Data Quality ile Data Governance Arasındaki Fark: Sonuç ve Çerçeve

Biri verinin durumu, öteki karar çerçevesi

Veri kalitesi, verinin kullanılacağı amaca ne kadar uygun olduğunu anlatır ve bu uygunluğu ölçüp iyileştiren çalışmaların bütününe de verilen addır. Bir müşteri kaydının telefon alanı boşsa, aynı müşteri sistemde birden çok kez geçiyorsa ya da teslim tarihi sipariş tarihinden önce görünüyorsa, bu bir veri kalitesi sorunudur.

Veri yönetişimi ise bu sorunların kimin sorumluluğunda olduğunu, hangi kalite düzeyinin kabul edilebilir sayılacağını, kuralların nasıl yazılıp denetleneceğini ve anlaşmazlıkların nasıl karara bağlanacağını belirleyen çerçevedir. Kısacası veri kalitesi ölçülen ve iyileştirilen sonuçtur; veri yönetişimi bu sonucu sürdürülebilir kılan sahiplik ve kural düzenidir. Yönetişim ihtiyacı genellikle somut bir kalite sorunuyla fark edildiği için bu kavramlar sık birbirinin yerine kullanılır.

Ölçüt satırlarıyla farklar

• Ana soru: Veri kalitesi / bu veri işimizi görecek kadar doğru, eksiksiz ve tutarlı mı? Veri yönetişimi / bu veri hakkında kim karar verir, kurallar nelerdir?
• Kapsam: Veri kalitesi / belirli veri setleri, alanlar ve kurallar. Veri yönetişimi / kurumun tüm veri varlıkları; kalitenin yanında güvenlik, gizlilik, saklama, meta veri ve erişim.
• Tipik çalışmalar: Veri kalitesi / veri profili çıkarma, kalite kuralı yazma, ölçüm, temizleme, mükerrer kayıt eşleştirme, kök neden analizi. Veri yönetişimi / politika ve standart yazma, veri sahibi ve veri sorumlusu atama, iş sözlüğü, karar kurulu, uyum takibi.
• Ölçüm birimi: Veri kalitesi / kural bazında geçen ve kalan kayıtlar, kalite boyutlarına göre göstergeler. Veri yönetişimi / sahiplenilen veri alanları, onaylanmış tanımlar, kapanan sorun kayıtları, uyum düzeyi.
• Araçlar: Veri kalitesi / profil çıkarma ve doğrulama araçları, veri boru hattı içi testler. Veri yönetişimi / veri kataloğu, iş sözlüğü, iş akışı ve onay araçları.
• Hata türü: Veri kalitesi eksikse yanlış rapor ve hatalı operasyon doğar. Veri yönetişimi eksikse aynı kalite sorunu düzeltilir ama tekrar eder, çünkü sahibi ve önleyici kuralı yoktur.

Bir kalite sorununun yaşam döngüsünde iş bölümü

Örneğin bir lojistik şirketinde teslimat adreslerinde posta kodu alanı sık hatalı ve kargolar geri dönüyor. Sorunun ele alınışı şu aşamalardan geçer: • Tespit: Veri kalitesi analisti adres tablosunun profilini çıkarır; boş, biçimsiz ve il ile uyuşmayan kayıtları kural bazında ölçer. • Sahiplik: Yönetişim çerçevesi devreye girer; adres verisinin sahibi olan operasyon birimi belirlenir, veri sorumlusu sorunu kayda alır. • Kabul düzeyi: Veri sahibi hangi oranda hatanın kabul edilemez olduğuna ve önceliğe karar verir. • Kök neden: Analist ve veri sorumlusu hatanın müşteri hizmetleri ekranındaki serbest metin alanından geldiğini bulur. • Düzeltme: Mevcut kayıtlar temizlenir; bu bir kalite işidir. • Önleme: Ekrana doğrulama eklenmesi kararı alınır, kural standarda yazılır, ölçüm kalıcı panoya bağlanır; bu bir yönetişim işidir.

Yalnız düzeltme yapılırsa kısa süre sonra aynı tablo yeniden kirlenir. Yalnız politika yazılırsa da ölçüm olmadığı için kimse sorunun büyüdüğünü fark etmez.

Veri kalitesinin boyutları ve yönetişime bağlandığı yer

Veri kalitesi genellikle boyutlar üzerinden ölçülür. Sık kullanılan boyutlar arasında doğruluk, eksiksizlik, tutarlılık, güncellik, geçerlilik ve benzersizlik yer alır. Hangi boyutun hangi veri için önemli olduğu kullanım amacına göre değişir: bir pazarlama listesinde güncellik öne çıkarken finansal raporlamada doğruluk ve tutarlılık belirleyicidir.

Bu noktada yönetişim devreye girer. Bir alan için hangi boyutun ölçüleceğine, eşiğin ne olacağına ve eşik aşıldığında kimin harekete geçeceğine veri sahibi karar verir; karar standart olarak yazılır ve veri kataloğunda görünür hale getirilir. Kalite ekibi ölçer ve raporlar, yönetişim ise ölçümün sonuca bağlanmasını sağlar. Kritik veri öğelerinin belirlenmesi de ortak bir iştir: her alanı ölçmek yerine iş açısından en önemli alanlara odaklanmak hem kalite hem yönetişim çalışmasını yönetilebilir kılar.

Hangi sorunda hangisinden başlanmalı?

Başlangıç noktası, kurumun yaşadığı soruna göre seçilir: • Belirli bir rapor, kampanya ya da yapay zeka projesi kirli veri yüzünden takılıyorsa: hedefli bir veri kalitesi çalışmasıyla başlanır; profil çıkarılır, kurallar yazılır, temizlik yapılır. • Aynı kalite sorunları düzeltildikten sonra tekrar ediyorsa: eksik olan yönetişimdir; sahiplik ve önleyici kural tanımlanmalıdır. • Birimler aynı verinin tanımında anlaşamıyorsa: bu bir kalite değil yönetişim sorunudur; önce tanım ve karar mekanizması kurulur. • Mevzuat ya da denetim baskısı varsa: yönetişim çerçevesi öncelik kazanır, kalite ölçümü bu çerçevenin bir parçası olarak gelir.

Pratikte en verimli yol, yönetişimi soyut bir program olarak değil, somut bir kalite sorunu üzerinden başlatmaktır. İlk kalite projesi sahiplik modelini, karar akışını ve ölçüm alışkanlığını sınar; sonra aynı model başka veri alanlarına yayılır.

Sık yapılan hatalar da bu ilişkiyi gösterir. Kalite ekibine sahiplik yetkisi vermeden sorunları çözmesini beklemek, ekibi sürekli temizlik yapan bir birime dönüştürür. Yönetişim kurulunu kalite ölçümü olmadan kurmak, kararların dayanaksız kalmasına yol açar. Kalite göstergelerini yalnız teknik ekibin göreceği bir panoda tutmak da veri sahiplerinin sorumluluk almasını zorlaştırır; göstergeler, ilgili iş biriminin düzenli yönetim toplantılarında konuşulmalıdır.

Mindset programlarında veri kalitesi ve yönetişim

Veri Yönetişimi ve Veri Kalitesi eğitimi; yönetişim temelleri, kalite boyutları, kalite değerlendirme süreçleri, roller ve sorumluluklar ile kalite iyileştirme projeleri başlıklarıyla kalite ve yönetişimi aynı programda birleştirir. Veri sahipliği modelini kurmak isteyen analitik, raporlama ve operasyon ekipleri için uygundur.

Yapay zeka projeleri için veri hazırlayan ekiplere Yapay Zeka için Veri Hazırlığı ve Veri Kalitesi; kalite boyutları ve ölçümü, veri temizleme ve dönüştürme, veri etiketleme ile sürdürülebilir kalite başlıklarını işler. Kurum ölçeğinde program kurmak isteyenler için Veri Yönetişimi Uzmanlığı (Data Governance) Sertifika Programı, veri profili çıkarma ve kalite iyileştirmeyi politika, meta veri ve uyum başlıklarıyla birlikte ele alır.