دسترسی نامحدود
برای کاربرانی که ثبت نام کرده اند
برای ارتباط با ما می توانید از طریق شماره موبایل زیر از طریق تماس و پیامک با ما در ارتباط باشید
در صورت عدم پاسخ گویی از طریق پیامک با پشتیبان در ارتباط باشید
برای کاربرانی که ثبت نام کرده اند
درصورت عدم همخوانی توضیحات با کتاب
از ساعت 7 صبح تا 10 شب
ویرایش: [1 ed.]
نویسندگان: Laura Sebastian-Coleman
سری:
ISBN (شابک) : 0123970334, 9780123970336
ناشر: Morgan Kaufmann
سال نشر: 2013
تعداد صفحات: 376
[404]
زبان: English
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود)
حجم فایل: 6 Mb
در صورت تبدیل فایل کتاب Measuring Data Quality for Ongoing Improvement: A Data Quality Assessment Framework به فرمت های PDF، EPUB، AZW3، MOBI و یا DJVU می توانید به پشتیبان اطلاع دهید تا فایل مورد نظر را تبدیل نمایند.
توجه داشته باشید کتاب اندازه گیری کیفیت داده ها برای بهبود در حال انجام: یک چارچوب ارزیابی کیفیت داده ها نسخه زبان اصلی می باشد و کتاب ترجمه شده به فارسی نمی باشد. وبسایت اینترنشنال لایبرری ارائه دهنده کتاب های زبان اصلی می باشد و هیچ گونه کتاب ترجمه شده یا نوشته شده به فارسی را ارائه نمی دهد.
چارچوب ارزیابی کیفیت دادهها به شما نشان میدهد که چگونه کیفیت دادهها را اندازهگیری و نظارت کنید و کیفیت را در طول زمان تضمین کنید. شما با مفاهیم کلی اندازه گیری شروع می کنید و از طریق چارچوب مفصلی از بیش از سه دوجین نوع اندازه گیری مرتبط با پنج بعد عینی کیفیت: کامل بودن، به موقع بودن، سازگاری، اعتبار و یکپارچگی کار می کنید. اندازه گیری مداوم، به جای فعالیت های یک بار، به سازمان شما کمک می کند تا به سطح جدیدی از کیفیت داده ها برسد. این رویکرد به زبان ساده برای اندازهگیری دادهها را میتوان هم برای کسبوکار و هم برای فناوری اطلاعات درک کرد و راهنماییهای عملی در مورد نحوه اعمال DQAF در هر سازمانی ارائه میکند که شما را قادر میسازد اندازهگیریها را اولویتبندی کنید و به طور مؤثر نتایج را گزارش کنید. استراتژیهایی برای استفاده از اندازهگیری دادهها برای حاکمیت و بهبود کیفیت دادهها و دستورالعملهایی برای اعمال چارچوب در یک دارایی داده گنجانده شده است. شما می توانید اولویت بندی کنید که کدام نوع اندازه گیری را اجرا کنید، بدانید که آنها را در کجای یک جریان داده قرار دهید و چند بار اندازه گیری کنید. مدلهای مفهومی رایج برای تعریف و ذخیرهسازی نتایج کیفیت دادهها برای اهداف تحلیل روند و همچنین الزامات تجاری عمومی برای اندازهگیری و نظارت مستمر شامل محاسبات و مقایسهها که اندازهگیریها را معنادار میکند و به درک روندها و تشخیص ناهنجاریها کمک میکند، نیز گنجانده شده است. نشان میدهد که چگونه از یک چارچوب اندازهگیری کیفیت داده مستقل از فناوری برای اولویتهای تجاری خاص و چالشهای کیفیت داده استفاده کنید، بحثهای بین کسبوکار و فناوری اطلاعات را با واژگان غیر فنی برای اندازهگیری کیفیت دادهها فعال میکند. نحوه اندازهگیری کیفیت دادهها را بهصورت مداوم با انواع اندازهگیری عمومی توصیف میکند. که در هر شرایطی قابل اعمال است
The Data Quality Assessment Framework shows you how to measure and monitor data quality, ensuring quality over time. You'll start with general concepts of measurement and work your way through a detailed framework of more than three dozen measurement types related to five objective dimensions of quality: completeness, timeliness, consistency, validity, and integrity. Ongoing measurement, rather than one time activities will help your organization reach a new level of data quality. This plain-language approach to measuring data can be understood by both business and IT and provides practical guidance on how to apply the DQAF within any organization enabling you to prioritize measurements and effectively report on results. Strategies for using data measurement to govern and improve the quality of data and guidelines for applying the framework within a data asset are included. You'll come away able to prioritize which measurement types to implement, knowing where to place them in a data flow and how frequently to measure. Common conceptual models for defining and storing of data quality results for purposes of trend analysis are also included as well as generic business requirements for ongoing measuring and monitoring including calculations and comparisons that make the measurements meaningful and help understand trends and detect anomalies. Demonstrates how to leverage a technology independent data quality measurement framework for your specific business priorities and data quality challenges Enables discussions between business and IT with a non-technical vocabulary for data quality measurement Describes how to measure data quality on an ongoing basis with generic measurement types that can be applied to any situation