Die Bedeutung der Echtzeit-Datengenauigkeit in Ihrem Unternehmen

Genaue Echtzeitdaten zu erhalten, ist für Unternehmen von entscheidender Bedeutung. Es erfordert die Identifizierung von Mustern anhand von Metadaten, die Gruppierung dieser Informationen durch Metadatendateien und die Gewährleistung der Genauigkeit der Metadaten durch ein Metadatenverwaltungs-Framework.

Betrachten Sie die Echtzeit-Datengenauigkeit, ein Datenqualitätsmerkmal, das sich auf korrekte Werte und Formate bezieht, ein Muss für ein profitables und wachsendes Unternehmen. Unternehmen benötigen genaue Echtzeitdaten, um mit der steigenden Verbrauchernachfrage fertig zu werden. Ein Drittel der C-Suite-Führungskräfte und Finanzfachleute stimmt zu, dass sie ihre Echtzeit-Finanzdaten immer mehr schätzen.

Leider haben viele Unternehmen weiterhin Schwierigkeiten, geschäftliche Erkenntnisse aus ihren Echtzeitdaten zu gewinnen. Unternehmen sammeln stundenlang Streaming-Daten-Feeds, benötigen aber möglicherweise nur ein paar Minuten dieses Streams, um eine gute Entscheidung zu treffen.

Selbst die Entscheidung, wie die angehäuften Datenmengen zu validieren sind, stellt eine Herausforderung dar, wenn es darum geht, schnell herauszufinden, ob ein Datensatz genauer ist als ein anderer. Machen Sie die falsche Entscheidung und tragen Sie dazu bei, dass ein Unternehmen 14 Millionen US-Dollar verliert.

Glücklicherweise versprechen Metadaten, Daten über Daten, Hilfe dabei, Datengenauigkeit in Echtzeit zu erreichen. Dieser Artikel wird den Leser auf eine Reise mit Metadaten schicken, um Datengenauigkeit in Echtzeit zu erhalten.

Verwendung von Metadaten zur Validierung der Datengenauigkeit in Echtzeit

Es mag kontraintuitiv erscheinen, über die Generierung von mehr Daten zu sprechen, um vorhandene Daten korrekt zu halten. Aber Metadaten haben mehrere Superkräfte:

• Wenn sie korrekt sind, liefern Metadaten Kontext zu den darin beschriebenen Informationen und belegen die Genauigkeit der Daten. Ein Computerprogramm kann diese Metadaten in ein Schema oder eine Darstellung umwandeln.
• Metadatendefinitionen enthalten eine beliebige Kombination aus technischen, geschäftlichen oder betrieblichen Beschreibungen von Datensätzen. So können Systeme, Prozesse oder Personen Metadaten verwenden, um Kunden, Einkäufe, Produkte, Standorte usw. zu charakterisieren,
• Algorithmen können technische Metadaten verwenden, um einen anderen Prozess oder eine andere Person anzuweisen, weitere Maßnahmen zu ergreifen.
• Metadaten können einen riesigen Datenblock umschließen und diese Daten leichter auffindbar machen.

Zwei Experten, Romero und Calders, haben diese Metadaten-Stärken mit einem Ansatz namens Information Profiling genutzt. Sie schlagen einen Rahmen vor, der Metadaten verwendet, um ein Schema für die Profilerstellung zu bilden, und die Ergebnisse dann unter Verwendung von Metadaten einzuschließen.

Unter Berücksichtigung dieser Erkenntnisse können Unternehmen ihre Geschäftsregeln verwenden, um die Metadatenbildung des Schemas zu steuern und Daten in Paketen zu gruppieren, die von Metadaten umschlossen sind. Diese Organisationen hätten eine effizientere Möglichkeit, mit Echtzeitdaten umzugehen, indem sie Algorithmen einsetzen, um nach Datenmustern zu suchen und Datensätze abzurufen, die übereinstimmen.

Erkunden eines Beispiels für die Genauigkeit von Echtzeitdaten

Wie würde die Nutzung von Metadaten für Echtzeit-Datengenauigkeit in der Praxis aussehen? Gordon und Shankaranarayanan vom Babson College geben Einblick.

Angenommen, der Feed von Unternehmen A enthält jede Stunde Hunderte von Sofortnachrichten. Ein Kunde, John Doe, schreibt, dass er ein Fahrrad von Unternehmen A kaufen möchte. Unternehmen A möchte bestätigen, dass diese Nachrichten von John Doe stammen und dass er ein Fahrrad kaufen möchte.

Zuerst würde eine Anwendung ein John Doe-Profil erstellen, Metadaten über John Doe. Nehmen wir an, die Metadaten über John Doe haben Werte, die auf der Telefonnummer, dem verwendeten Mobiltelefontyp und dem Mitgliedsstatus bei Unternehmen A basieren. Diese John Doe-Darstellung wäre genauso gut wie die Daten, die im Kundenbeziehungsmanagementsystem von Unternehmen A enthalten sind.

Dann nimmt ein Computerprogramm dieses John-Doe-Profil und gleicht es mit dem Textstream im Feed ab, wobei Geschäftsregeln definieren, wonach im Datenstrom gesucht werden soll. Sobald die Software Daten sieht, die mit Johns Schema Doe übereinstimmen, bündelt sie diese unter einer Inhaltsmetadatendatei. Diese Inhalts-Metadatendatei kann von Personen durchsucht werden, die sicher sind, dass die Textnachrichten von John Doe stammen (wenn die Qualität der Metadaten den geschäftlichen Anforderungen entspricht).

Außerdem würde ein Algorithmus ein Kaufprofil zusammenstellen, um die Wahrscheinlichkeit zu bestimmen, dass John Doe ein Fahrrad kauft, so wie Amazon herausfindet, welche Produkte seinen Kunden empfohlen werden. Dann kann ein Algorithmus dieses Kaufprofil anwenden und die Wahrscheinlichkeit abwägen, dass John ein Fahrrad kaufen möchte.

Machen Sie die Genauigkeit der Metadaten kritisch

Beachten Sie, dass die Verwendung von Metadaten zum Erstellen eines Schemas und Stapels stark von der Genauigkeit der Metadaten abhängt. Andernfalls wäre es unmöglich, die Datengenauigkeit in Echtzeit zu gewährleisten.

Wenn John Doe im obigen Beispiel seine Telefonnummer geändert hätte und seine Metadaten immer noch die alte Telefonnummer enthielten, wären Johns Metadaten ungenau. Ebenso müsste die Metadatendatei mit den Echtzeitdatensätzen korrekt beschriftet werden. Wenn die Metadaten mit den Textdateien von John Doe den falschen Kundennamen enthielten, würde eine Person Johns Textdatei nicht finden.

Die gleichen Gründe und Prozesse, die Unternehmen verwenden, um Daten zu überwachen und zu bereinigen, um konstant eine hohe Datenqualität zu liefern, gelten also auch für die Metadaten. Metadaten, die zur Echtzeit-Validierung verwendet werden, müssen ausreichend genau sein, um Vertrauen in die Genauigkeit der Echtzeitdaten zu haben.

Ein Metadaten-Management-Framework

Würde es dann ausreichen, die Metadatenüberwachung und -bereinigung zu automatisieren? Nein. Das Erreichen einer ausreichenden Metadatenqualität, um wertvoll und für das Unternehmen zugänglich zu sein, hängt von einem Metadatenverwaltungs-Framework ab.

Die Mitarbeiter, Prozesse und Technologien der Organisation bilden dieses Metadatenverwaltungs-Framework und die Geschäftsregeln, die es erstellen.

Wenn beispielsweise eine Abteilung ihre Kundennamen in einem System standardisiert und eine andere Abteilung Kundennamen in einer separaten Anwendung anders formatiert, hat sie ein wackeliges Metadaten-Management-Framework. Aus welcher Abteilung übernimmt die Organisation Metadaten zur Verwendung?

Die Entwicklung eines Metadaten-Management-Frameworks zur Gewährleistung einer angemessenen Datengenauigkeit in Echtzeit erfordert:

• Metadaten-Management-Bewertungen zu bestehenden Strukturen und deren Auswirkungen. Anhand dieser Baseline können Unternehmen herausfinden, welche Prozesse geändert werden müssen.
• Datenstrategie, ein Plan zur Verwendung von Daten, um das Geschäft am Laufen und Wachsen zu halten.
• Daten-Governance, ein Programm, das den Zugriff und die Sicherheit von Metadaten koordiniert, um konform zu bleiben.
• Kollektive Datenkompetenz über die Bedeutung und den Wert der Metadaten bei der Bestimmung der Genauigkeit von Echtzeitdaten. Außerdem müssten die Mitarbeiter wissen, wie man gute Metadaten definiert.
• Solide Geschäftsanforderungen darüber, welche Attribute und Werte definieren, was oder wen die Metadaten beschreiben.

Schlussworte

Im Jahr 2020 sahen Unternehmen, warum sie Datenqualität in Echtzeit benötigten, während sie misstrauisch gegenüber der Gewinnung geschäftlicher Erkenntnisse aus diesen Daten waren. Hohe Datenmengen und Datengeschwindigkeiten stellen Unternehmen vor erhebliche Hindernisse, um schnell sicherzustellen, dass jedes Datenelement in einem Text- oder Nachrichtenstrom korrekt ist.

Das Kuratieren der Echtzeitdaten mithilfe eines Metadatenschemas und Geschäftsregeln erzielt einen höheren Wert und schont gleichzeitig Unternehmensressourcen durch die Analyse irrelevanter Daten. Das Chunking der Ergebnisse und die Kennzeichnung dieser Datensätze mit Metadaten beschleunigt das Auffinden genauer Daten. Die Verwendung von Metadaten auf diese Weise erfordert jedoch genaue Metadaten und eine angemessene Metadatenverwaltungsstruktur, damit das Unternehmen auf die Genauigkeit seiner Echtzeitdaten vertrauen kann.