse saugomų duomenų kokybė lemia informacinių sistemų kokybę. Tačiau informacinių sistemų komponetų kokybė daro įtaką duomenų kokybei, nes duomenys įvedami, apdorojamiir vaizduojami naudojant programų sistemas, kurios yra sudėtinės informacinių sistemų dalys. Duomenų kokybė ir su duomenų kokybės užtikrinimu susijusios problemos pastaruoju metu plačiai analizuojamos. Įtaką duomenų kokybei daro vidiniai ir išoriniai faktoriai. Dažnai duomenų kokybę užtikrinti sudėtinga, nes duomenų kokybė yra daugiamatė. Literatūroje išskiriama daugiau kaip 200 kriterijų, kuriais gali būti vertinama duomenų kokybė ir siūlomi įvairūs metodai, tačiau skirtingose dalykinėse srityse duomenų kokybė apibrėžiama skirtingai, todėl ne visada galima pritaikyti universalius įrankius. Moksliniuose darbuose plačiai analizuojamas duomenų kokybės užtikrinimas aktyvių duomenų bazių valdymo sistemų priemonėmis. Duomenų darnos ribojimai, trigeriai ir saugomos procedūros naudojamos duomenų kokybei užtikrinti, tačiau literatūroje nepakankamai dėmesio skiriama centralizuotam ir automatizuotam duomenų kokybės užtikrinimui.
The importance and criticaly of data quality is widely discussed in recent publications. Many external and internal factors impact the quality of data. Patterns for data quality problems identification are proposed in literature. The complexity of data quality control is common problem in every application domain, because data quality is multidimensional concept. Nearly 200 desirable features of qualitatve data exist, thus making the control of data quality even more complex. Data quality assurance methods are defined and implemented in commercial tools, but in every application domain the concept of data quality is different and data quality control procedures have to be defined manually. Implementation of business rules in software systems as data quality assurance routines is common and not problematic by itself. Integrity constrains, stored procedures and triggers are used for years to increment data quality. The lack of mechanisms to record, review and assess the rules is the starting-point of the problems faced within data quality management.