Proč je téma důležité
Chybný report je často pouze posledním viditelným místem delšího problému. Data mohla být poškozena při importu, změně formátu, mapování polí, deduplikaci, segmentaci nebo exportu. Kontrola až na konci proto sice potvrdí nesprávný výsledek, ale nepomůže rychle určit, kde chyba vznikla.
Datová kvalita musí být součástí celého toku. Každé důležité rozhraní potřebuje očekávání, kontrolu a způsob, jak odchylku včas zviditelnit.
Jak postupovat správně
Nakreslete datovou cestu
Popište zdroj, import, transformace, ukládání, segmentaci, aktivaci a reporting. U každého kroku uveďte vlastníka a očekávaný výstup.
Definujte rozměry kvality
Pro konkrétní data stanovte úplnost, validitu, jedinečnost, konzistenci, aktuálnost a případně přesnost vůči referenčnímu zdroji.
Kontrolujte data na hranicích
Validace při vstupu zabrání šíření chyb. Kontroly po transformaci zase ověří, že se nezměnil význam nebo počet záznamů.
Používejte smíření počtů a součtů
Porovnávejte počet přijatých, odmítnutých, transformovaných a exportovaných záznamů. Každý rozdíl musí mít vysvětlení.
Nastavte prahy a upozornění
Odchylka má být viditelná dříve, než ji objeví uživatel v reportu. Alert musí obsahovat kontext a vlastníka, nikoli pouze číslo.
Analyzujte incidenty podél celé cesty
Při chybě zachovejte identifikátor dávky nebo korelační ID, aby bylo možné dohledat záznam ve všech krocích procesu.
Čemu se naopak vyhnout
- Kontrole pouze finálního reportu bez znalosti mezikroků.
- Tichému převodu chybných hodnot na prázdné nebo výchozí údaje.
- Metrikám bez prahu, vlastníka a dohodnuté reakce.
- Směšování technicky validních dat s obchodně správnými daty.
- Opravám jednotlivých záznamů bez odstranění systémové příčiny.
Praktický příklad
Po importu soubor obsahuje 100 000 kontaktů. Validace odmítne 2 000, deduplikace spojí 3 500 a segmentace vybere 41 000. Export ale odešle pouze 38 200. Díky průběžným kontrolám je zřejmé, že rozdíl vznikl až mezi segmentací a exportem, nikoli ve zdrojovém souboru.
QA pak může ověřit limity dávky, filtry souhlasu a opakované pokusy. Bez datové stopy by tým hledal chybu v celém systému.
Ponaučení pro praxi
Datová kvalita není jedna kontrola na konci. Je to síť očekávání, měření a dohledatelnosti, která umožní zachytit odchylku tam, kde vznikla.
Správný postup nemusí být složitý. Důležité je, aby byl vědomý, opakovatelný a aby tým dokázal vysvětlit, proč zvolil právě tento způsob kontroly. Kvalita nevzniká jedním nástrojem ani jednou rolí; vzniká kombinací dobrých otázek, důkazů a následné zpětné vazby.