Validering vs. Verifisering: Hva Er Forskjellen?

i lekmann vilkår, data verifisering og datavalidering kan høres ut som de er det samme. Når du dykker inn i vanskelighetene med datakvalitet, er disse to viktige brikkene imidlertid tydelig forskjellige. Å vite forskjellen kan hjelpe deg med å bedre forstå det større bildet av datakvalitet.

hva er datavalidering?

i et nøtteskall er datavalidering prosessen med å bestemme om et bestemt stykke informasjon faller innenfor det akseptable verdiområdet for et gitt felt.

i Usa bør for eksempel hver gateadresse inneholde et eget felt for staten. Visse verdier som NH, ND, AK og TX samsvarer med listen over statlige forkortelser som definert av US Postal Service. Som du vet, angir disse forkortelsene bestemte stater.

det finnes også forkortelser med to tegn for amerikanske territorier, Som Guam («GU») og Nord-Marianene («MP»). Hvis du skulle skrive inn » ZP «eller» A7 » i stat-feltet, ville du i hovedsak ugyldiggjøre hele adressen, fordi ingen slik stat eller territorium eksisterer. Datavalidering vil utføre en kontroll mot eksisterende verdier i en database for å sikre at de faller innenfor gyldige parametere.

for en liste over adresser som inkluderer land utenfor USA, må feltet stat/provins/territorium valideres mot en betydelig lengre liste over mulige verdier, men det grunnleggende premisset er det samme. (FYI, Tilbyr Nettopp adressevalideringsløsninger)

for eksempel, i noen tilfeller må du kanskje sette grenser rundt mulige numeriske verdier for et gitt felt, om enn med litt mindre presisjon enn i forrige eksempel. Hvis du registrerer en persons høyde, vil du kanskje forby verdier som faller utenfor det forventede området. Hvis en person er oppført i databasen din som 12 meter høy (ca 3 meter), kan du sannsynligvis anta at dataene er feil. På samme måte vil du ikke tillate negative tall for dette feltet.

Heldigvis utføres slike valideringskontroller vanligvis på programnivå eller databasenivå. Hvis du for eksempel skriver inn EN amerikansk-basert leveringsadresse i et e-handelsnettsted, er det lite sannsynlig at Du vil kunne skrive inn en statskode som er ugyldig for Usa.

hva er dataverifisering, og hvordan er det annerledes?

dataverifisering, derimot, er faktisk ganske forskjellig fra datavalidering. Verifikasjon utfører en kontroll av gjeldende data for å sikre at de er nøyaktige, konsistente og gjenspeiler det tiltenkte formål.

Verifisering kan også skje når som helst. Verifisering kan med andre ord skje som en del av en gjentakende datakvalitetsprosess, mens validering vanligvis skjer når en post først opprettes eller oppdateres.

Verifisering spiller en spesielt viktig rolle når data overføres eller flettes fra eksterne datakilder. Vurder saken om et selskap som nettopp har kjøpt en liten konkurrent. De har besluttet å slå sammen den oppkjøpte konkurrentens kundedata i sitt eget faktureringssystem. Som en del av migreringsprosessen, er det viktig å kontrollere at postene kom over riktig fra kildesystemet.

Små feil i å forberede data for migrasjon kan noen ganger føre til store problemer. Hvis et nøkkelfelt i kundemastoppføringen er tilordnet feil (for eksempel hvis et celleområde i et regneark utilsiktet ble flyttet opp eller ned da dataene ble utarbeidet), kan det føre til at leveringsadresser eller utestående fakturaer blir tildelt feil kunde.

det Er derfor viktig å kontrollere at informasjonen i målsystemet samsvarer med informasjonen fra kildesystemet. Dette kan gjøres ved å samle inn data fra både kilde-og destinasjonssystemene for å verifisere nøyaktigheten manuelt, eller det kan innebære automatiserte prosesser som utfører full verifisering av de importerte dataene, som samsvarer med alle postene og flagger unntak.

Verifisering som en pågående prosess

Verifisering er ikke begrenset til dataoverføring. Det spiller også en viktig rolle i å sikre nøyaktigheten og konsistensen av bedriftens data over tid.

Tenk deg at du har en eksisterende database med forbrukere som har kjøpt produktet ditt, og du vil sende dem en kampanje for et nytt tilbehør til det produktet. Noen av at kundeinformasjon kan være utdatert, så det er verdt å kontrollere dataene i forkant av din mailing.

ved å sjekke kundeadresser mot en adresseendringsdatabase fra posttjenesten, kan du identifisere kunderegistre med utdaterte adresser. I mange tilfeller kan du til og med oppdatere kundeinformasjonen som en del av denne prosessen.

Identifisering av dupliserte poster Er en annen viktig data verifikasjonsaktivitet. Hvis kundedatabasen din viser samme kunde tre eller fire ganger, vil du sannsynligvis sende dem dupliserte utsendelser. Dette koster deg ikke bare mer penger, det resulterer også i en negativ kundeopplevelse.

for å gjøre dedupliseringsprosessen mer utfordrende, kan det hende at flere poster for samme kunde er opprettet ved hjelp av litt forskjellige variasjoner av en persons navn. Verktøy som bruker fuzzy logikk for å identifisere mulige og sannsynlige treff kan gjøre prosessen fungerer bedre.

datakvalitetsmandatet

Flere og flere bedriftsledere kommer til å forstå den strategiske verdien av data i innsikten som kan hentes fra den ved hjelp av kunstig intelligens/maskinlæring og moderne business intelligence-verktøy.

Dessverre gjelder det gamle ordtaket «søppel inn, søppel ut» nå mer enn noensinne. Etter hvert som volumet av data øker, er det viktig at datadrevne selskaper setter proaktive tiltak på plass for å overvåke og administrere datakvalitet på rutinemessig basis. Ellers risikerer de å handle på innsikt som er basert på feil informasjon.

for å lære mer, les vår ebok: Hvordan» God Nok » Kvalitet Eroderer Tillit til Datainnsikt