Ocena:
Recenzje powszechnie chwalą „Executing Data Quality Projects” Danette McGilvray jako kompleksowy i praktyczny przewodnik do poprawy jakości danych i zarządzania nimi. Wielu użytkowników docenia ustrukturyzowane podejście, rzeczywiste przykłady i zaktualizowane metodologie przedstawione w drugim wydaniu. Niektórzy recenzenci wyrażają jednak obawy, że książka rozszerzyła się poza pierwotne skupienie się na jakości danych, prowadząc do rozmycia jej podstawowego celu.
Zalety:Wszechstronny i praktyczny przewodnik, ustrukturyzowane podejście z jasnymi metodologiami, bogaty w rzeczywiste przykłady i szablony, dobrze zorganizowany dla łatwego odniesienia, obejmuje znaczenie specyfikacji i definicji danych, zapewnia systematyczne dziesięciostopniowe podejście, które można dostosować do różnych scenariuszy, i jest napisany przez uznanego eksperta w tej dziedzinie.
Wady:Niektórzy recenzenci uważają, że zakres książki „wkradł się” zbyt daleko w pokrewne tematy wykraczające poza jakość danych, potencjalnie osłabiając główny cel. Istnieją drobne nieporozumienia dotyczące konkretnej terminologii i interpretacji stosowanych w całej książce.
(na podstawie 10 opinii czytelników)
Executing Data Quality Projects: Ten Steps to Quality Data and Trusted Information (Tm)
Executing Data Quality Projects, Second Edition przedstawia ustrukturyzowane, ale elastyczne podejście do tworzenia, ulepszania, utrzymywania i zarządzania jakością danych i informacji w każdej organizacji.
Badania pokazują, że problemy z jakością danych kosztują firmy miliardy dolarów każdego roku, a słabe dane wiążą się z marnotrawstwem i nieefektywnością, nadszarpniętą wiarygodnością wśród klientów i dostawców oraz niezdolnością organizacji do podejmowania rozsądnych decyzji. Pomoc jest tutaj! Niniejsza książka opisuje sprawdzone podejście dziesięciu kroków, które łączy w sobie ramy koncepcyjne dla zrozumienia jakości informacji z technikami, narzędziami i instrukcjami praktycznego zastosowania tego podejścia - z końcowym rezultatem w postaci wysokiej jakości zaufanych danych i informacji, tak krytycznych dla dzisiejszych organizacji zależnych od danych.
Podejście Dziesięciu Kroków ma zastosowanie do wszystkich rodzajów danych i wszystkich typów organizacji - nastawionych na zysk w każdej branży, non-profit, rządowych, edukacyjnych, opieki zdrowotnej, naukowych, badawczych i medycznych. Książka zawiera liczne szablony, szczegółowe przykłady i praktyczne porady dotyczące realizacji każdego kroku. Jednocześnie czytelnicy otrzymują porady, jak wybrać odpowiednie kroki i zastosować je na różne sposoby, aby jak najlepiej poradzić sobie z wieloma sytuacjami, z którymi będą musieli się zmierzyć. Układ pozwala na szybkie odniesienie się do łatwego w użyciu formatu podkreślającego kluczowe pojęcia i definicje, ważne punkty kontrolne, działania komunikacyjne, najlepsze praktyki i ostrzeżenia. Doświadczenia rzeczywistych klientów i użytkowników Dziesięciu Kroków dostarczają prawdziwych przykładów wyników dla poszczególnych kroków oraz wyróżnionych, bocznych studiów przypadku o nazwie Dziesięć Kroków w Działaniu.
Niniejsza książka wykorzystuje projekty jako narzędzie do pracy nad jakością danych, a słowo to szeroko obejmuje: 1) skoncentrowane projekty poprawy jakości danych, takie jak poprawa danych wykorzystywanych w zarządzaniu łańcuchem dostaw, 2) działania związane z jakością danych w innych projektach, takich jak tworzenie nowych aplikacji i migracja danych ze starszych systemów, integracja danych z powodu fuzji i przejęć lub rozplątywanie danych z powodu podziałów organizacyjnych oraz 3) doraźne wykorzystanie kroków, technik lub działań związanych z jakością danych w trakcie codziennej pracy. Podejście Dziesięciu Kroków może być również wykorzystane do wzbogacenia standardowego SDLC organizacji (sekwencyjnego lub Agile) i uzupełnia ogólne metodologie doskonalenia, takie jak Six Sigma lub Lean. Żadne dwa projekty dotyczące jakości danych nie są takie same, ale elastyczny charakter Dziesięciu Kroków oznacza, że metodologię można zastosować do wszystkich.
Nowa druga edycja podkreśla między innymi takie tematy, jak sztuczna inteligencja i uczenie maszynowe, Internet rzeczy, bezpieczeństwo i prywatność, analityka, wymogi prawne i regulacyjne, nauka o danych, duże zbiory danych, jeziora danych i przetwarzanie w chmurze, aby pokazać ich zależność od danych i informacji oraz dlaczego jakość danych jest teraz bardziej istotna i krytyczna niż kiedykolwiek wcześniej.