DG Аналитическая сводка 4 Качество данных

Вопрос: Насколько важно для вашей работы высокое качество данных?

📌 Количественные итоги:

Ответ	Analytics	Data Engineers	Data Scientists	Business	Managers	Others	Итого
Критично важно	9	7	0	0	1	2	19
Важно	3	7	0	0	1	3	14
Не очень важно	0	0	0	0	0	0	0
Не имеет значения	0	0	0	0	0	1	1
Всего	12	14	0	0	2	6	34

---

🧠 Основные выводы:

• Подавляющее большинство участников (97%) отметили, что высокое качество данных является либо критично важным, либо важным фактором в их работе. Это демонстрирует чёткое осознание значимости качества данных для повседневных задач.

• 56% опрошенных считают высокое качество данных критически важным, особенно ярко это выражено среди аналитиков и инженеров данных, для которых качество напрямую влияет на эффективность работы и точность результатов.

---

✅ Рекомендации:

1. Продолжить развитие практик управления качеством данных:

   • Внедрить регулярный мониторинг и метрики качества для отслеживания его уровня в критичных процессах.

2. Провести дополнительное обучение и коммуникацию:

   • Усилить осведомлённость о стандартах качества данных среди всех ролей, включая нетехнические.

3. Исследовать причины исключений:

   • Провести индивидуальные интервью с представителями, считающими качество данных незначительным, чтобы понять возможные барьеры и скорректировать коммуникации.

4. Вовлекать все роли в процессы Data Governance:

   • Создавать межфункциональные рабочие группы, обеспечивая общий подход и понимание значимости качества данных для бизнеса и технических процессов.

Вопрос: Насколько вы доверяете данным, с которыми работаете ежедневно?

📌 Количественные итоги:

Ответ	Analytics	Data Engineers	Data Scientists	Business	Managers	Others	Итого
Полностью доверяю	2	4	0	0	0	1	7
В основном доверяю	8	6	0	0	1	4	19
Частично	1	2	0	1	0	0	4
Часто сомневаюсь	1	2	0	0	0	1	4
Всего	12	14	0	1	1	6	34

---

🧠 Основные выводы:

• 91% респондентов в целом доверяют данным, с которыми работают ежедневно, что свидетельствует о наличии уверенности в текущем качестве и надежности данных в большинстве процессов.

• 56% опрошенных отметили, что они в основном доверяют данным, что может говорить о незначительных сомнениях, но в целом данные воспринимаются как достаточно надежные.

• 20% респондентов полностью доверяют данным, что является хорошим показателем зрелости процессов работы с данными.

• В то же время 13% респондентов высказывают сомнения в данных, с которыми работают ежедневно, что указывает на потенциальные проблемы с качеством данных или их источниками.

• Менеджеры и прочие роли менее уверены в данных, чем инженеры данных, что может указывать на недостаточное вовлечение этих ролей в процессы контроля и улучшения качества данных.

---

✅ Рекомендации:

1. Провести аудит качества данных:

   • Выявить возможные слабые места и источники сомнений в данных, с которыми работают сотрудники, для повышения уверенности в их точности и актуальности.

2. Усилить процессы верификации и очистки данных:

   • Убедиться, что данные проходят регулярную проверку и очистку, чтобы снизить уровень сомнений в их качестве.

3. Обучение и вовлечение всех ролей в процессы контроля качества данных:

   • Провести обучающие мероприятия для всех сотрудников, включая менеджеров и аналитиков, чтобы повысить их уверенность в данных, с которыми они работают.

4. Установить чёткие каналы для обратной связи по качеству данных:

   • Внедрить систему для быстрого выявления и устранения проблем с данными, что поможет снизить количество сомнений и повысить доверие к данным.

Вопрос: Возникают ли у вас сомнения в корректности данных?

📌 Количественные итоги:

Ответ	Analytics	Data Engineers	Data Scientists	Business	Managers	Others	Итого
Часто	2	2	0	0	0	1	5
Никогда	2	1	0	0	0	0	3
Иногда	5	6	0	2	3	3	19
Редко	3	4	0	0	0	2	9
Всего	12	13	0	2	3	6	36

---

🧠 Основные выводы:

• 67% респондентов отмечают, что иногда или редко сомневаются в корректности данных, что свидетельствует о достаточно высоком уровне доверия к данным, но все же наличии случаев, когда сомнения возникают.

• 14% респондентов часто сомневаются в корректности данных, что может сигнализировать о проблемах с качеством данных или их источниками, особенно в контексте таких ролей как Data Engineers.

• 8% респондентов никогда не сомневаются в корректности данных, что является позитивным индикатором высокой уверенности в качестве данных.

• Респонденты, работающие с данными на техническом уровне (например, Data Engineers), чаще всего высказывают сомнения в корректности данных, что логично, учитывая их роль в обеспечении чистоты и точности данных.

---

✅ Рекомендации:

1. Провести дополнительный аудит данных:

   • Выявить источники сомнений, особенно среди Data Engineers, чтобы определить, где могут возникать проблемы с корректностью данных и как их можно устранить.

2. Усилить процессы верификации и очистки данных:

   • Внедрить или усовершенствовать механизмы для регулярной проверки корректности данных, что поможет снизить уровень сомнений и повысить уверенность в данных.

3. Информировать и обучать сотрудников по вопросам качества данных:

   • Обучить сотрудников, особенно тех, кто работает с данными, на регулярной основе, чтобы они могли быстро выявлять и устранять ошибки, а также знать, как работать с сомнительными данными.

4. Создать систему для быстрого обнаружения и исправления ошибок данных:

   • Внедрить систему для более оперативного обнаружения и исправления ошибок данных, чтобы минимизировать сомнения и повысить качество работы с данными.

Вопрос: Есть ли в вашей команде процедуры для проверки качества данных?

📌 Количественные итоги:

Ответ	Analytics	Data Engineers	Data Scientists	Business	Managers	Others	Итого
Не знаю	1	2	0	0	0	0	3
Да, формализованные	3	7	0	0	0	4	14
Есть неформальные подходы	6	3	0	1	0	0	10
Нет	2	1	0	1	1	2	7
Всего	12	13	0	2	1	6	34

---

🧠 Основные выводы:

• 41% респондентов сообщают, что у их команды существуют формализованные процедуры для проверки качества данных, что свидетельствует о наличии структурированных процессов.

• 29% респондентов используют неформальные подходы для проверки качества данных, что может указывать на необходимость улучшения формализации процессов, особенно среди аналитиков и инженеров данных.

• 21% респондентов заявляют, что в их команде нет процедур для проверки качества данных, что является тревожным сигналом для повышения качества работы с данными в таких командах, как Data Engineers и Managers.

• **8% респондентов ** не знают, существуют ли процедуры в их команде, что может свидетельствовать о низкой осведомленности или недостаточной организации работы с качеством данных.

---

✅ Рекомендации:

1. Установить и закрепить формализованные процедуры для всех команд:

   • Для улучшения управления качеством данных, следует внедрить единые и формализованные процессы по проверке качества данных, с обязательным документированием и отслеживанием.

2. Обучение и вовлечение всех участников в процессы контроля качества:

   • Провести тренинги для всех сотрудников по важности процедур контроля качества данных и внедрению лучших практик, чтобы повысить уровень вовлеченности.

3. Усилить коммуникацию и контроль:

   • Создать механизмы для постоянного контроля соблюдения процедур качества данных, чтобы процессы не оставались лишь на бумаге, а эффективно использовались в повседневной работе.

4. Разработать стандарты качества данных для всех команд:

   • Создать и внедрить стандарты качества данных, которые бы охватывали все этапы работы с данными, от сбора до анализа и хранения, и обеспечивали бы высокую степень согласованности.

Вопрос: Кто отвечает за контроль качества данных в вашей области?

📌 Количественные итоги:

Ответ	Analytics	Data Engineers	Data Scientists	Business	Managers	Others	Итого
Назначенный специалист или владелец данных	2	3	0	1	0	4	10
Никто не назначен	3	2	0	0	0	0	5
Команда целиком	5	7	0	1	1	1	15
Не знаю	2	1	0	0	0	1	4
Всего	12	13	0	2	1	6	34

---

🧠 Основные выводы:

• **44% респондентов ** утверждают, что команда целиком отвечает за контроль качества данных. Это может означать коллективную ответственность, но также указывает на возможное отсутствие четкой привязки ответственности.

• **29% респондентов ** считают, что назначенный специалист или владелец данных отвечает за контроль качества данных, что говорит о наличии назначенной ответственности в определенных случаях, но может быть ограничено масштабом.

• **15% респондентов ** сообщают, что никто не назначен для контроля качества данных, что может указывать на проблемы в распределении ответственности и необходимость улучшения структуры управления качеством данных.

• **12% респондентов ** не знают, кто отвечает за контроль качества данных, что может быть связано с отсутствием четкой информации и осведомленности по данному вопросу в командах.

---

✅ Рекомендации:

1. Назначить ответственных за контроль качества данных:

   • Четко определить ответственных за качество данных на каждом уровне: от владельцев данных до команд, чтобы обеспечить эффективный контроль и мониторинг.

2. Установить систему отчетности и ответственности:

   • Внедрить отчетность по качеству данных, в которой будут задокументированы процедуры, выполненные действия и результаты, чтобы повысить уровень прозрачности.

3. Повышение осведомленности и обучения:

   • Провести обучающие сессии для всех сотрудников по важности контроля качества данных и роли каждого участника в этом процессе.

4. Рассмотреть возможность назначения ответственных специалистов:

   • В тех случаях, где контроль качества данных неформализован, стоит рассмотреть возможность назначения специалистов для более четкого и структурированного подхода к управлению качеством данных.

Вопрос: Знаете ли вы, какие метрики используются для оценки качества данных?

📌 Количественные итоги:

Ответ	Analytics	Data Engineers	Data Scientists	Business	Managers	Others	Итого
Частично	5	8	0	2	2	2	19
Не знаю, что такое метрики качества	0	1	0	0	0	0	1
Да	2	3	0	0	0	3	8
Нет	5	1	0	0	0	1	7
Всего	12	13	0	2	2	6	34

---

🧠 Основные выводы:

• 56% респондентов знают частично, какие метрики используются для оценки качества данных. Это может означать, что в командах имеется поверхностное знание о метриках, но не всех аспектах их применения.

• 24% респондентов утверждают, что они знают метрики для оценки качества данных, что говорит о наличии осведомленности в этом вопросе, однако это все еще небольшая доля.

• 21% респондентов не знают, какие метрики используются для оценки качества данных, что сигнализирует о серьезных проблемах с обучением и информированностью сотрудников.

• **2% респондентов ** не понимают, что такое метрики качества данных, что может быть связано с недостаточным пониманием основ работы с данными и важности метрик для их оценки.

---

✅ Рекомендации:

1. Обучение и распространение знаний о метриках качества данных:

   • Провести обучающие мероприятия для сотрудников, чтобы они были знакомы с ключевыми метриками качества данных (например, полнота, точность, консистентность, актуальность).

2. Создание документации и регламентов:

   • Разработать и распространить официальную документацию о метриках качества данных, чтобы каждый сотрудник знал, какие именно метрики используются в компании и как они влияют на работу.

3. Интеграция метрик качества данных в повседневные процессы:

   • Внедрить использование метрик качества данных в процессы сбора, обработки и анализа данных, чтобы они становились частью ежедневной работы и помогали улучшить процессы принятия решений.

4. Регулярная оценка метрик качества данных:

   • Установить регулярные проверки и мониторинг метрик качества данных, чтобы оценить их эффективность и своевременно вносить изменения в процессы обработки данных.

Вопрос: Какой инструмент/способ вы используете для контроля качества данных?

📌 Количественные итоги:

Ответ	Analytics	Data Engineers	Data Scientists	Business	Managers	Others	Итого
Не используется	1	3	0	1	0	1	6
SQL-запросы	7	1	0	0	0	4	12
Специализированные инструменты	3	7	0	1	0	0	11
BI/дашборд	1	2	0	0	0	1	4
Всего	12	13	0	2	0	6	33

---

🧠 Основные выводы:

• **36% респондентов ** используют SQL-запросы для контроля качества данных, что свидетельствует о распространённости базового подхода для проверки данных в аналитических и инженерных командах.

• **33% респондентов используют специализированные инструменты для контроля качества данных, что указывает на наличие более сложных и системных решений для мониторинга качества данных, особенно среди инженеров данных.

• 18% респондентов не используют конкретные инструменты или способы контроля качества данных, что может указывать на пробелы в процессах или на отсутствие необходимых инструментов в командах.

• 12% респондентов используют BI/дашборды, что может означать более визуализированный подход к мониторингу качества данных, но этот метод распространён не так широко, как SQL-запросы или специализированные инструменты.

---

✅ Рекомендации:

1. Повышение осведомленности о специализированных инструментах:

   • Организовать обучение по использованию специализированных инструментов для контроля качества данных, чтобы улучшить процессы и повысить эффективность.

2. Внедрение централизованных решений для контроля качества:

   • Рассмотреть возможность внедрения централизованных платформ или систем для мониторинга качества данных, чтобы повысить доступность и прозрачность процессов.

3. Регулярное использование BI-дашбордов:

   • Рекомендуется интегрировать BI-дашборды в процесс контроля качества данных для визуализации состояния качества в реальном времени, что позволит оперативно реагировать на проблемы.

4. Улучшение процессов и инструментов контроля:

   • Для команд, не использующих специализированные инструменты или SQL-запросы, разработать стандарты и внедрить подходящие решения для повышения качества данных.

Вопрос: Проводятся ли в вашей организации регулярные аудиты качества данных?

📌 Количественные итоги:

Ответ	Analytics	Data Engineers	Data Scientists	Business	Managers	Others	Итого
Никогда	0	1	0	0	0	1	2
Иногда	4	7	0	1	0	2	14
Да, на регулярной основе	4	3	0	1	0	2	10
Очень редко	4	2	0	0	1	1	8
Всего	12	13	0	2	1	6	34

---

🧠 Основные выводы:

• **41% респондентов ** утверждают, что иногда проводятся аудиты качества данных, что говорит о наличии процессов, но без регулярности и системности.

• **29% респондентов ** заявляют, что аудиты качества данных проводятся на регулярной основе, что является положительным признаком для зрелости управления качеством данных в организации.

• 24% респондентов указывают, что аудиты качества данных проводятся очень редко, что может свидетельствовать о недостаточной приверженности контролю качества данных на уровне организации.

• 6% респондентов говорят, что аудиты качества данных не проводятся вообще, что указывает на отсутствие системных проверок данных.

---

✅ Рекомендации:

1. Внедрение регулярных и системных аудитов качества данных:

   • Установить регулярные процессы аудита качества данных на всех уровнях, чтобы улучшить надежность и точность данных в организации.

2. Автоматизация аудитов качества данных:

   • Рассмотреть внедрение автоматизированных инструментов для проверки качества данных, что позволит повысить эффективность аудитов и снизить зависимость от ручных процессов.

3. Повышение осведомленности и вовлеченности:

   • Убедиться, что все ключевые роли, такие как аналитики и инженеры данных, активно вовлечены в процессы аудита качества данных и понимают важность этих мероприятий для работы.

4. Стандартизация и документация процессов аудита:

   • Разработать и задокументировать стандарты проведения аудита качества данных, чтобы обеспечить прозрачность и единообразие подходов внутри организации.

Вопрос: Как осуществляется фиксация ошибок в данных?

📌 Количественные итоги:

Ответ	Analytics	Data Engineers	Data Scientists	Business	Managers	Others	Итого
Через тикеты/систему учета	6	11	0	2	0	3	22
Не знаю	2	1	0	0	0	3	6
Не фиксируются	1	0	0	0	0	0	1
Вручную (таблицы, email)	3	1	0	0	0	0	4
Всего	12	13	0	2	0	6	33

---

🧠 Основные выводы:

• 66% респондентов фиксируют ошибки в данных через тикеты или систему учета, что свидетельствует о наличии структурированного подхода к фиксации ошибок, что важно для отслеживания и устранения проблем с данными.

• 18% респондентов не знают, как осуществляется фиксация ошибок в данных, что может быть признаком недостаточной осведомленности или недостаточной документированности процессов.

• 12% респондентов фиксируют ошибки вручную, используя таблицы или email, что указывает на менее формализованный процесс и возможные проблемы с эффективностью и отслеживанием.

• 3% респондентов заявили, что ошибки не фиксируются, что является тревожным сигналом о полном отсутствии процедур для выявления и устранения ошибок в данных.

---

✅ Рекомендации:

1. Автоматизация фиксации ошибок:

   • Рассмотреть внедрение автоматизированных инструментов для фиксации и отслеживания ошибок в данных через системы мониторинга и валидации данных.

2. Повышение осведомленности о процессах:

   • Провести обучение для сотрудников, особенно для аналитиков и инженеров данных, чтобы все знали, как правильно фиксировать и сообщать об ошибках в данных.

3. Интеграция процессов в рабочие системы:

   • Внедрить процессы фиксации ошибок непосредственно в используемые рабочие инструменты (например, через автоматизированные тикет-системы), чтобы упростить и ускорить выявление и устранение ошибок.

4. Регулярный аудит процессов фиксации ошибок:

   • Провести аудит текущих процессов фиксации ошибок в данных и выработать рекомендации для улучшения, включая стандарты и лучшие практики для всех участников процесса.

Вопрос: Есть ли SLA или KPI, связанные с качеством данных?

📌 Количественные итоги:

Ответ	Analytics	Data Engineers	Data Scientists	Business	Managers	Others	Итого
Нет	3	2	0	0	2	2	9
Да	3	5	0	0	1	1	10
Не знаю	5	3	0	0	0	3	11
В процессе внедрения	1	3	0	0	1	0	5
Всего	12	13	0	0	4	6	36

---

🧠 Основные выводы:

• 28% респондентов подтверждают, что в организации существуют SLA или KPI, связанные с качеством данных, что указывает на наличие формализованных целей и стандартов в управлении качеством данных.

• 25% респондентов заявили, что таких SLA или KPI нет, что может говорить о недостаточной формализации процессов контроля качества данных.

• 31% респондентов не знают, есть ли в организации SLA или KPI для качества данных. Это сигнализирует о недостаточной прозрачности в установлении и коммуницировании таких стандартов.

• 14% респондентов сообщили, что процесс внедрения этих стандартов всё ещё в стадии реализации, что указывает на попытки улучшить контроль за качеством данных, но в целом говорит о недостаточной зрелости в области управления качеством.

---

✅ Рекомендации:

1. Утверждение SLA и KPI для качества данных:

   • Разработать и утвердить четкие SLA и KPI для качества данных, чтобы создать формализованную систему контроля и обеспечения качества данных.

2. Обучение и коммуникация:

   • Провести обучение сотрудников о существующих или внедряемых SLA и KPI для качества данных, чтобы повысить осведомленность и соответствие стандартам.

3. Регулярное отслеживание и улучшение:

   • Организовать регулярный мониторинг выполнения SLA и KPI, чтобы обеспечить постоянное улучшение процессов управления качеством данных.

4. Интеграция с бизнес-процессами:

   • Включить SLA и KPI по качеству данных в ключевые бизнес-процессы и отчётность, чтобы все заинтересованные стороны были вовлечены в управление качеством данных.

Вопрос: Какие виды ошибок в данных вы чаще всего встречаете?

📌 Количественные итоги:

Ответ	Analytics	Data Engineers	Data Scientists	Business	Managers	Others	Итого
Дубли	4	4	0	1	2	2	13
Пропущенные значения	3	1	0	0	0	2	6
Неверные форматы	2	6	0	0	0	2	10
Ошибки при ручном вводе	2	0	0	0	1	0	3
Устаревшие данные	1	2	0	0	0	0	3
Всего	12	13	0	1	3	6	35

---

🧠 Основные выводы:

• Дубли данных — 37% — являются наиболее часто встречаемой ошибкой в данных. Это может указывать на проблемы с валидацией данных и контролем на этапах загрузки или интеграции данных.

• Неверные форматы данных — 29% — также являются одной из наиболее частых проблем, что говорит о необходимости стандартизации форматов данных на всех уровнях.

• Пропущенные значения — 6 ответов (17%) — являются распространённой ошибкой, что может быть связано с неполной валидацией данных или недостаточной обработкой отсутствующих значений.

• Ошибки при ручном вводе — 9% — указывают на потребность в улучшении интерфейсов ввода данных или внедрении автоматизации.

• Устаревшие данные — 9% — менее часто встречаются, но всё же представляют собой значимую проблему, требующую регулярных обновлений и поддержания актуальности данных.

---

✅ Рекомендации:

1. Внедрение более строгой валидации данных:

   • Разработать и внедрить более точные механизмы проверки данных, чтобы избежать дублирования и неверных форматов на всех этапах обработки.

2. Автоматизация ввода и обработки данных:

   • Минимизировать количество ошибок, связанных с ручным вводом данных, путём автоматизации процессов сбора и обработки данных.

3. Регулярное обновление данных:

   • Внедрить процессы, направленные на регулярное обновление и актуализацию данных, чтобы минимизировать количество устаревших данных.

4. Стандартизация форматов данных:

   • Разработать стандарты для форматов данных, чтобы исключить проблемы с их некорректной обработкой и использования.

Вопрос: Как часто приходится повторно перепроверять данные?

📌 Количественные итоги:

Ответ	Analytics	Data Engineers	Data Scientists	Business	Managers	Others	Итого
Иногда	10	5	0	1	1	1	18
Почти всегда	0	2	0	0	0	2	4
Редко	2	5	0	1	1	3	12
Никогда	0	1	0	0	0	0	1
Всего	12	13	0	2	2	6	35

---

🧠 Основные выводы:

• Наиболее частый ответ — “Иногда” — 51% указывает на необходимость периодической перепроверки данных, что может говорить о недостаточной автоматизации или контроле качества данных на этапе их обработки.

• “Почти всегда” — 1% предполагают, что в некоторых областях данных перепроверка необходима почти на каждом шаге, что может говорить о высоком уровне ошибок в этих данных.

• “Редко” — 34% свидетельствуют о том, что перепроверка данных не является регулярной практикой, что может указывать на высокую степень уверенности в корректности данных на большинстве этапов.

• “Никогда” — 3%, что предполагает, что в некоторых случаях перепроверка данных вообще не осуществляется, что может указывать на высокий уровень доверия к данным или отсутствие соответствующих процессов.

---

✅ Рекомендации:

1. Автоматизация проверок данных:

   • Внедрить автоматические инструменты и процессы, которые позволят снизить потребность в ручной перепроверке данных, особенно на этапах их обработки и загрузки.

2. Улучшение контроля качества данных:

   • Разработать и внедрить дополнительные этапы контроля качества данных на всех этапах их жизненного цикла, чтобы минимизировать ошибки и повысить уверенность в их корректности.

3. Повышение прозрачности данных:

   • Создать процессы для улучшения видимости качества данных и обеспечению легкости в их перепроверке, когда это необходимо.

4. Обучение и развитие культуры уверенности в данных:

   • Привести сотрудников к лучшему пониманию важности данных и внедрить механизмы, которые обеспечат их высокое качество на всех этапах.

Вопрос: Получаете ли вы уведомления о проблемах с качеством данных?

📌 Количественные итоги:

Ответ	Analytics	Data Engineers	Data Scientists	Business	Managers	Others	Итого
Не знаю, можно ли	0	1	0	0	0	0	1
Только от коллег	8	7	0	1	3	3	22
Да, автоматически	2	5	0	0	3	3	13
Никогда	2	0	0	0	1	0	3
Всего	12	13	0	1	7	6	39

---

🧠 Основные выводы:

• Большинство респондентов (56%) получают уведомления о проблемах с качеством данных только от коллег, что указывает на наличие неформальных процессов и взаимного обмена информацией, но отсутствие автоматизации и формализованных механизмов оповещения.

• 33% участников получают автоматические уведомления о проблемах с качеством данных, что является положительным признаком зрелости процессов, однако доля таких респондентов все еще недостаточно высока для зрелой системы управления качеством данных.

• 8% не получают уведомлений о проблемах с качеством данных, что свидетельствует о потенциальных проблемах с мониторингом и отчетностью по качеству данных.

---

✅ Рекомендации:

1. Автоматизация уведомлений:

   • Установить автоматизированные системы оповещения для проблем с качеством данных, чтобы обеспечить своевременное реагирование и предотвратить возможные ошибки на более поздних этапах обработки данных.

2. Увеличение прозрачности процессов:

   • Повысить осведомленность сотрудников о существующих механизмах уведомлений и разработать инструменты, позволяющие всем членам команды получать оперативную информацию о проблемах с качеством данных.

3. Формализация процессов уведомлений:

   • Стандартизировать и формализовать процесс уведомлений для всех сотрудников, чтобы каждый знал, как и когда он получит уведомление о проблемах с качеством данных.

4. Интеграция уведомлений с другими системами:

   • Интегрировать уведомления о проблемах с качеством данных в более широкие процессы мониторинга и управления данными, обеспечивая их доступность для всех ключевых участников.

Вопрос: Как быстро устраняются ошибки после их обнаружения?

📌 Количественные итоги:

Ответ	Analytics	Data Engineers	Data Scientists	Business	Managers	Others	Итого
В течение месяца	2	2	0	0	0	1	5
В течение недели	9	5	0	0	1	2	17
В течение дня	1	6	0	0	1	3	11
Не устраняются	0	0	0	0	0	0	0
Всего	12	13	0	0	7	6	33

---

🧠 Основные выводы:

• 55% респондентов заявляют, что ошибки устраняются в течение недели, что указывает на оперативное, но не всегда мгновенное решение проблем с качеством данных.

• 33% участников сообщают, что ошибки устраняются в течение дня, что является положительным индикатором высокой оперативности в устранении проблем.

• 15% участников считают, что ошибки устраняются в течение месяца, что указывает на возможные задержки в процессе исправления ошибок или на сложности, требующие более продолжительного времени для их устранения.

• Ни один респондент не указал, что ошибки не устраняются, что является положительным знаком для управления качеством данных.

---

✅ Рекомендации:

1. Ускорить процессы устранения ошибок:

   • Разработать и внедрить более оперативные процессы для устранения ошибок, особенно в критических случаях, чтобы минимизировать возможные задержки в данных.

2. Автоматизация и мониторинг ошибок:

   • Внедрить системы автоматического мониторинга качества данных и автоматизированные процедуры исправления для ускорения устранения ошибок в данных.

3. Тренировки и обучение:

   • Обучить сотрудников методам быстрого устранения ошибок и созданию механизмов обратной связи, чтобы повысить скорость реакции на проблемы с качеством данных.

4. Снижение времени устранения ошибок:

   • Оценить и оптимизировать текущие процессы обработки ошибок, чтобы сокращать время, необходимое для устранения проблем, до одного рабочего дня.

Вопрос: Есть ли SLA по устранению ошибок данных?

📌 Количественные итоги:

Ответ	Analytics	Data Engineers	Data Scientists	Business	Managers	Others	Итого
Да	3	4	0	1	0	0	8
Частично	1	2	0	1	2	2	6
Нет	0	0	0	0	0	1	1
Не знаю	8	7	0	0	0	3	18
Всего	12	13	0	2	2	6	33

---

🧠 Основные выводы:

• 24% участников имеют SLA по устранению ошибок данных, что указывает на определённую степень формализации и стандартизации в процессе устранения ошибок.

• 18% респондентов указали, что в их организациях есть частичный SLA, что может означать наличие критериев или временных рамок для некоторых ошибок, но без чёткого и универсального стандарта.

• 3% участников заявляют, что SLA нет, что указывает на возможные проблемы с контролем качества и временем устранения ошибок.

• 54% респондентов не знают, существуют ли SLA для устранения ошибок, что сигнализирует о недостаточной осведомлённости среди сотрудников и плохой коммуникации в этой области.

---

✅ Рекомендации:

1. Внедрить чёткие SLA для устранения ошибок данных:

   • Разработать и утвердить унифицированные SLA, которые определяют максимальные сроки устранения ошибок в зависимости от их критичности.

2. Повысить осведомлённость сотрудников о существующих SLA:

   • Разработать и провести кампанию для повышения осведомлённости сотрудников о существующих SLA, их важности и правилах выполнения.

3. Автоматизация процессов контроля качества:

   • Внедрить инструменты для автоматического отслеживания нарушений SLA и автоматического уведомления ответственных лиц.

4. Обучение и создание культуры управления качеством:

   • Провести обучение для сотрудников по важности SLA, их применению и роли в улучшении качества данных в компании.

Вопрос: Есть ли процесс оценки бизнес-рисков, связанных с ошибками в данных?

📌 Количественные итоги:

Ответ	Analytics	Data Engineers	Data Scientists	Business	Managers	Others	Итого
Да	2	1	0	0	0	0	3
Нет	1	2	0	0	0	0	3
Не знаю	4	10	0	0	0	5	19
Частично	4	0	0	2	1	1	8
Всего	11	13	0	2	1	6	40

---

🧠 Основные выводы:

• 7% участников имеют процесс оценки бизнес-рисков из-за ошибок в данных, что говорит о начальном уровне зрелости и важности оценки рисков в организации.

• **8% участников ** утверждают, что оценка бизнес-рисков не проводится в их области, что указывает на возможное игнорирование этой практики в некоторых подразделениях.

• 48% респондентов не знают, существует ли процесс оценки бизнес-рисков, что сигнализирует о недостаточной осведомлённости и низкой прозрачности в этом вопросе.

• 20% респондентов указывают, что процесс существует частично, что может означать незавершённость или фрагментарность подхода к оценке рисков.

---

✅ Рекомендации:

1. Разработать и внедрить процесс оценки бизнес-рисков:

   • Создать структурированную методологию для оценки бизнес-рисков, связанных с ошибками в данных, которая будет охватывать все ключевые области.

2. Увеличить осведомлённость сотрудников о процессе оценки рисков:

   • Провести внутренние семинары или рассылки для повышения осведомлённости среди сотрудников о существующем процессе, его важности и последствиях ошибок в данных.

3. Интегрировать оценку рисков в стратегические процессы:

   • Внедрить практики оценки рисков на всех уровнях — от ежедневных операций до стратегического планирования и принятия решений.

4. Регулярно обновлять и совершенствовать процесс:

   • Обеспечить регулярные обновления процесса оценки бизнес-рисков с учетом новых вызовов и изменений в работе с данными.

Вопрос: Участвовали ли вы в инцидентах, вызванных некачественными данными?

📌 Количественные итоги:

Ответ	Analytics	Data Engineers	Data Scientists	Business	Managers	Others	Итого
Нет	1	1	0	0	0	3	5
Да, неоднократно	9	9	0	2	0	1	21
Не знаю	1	3	0	0	0	1	5
Да, один раз	0	0	0	0	0	1	1
Всего	11	13	0	2	0	6	32

---

🧠 Основные выводы:

• 66% респондентов участвовали в инцидентах, вызванных некачественными данными, что свидетельствует о высокой частоте проблем с качеством данных в организациях.

• 16% респондентов утверждают, что не сталкивались с такими инцидентами, что может указывать на более стабильное состояние данных в некоторых областях.

• 16% респондентов не знают, были ли такие инциденты, что указывает на недостаток мониторинга или недостаточную осведомлённость о проблемах с качеством данных.

• Наиболее часто инциденты случаются среди Data Engineers — это может быть связано с их ключевой ролью в обработке и управлении данными.

---

✅ Рекомендации:

1. Провести анализ причин инцидентов с некачественными данными:

   • Определить основные источники проблем с качеством данных, чтобы понять, какие процессы или системы нуждаются в улучшении.

2. Усилить мониторинг и управление качеством данных:

   • Внедрить более систематическое отслеживание инцидентов и их последствий для улучшения процессов контроля и предотвращения ошибок.

3. Повысить осведомленность о качестве данных на всех уровнях:

   • Провести обучающие сессии для сотрудников, чтобы они могли быстрее идентифицировать и устранять проблемы с данными.

4. Установить чёткие процедуры для предотвращения и реагирования на инциденты:

   • Разработать формализованные процессы для обработки инцидентов, что позволит минимизировать их последствия и предотвратить повторение в будущем.

Вопрос: Какой уровень качества данных в вашей области?

📌 Количественные итоги:

Ответ	Analytics	Data Engineers	Data Scientists	Business	Managers	Others	Итого
Достаточный	8	10	0	2	4	4	28
Критически плохой	0	0	0	0	0	1	1
Очень высокий	3	2	0	0	0	0	5
Низкий	0	1	0	0	0	1	2
Всего	11	13	0	2	4	6	36

---

🧠 Основные выводы:

• 78% респондентов считают, что уровень качества данных в их области достаточен для эффективной работы, что указывает на преобладание положительных оценок.

• 14% респондентов оценивают качество данных как очень высокий, что говорит о стабильности и высокой надёжности данных в этих областях.

• Однако 8% респондентов имеют более критичную оценку, указывая на проблемы с качеством данных:

  • 1 респондент указал на критически плохое качество данных.

  • 2 респондента считают качество данных низким, что требует внимания к улучшению процессов и исправлению ошибок.

---

✅ Рекомендации:

1. Провести более глубокий анализ данных, особенно в областях, где респонденты считают качество данных недостаточным.

2. Разработать меры для улучшения качества данных:

   • Внедрить стандарты и процедуры, которые обеспечат стабильность и высокое качество данных на всех уровнях.

3. Систематизировать мониторинг качества данных:

   • Создать инструменты для регулярной проверки и оценки качества данных, чтобы выявлять и устранять проблемы на ранней стадии.

4. Обучение и повышение осведомленности сотрудников:

   • Повысить осведомленность и вовлеченность сотрудников в процессы обеспечения качества данных, а также предоставить им необходимые инструменты для эффективного контроля.

Вопрос: Насколько легко вам сообщить о проблеме с качеством данных?

📌 Количественные итоги:

Ответ	Analytics	Data Engineers	Data Scientists	Business	Managers	Others	Итого
Очень легко	11	10	0	2	4	0	27
Невозможно	0	0	0	0	0	1	1
Возможно, но сложно	0	3	0	0	0	1	4
Сложно	0	0	0	0	0	0	0
Всего	11	13	0	2	4	6	36

---

🧠 Основные выводы:

• 75% респондентов считают, что сообщить о проблемах с качеством данных очень легко, что свидетельствует о налаженной коммуникации и прозрачности в процессах.

• 11% респондентов сталкиваются с проблемами в сообщении о проблемах с качеством данных, указывая, что это возможно, но сложно.

• 3% респондентов считают, что сообщить о проблемах с качеством данных невозможно, что требует внимания и улучшения процесса коммуникации.

• 0% респондентов отметили, что сообщение о проблемах с качеством данных сложно.

---

✅ Рекомендации:

1. Упростить и ускорить процесс сообщения о проблемах с качеством данных:

   • Внедрить автоматизированные системы уведомлений, чтобы упростить и ускорить решение возникающих проблем.

2. Провести анализ и устранить барьеры для тех, кто сталкивается с трудностями в сообщении о проблемах:

   • Разработать инструктивные материалы и обучающие программы, чтобы улучшить процессы и повысить доступность инструментов для сообщений о проблемах.

3. Рассмотреть возможность улучшения процесса коммуникации с бизнес-пользователями:

   • Обеспечить лучшую поддержку и инструменты для сотрудников, которые чувствуют сложности в сообщении о проблемах с качеством данных.

4. Провести проверку системы коммуникации для повышения прозрачности и открытости:

   • Убедиться, что все участники процесса уверены в наличии понятных и доступных каналов для сообщения о проблемах с качеством данных.

Вопрос: Что происходит после того, как вы сообщаете об ошибке в данных?

📌 Количественные итоги:

Ответ	Analytics	Data Engineers	Data Scientists	Business	Managers	Others	Итого
Нет конкретной реакции	2	3	0	0	0	1	6
Не сообщаю	0	0	0	0	0	1	1
Сообщение игнорируется	0	0	0	0	0	0	0
Ошибка устраняется	9	10	0	2	4	4	29
Всего	11	13	0	2	4	6	36

---

🧠 Основные выводы:

• 80% респондентов отметили, что после сообщения об ошибке в данных ошибка устраняется, что свидетельствует о наличии системного подхода к решению таких проблем.

• 17% респондентов сообщают, что нет конкретной реакции на их сообщения об ошибке, что указывает на возможные проблемы с процессами обработки ошибок или недостаточную ответственность в этом процессе.

• 3% респондентов не сообщают об ошибках, что может быть связано с отсутствием формализованного процесса или с недостаточной вовлечённостью.

• 0% респондентов сообщили, что сообщение игнорируется, что является положительным индикатором для компании.

---

✅ Рекомендации:

1. Улучшить систему обработки ошибок:

   • Разработать и внедрить чёткие регламенты для обработки сообщений об ошибках, чтобы уменьшить случаи без реакции.

2. Провести анализ причин, по которым не происходит реакции на сообщения об ошибках:

   • Установить процесс обратной связи, чтобы сотрудники были уверены в том, что их сообщения не игнорируются и решаются вовремя.

3. Внедрить автоматизированные системы отслеживания и уведомлений об ошибках:

   • Использовать системы для отслеживания статуса исправлений ошибок и информирования сотрудников о ходе устранения проблем с данными.

4. Обучение сотрудников и формализация процессов:

   • Провести обучение и внедрить чёткие инструкции для всех сотрудников о том, как правильно сообщать о проблемах с качеством данных, чтобы не возникало случаев без сообщения об ошибках.

Вопрос: Имеются ли автоматизированные проверки данных в вашей системе?

📌 Количественные итоги:

Ответ	Analytics	Data Engineers	Data Scientists	Business	Managers	Others	Итого
Частично	3	5	0	2	1	1	12
Нет	3	1	0	0	0	1	5
Да	2	6	0	0	0	4	12
Не знаю	3	1	0	0	0	0	4
Всего	11	13	0	2	1	6	36

---

🧠 Основные выводы:

• 33% респондентов заявили, что в их системе имеются автоматизированные проверки данных, что указывает на частичную автоматизацию процесса контроля качества данных.

• 33% респондентов сообщили, что автоматизированные проверки данных присутствуют частично, что также свидетельствует о развитии, но с необходимостью доработки и интеграции автоматических процессов.

• 14% респондентов сообщили, что автоматизированные проверки отсутствуют в их системе, что указывает на необходимость внедрения автоматизации в процесс управления качеством данных.

• 11% респондентов не уверены, есть ли такие автоматизированные проверки, что свидетельствует о низкой видимости и коммуникации на уровне команды.

---

✅ Рекомендации:

1. Разработать и внедрить полную автоматизацию проверки данных:

   • Это позволит значительно ускорить процесс контроля качества данных и снизить количество человеческих ошибок в анализе и обработке данных.

2. Провести аудит существующих проверок данных:

   • Оценить, какие автоматизированные проверки уже внедрены, и определить области для расширения.

3. Повысить осведомленность сотрудников:

   • Обучить сотрудников и обеспечить необходимую документацию о существующих автоматизированных проверках и их значении для поддержания качества данных.

4. Интегрировать автоматизированные системы мониторинга в процессы данных:

   • Внедрить системы, которые позволят следить за качеством данных в реальном времени и автоматически уведомлять о проблемах, требующих вмешательства.

Вопрос: Получаете ли вы доступ к «источнику истины» (trusted source)?

📌 Количественные итоги:

Ответ	Analytics	Data Engineers	Data Scientists	Business	Managers	Others	Итого
Не знаю	3	7	0	0	2	0	12
Да	4	4	0	0	1	1	10
Нет	4	2	0	1	1	1	9
Иногда	0	0	0	0	0	2	2
Всего	11	13	0	1	4	4	33

---

🧠 Основные выводы:

• 30% респондентов утверждают, что у них есть доступ к источнику истины (trusted source), что важно для обеспечения достоверности данных и соблюдения высоких стандартов качества.

• 36% респондентов не уверены, имеют ли они доступ к источнику истины, что может указывать на недостаточную видимость и прозрачность в отношении источников данных.

• 27% респондентов сообщили, что у них нет доступа к источнику истины, что может затруднять принятие обоснованных решений и влиять на качество данных.

• 6% респондентов сообщили, что получают доступ к источнику истины иногда, что может быть связано с нерегулярностью доступа или неполной интеграцией системы.

---

✅ Рекомендации:

1. Обеспечить единый доступ к источнику истины:

   • Важно, чтобы все ключевые участники процесса имели постоянный доступ к проверенным данным, которые используются как основа для принятия решений.

2. Увеличить осведомленность о доступности источника истины:

   • Убедиться, что сотрудники знают, где и как можно получить доступ к достоверным данным, а также обучить их правильно использовать эти источники.

3. Упростить процесс доступа к источнику истины:

   • Сделать доступ к данным более прозрачным и интегрированным в повседневную работу, чтобы снизить риски неверных данных и улучшить принятие решений.

4. Определить и документировать процесс доступа:

   • Установить чёткие процедуры и инструкции для доступа к проверенным данным и регулярно обновлять их для актуальности.

Вопрос: Существуют ли стандарты качества данных в вашей компании?

📌 Количественные итоги:

Ответ	Analytics	Data Engineers	Data Scientists	Business	Managers	Others	Итого
Не знаю	4	6	0	0	3	0	13
Частично	4	2	0	1	1	1	8
Да	3	5	0	0	0	1	9
Нет	0	0	0	0	0	1	1
Всего	11	13	0	1	4	2	31

---

🧠 Основные выводы:

• 29% респондентов уверены в наличии стандартов качества данных в компании, что свидетельствует о наличии частичной или полной формализации данных процессов.

• 42% респондентов не уверены или не знают, существуют ли такие стандарты, что указывает на низкую осведомленность и недостаток прозрачности в области качества данных.

• 26% респондентов считают, что стандарты качества данных существуют частично, что может означать наличие отдельных инициатив, но отсутствие единого и централизованного подхода.

• 3% респондентов заявили, что стандарты качества данных отсутствуют, что является тревожным индикатором для обеспечения высокой целостности данных.

---

✅ Рекомендации:

1. Разработать и внедрить унифицированные стандарты качества данных:

   • Создать единые, формализованные стандарты, которые будут регламентировать качество данных на всех уровнях организации.

2. Повысить осведомленность сотрудников о существующих стандартах:

   • Внедрить программу обучения и коммуникации, которая будет информировать сотрудников о том, как стандарты качества данных влияют на их работу и доступность данных.

3. Установить систему мониторинга качества данных:

   • Регулярно оценивать соблюдение стандартов качества и интегрировать инструменты для автоматической проверки качества данных в рабочие процессы.

4. Привлечь ключевых стейкхолдеров:

   • Вовлечь представителей всех функций (включая бизнес) в процесс создания и поддержания стандартов качества данных, чтобы обеспечить их практическое применение и высокое качество данных.

Вопрос: Кто участвует в разработке стандартов качества данных?

📌 Количественные итоги:

Ответ	Analytics	Data Engineers	Data Scientists	Business	Managers	Others	Итого
ИТ-отдел	0	1	0	0	0	0	1
Никто / не знаю	3	6	0	1	1	4	15
Бизнес	0	1	0	0	0	1	2
Data stewards / владельцы данных	8	5	0	0	0	1	14
Всего	11	13	0	1	1	6	32

---

🧠 Основные выводы:

• **44% респондентов заявляют, что в разработке стандартов качества данных участвуют Data stewards / владельцы данных, что подтверждает важность роли данных владельцев в процессе управления качеством.

• 47% респондентов не уверены или не знают, кто участвует в разработке стандартов качества данных, что указывает на недостаточную видимость и отсутствие ясности в организации процесса разработки стандартов.

• 3% респондентов считают, что ИТ-отдел участвует в разработке стандартов качества данных. Это может свидетельствовать о технической роли ИТ-отдела в реализации стандартов, но не в их создании.

• 6% респондентов указали, что в разработке стандартов качества данных участвует бизнес, что говорит о небольшой вовлеченности бизнес-стороны в процесс создания стандартов.

---

✅ Рекомендации:

1. Укрепить роль Data stewards / владельцев данных в разработке стандартов:

   • Призвать владельцев данных к более активному участию в создании и поддержке стандартов качества данных. Обеспечить ясное распределение ролей и ответственности.

2. Обеспечить участие ИТ-отдела и бизнеса в процессе разработки стандартов:

   • Включить ИТ-отдел в процесс не только с точки зрения технической реализации, но и на стадии обсуждения и утверждения стандартов.

   • Вовлечь представителей бизнеса, чтобы стандарты отражали реальную потребность в данных и их использовании.

3. Повысить осведомленность и коммуникацию в организации:

   • Обеспечить прозрачность процессов разработки стандартов качества данных, чтобы все сотрудники, включая аналитиков и инженеров, понимали, кто и как влияет на создание этих стандартов.

4. Создать рабочие группы для разработки стандартов качества данных:

   • Организовать регулярные обсуждения и создание стандартов с участием различных групп, включая владельцев данных, ИТ-отдел и бизнес-подразделения, для создания эффективных и комплексных стандартов.

Вопрос: Были ли случаи, когда плохое качество данных повлияло на решения или отчёты?

📌 Количественные итоги:

Ответ	Analytics	Data Engineers	Data Scientists	Business	Managers	Others	Итого
Да, критично	0	4	0	0	0	0	4
Нет	1	2	0	0	1	1	5
Да, но некритично	7	3	0	1	0	0	11
Не знаю	3	4	0	0	5	5	17
Всего	11	13	0	1	6	6	37

---

🧠 Основные выводы:

• 30% респондентов столкнулись с ситуацией, когда плохое качество данных влияло на решения или отчёты, но в 3/4 случаев это не было критическим. Это указывает на частоту проблем с качеством данных, но с различной степенью воздействия на бизнес-процессы.

• 11% респондентов заявили, что плохое качество данных критично повлияло на решения или отчёты, что указывает на возможные риски и потенциальные проблемы с качеством данных, которые могут оказывать существенное влияние на принятие стратегических решений.

• 45% респондентов не знают или не могут оценить, повлияло ли плохое качество данных на решения, что свидетельствует о недостаточной осведомленности или прозрачности в учёте влияния качества данных.

• 13% респондентов утверждают, что плохое качество данных не влияло на решения или отчёты, что говорит о наличии процессов, которые снижают риски и контролируют качество на разных уровнях.

---

✅ Рекомендации:

1. Укрепить процессы контроля качества данных:

   • Повышение автоматизации проверок качества данных и их мониторинга поможет снизить вероятность влияния плохого качества на решения.

2. Увеличить осведомлённость и обучение сотрудников:

   • Обеспечить регулярное обучение и тренировки сотрудников для повышения их осведомленности о влиянии качества данных на принятие решений и бизнес-отчёты.

3. Активизировать работу с критичными случаями:

   • Для случаев, когда плохое качество данных критично влияет на решения, следует выработать чёткие процедуры для быстрой локализации и устранения таких проблем.

4. Повышение прозрачности воздействия на бизнес:

   • Важно отслеживать и документировать, как качество данных влияет на бизнес-процессы, чтобы было проще выявлять и решать подобные проблемы в будущем.

Вопрос: Как часто анализируются причины проблем с качеством данных?

📌 Количественные итоги:

Ответ	Analytics	Data Engineers	Data Scientists	Business	Managers	Others	Итого
Никогда	2	0	0	0	0	1	3
Всегда	4	8	0	0	0	1	13
Иногда	4	3	0	1	1	1	10
Очень редко	1	2	0	0	0	3	6
Всего	11	13	0	1	1	6	37

---

🧠 Основные выводы:

• 35% респондентов утверждают, что причины проблем с качеством данных анализируются всегда. Это позитивный сигнал, говорящий о проактивной работе с качеством данных в некоторых областях.

• 27% респондентов проводят анализ причин иногда, что может указывать на наличие непостоянной или недостаточной практики анализа проблем с качеством данных.

• 16% респондентов подтверждают, что причины проблем с качеством данных анализируются очень редко, что является тревожным сигналом о недостаточной вовлеченности и системности в решении проблем с качеством данных.

• 8% респондентов сообщили, что никогда не анализируются причины проблем с качеством данных, что указывает на наличие слабых точек в процессе управления качеством данных.

---

✅ Рекомендации:

1. Регулярный анализ причин проблем с качеством данных:

   • Важно установить чёткий процесс для регулярного анализа и устранения корневых причин проблем с качеством данных, чтобы минимизировать их влияние на бизнес-процессы.

2. Усиление системного подхода к качеству данных:

   • Разработать стратегии для более постоянного анализа и документирования проблем с качеством данных, особенно в тех случаях, когда это происходит реже.

3. Обучение и вовлеченность сотрудников:

   • Обеспечить сотрудников инструментами и обучением для систематического анализа и улучшения качества данных, а также вовлекать бизнес-подразделения в процессы контроля качества.

Вопрос: Хотели бы вы участвовать в улучшении качества данных?

📌 Количественные итоги:

Ответ	Analytics	Data Engineers	Data Scientists	Business	Managers	Others	Итого
Не уверен(а)	1	2	0	0	0	2	5
Да	5	6	0	0	0	1	12
Нет	0	1	0	0	0	0	1
Возможно	5	4	0	0	1	3	13
Всего	11	13	0	0	1	6	31

---

🧠 Основные выводы:

• 39% респондентов заявили, что хотели бы участвовать в улучшении качества данных, что указывает на наличие значительного интереса к этому процессу.

• 42% респондентов выразили неопределённость или возможность участия, что предполагает потребность в дополнительных мотивациях или информации для вовлечения.

• 3% респондентов прямо ответили, что не хотят участвовать в улучшении качества данных, что является минимальным и не является значительным барьером для вовлечения.

• 16% респондентов не уверены, хотят ли они участвовать в улучшении качества данных, что может указывать на потребность в разъяснении и поддержке со стороны руководства.

---

✅ Рекомендации:

1. Организовать инициативы для вовлечения сотрудников в улучшение качества данных:

   • Провести регулярные информационные сессии и обучающие мероприятия, которые покажут, как каждый сотрудник может повлиять на улучшение качества данных.

2. Создать платформы для участия:

   • Внедрить механизмы и инструменты, позволяющие всем заинтересованным сторонам участвовать в инициативах по улучшению качества данных (например, через команды, рабочие группы или форумы).

3. Повышение мотивации и осведомленности:

   • Сделать процессы улучшения качества данных более прозрачными и доступными, показывая явные результаты и влияние на бизнес, чтобы стимулировать участие всех сотрудников.

Вопрос: Какие подходы к улучшению качества данных вам наиболее эффективны?

📌 Количественные итоги:

Ответ	Analytics	Data Engineers	Data Scientists	Business	Managers	Others	Итого
Автоматизированные проверки	9	8	0	0	0	3	20
Обучение персонала	1	0	0	0	0	0	1
Ручные сверки	0	0	0	0	0	1	1
Улучшение источников данных	0	2	0	1	0	1	4
Стандарты и процедуры	1	3	0	0	0	1	5
Всего	11	13	0	1	0	6	31

---

🧠 Основные выводы:

• 65% респондентов считают, что автоматизированные проверки являются наиболее эффективным методом для улучшения качества данных, что подтверждает высокий интерес к автоматизации процессов и снижению человеческого фактора в проверке данных.

• 16% респондентов выделили стандарты и процедуры как эффективный подход. Это показывает важность четко регламентированных и стандартизированных процессов в улучшении качества данных.

• 13% респондентов считают эффективными улучшение источников данных, что свидетельствует о важности качественного исходного материала для обеспечения надежности данных.

• 3% респондентов видят важность в обучении персонала, что подчеркивает необходимость развивать компетенции сотрудников в области работы с данными.

• 3% респондентов считают эффективными ручные сверки, что может указывать на использование человеческого контроля в специфических ситуациях, несмотря на популярность автоматизированных решений.

---

✅ Рекомендации:

1. Инвестировать в автоматизацию процессов проверки данных:

   • Учитывая высокую эффективность автоматизированных проверок, стоит продолжить развивать и внедрять такие решения в организации.

2. Обратить внимание на улучшение источников данных:

   • Уделить внимание повышению качества и надежности исходных данных, что поможет снизить ошибки и повысить общий уровень качества данных.

3. Разработать и поддерживать стандарты и процедуры качества данных:

   • Сформировать четкие стандарты и процедуры для работы с данными, что обеспечит стабильность и предсказуемость качества данных на всех этапах их обработки.

4. Проводить регулярное обучение персонала:

   • Создать программы обучения, чтобы повысить квалификацию сотрудников и снизить риски, связанные с человеческим фактором в обработке и анализе данных.

Вопрос: Что бы вы улучшили в процессах обеспечения качества данных?

📌 Количественные итоги:

Ответ	Analytics	Data Engineers	Data Scientists	Business	Managers	Others	Итого
Автоматизация	2	5	0	0	0	0	7
Ответственность за качество	2	4	0	1	4	0	11
Скорость реакции на ошибки	0	1	0	0	0	0	1
Прозрачность метрик	5	1	0	0	0	1	7
Визуализация проблем	2	2	0	0	0	1	5
Всего	11	13	0	1	4	2	31

---

🧠 Основные выводы:

• 35% респондентов считают, что важным направлением для улучшения является ответственность за качество данных, что подчеркивает необходимость четкого распределения ответственности среди участников процесса.

• 23% респондентов выделили автоматизацию процессов как ключевое улучшение, что согласуется с трендом на повышение эффективности через использование технологий для автоматической обработки и проверки данных.

• 23% респондентов считают, что нужно улучшить прозрачность метрик, что указывает на необходимость более ясной и доступной отчетности по качеству данных.

• 16% респондентов видят важность в визуализации проблем, что поможет ускорить принятие решений и оперативное реагирование на проблемы с данными.

• 3% респондентов считают, что нужно улучшить скорость реакции на ошибки, что указывает на важность быстрого реагирования на выявленные несоответствия.

---

✅ Рекомендации:

1. Установить четкие роли и ответственность за качество данных:

   • Разработать и внедрить систему отчетности, где будет ясно определено, кто за что отвечает в процессе обеспечения качества данных.

2. Продолжить развитие автоматизации:

   • Инвестировать в автоматизированные инструменты для анализа и контроля качества данных, чтобы повысить эффективность и снизить зависимость от человеческого фактора.

3. Укрепить прозрачность метрик:

   • Внедрить систему метрик качества данных, которая будет доступна всем заинтересованным сторонам, с четкими критериями оценки и отчетности.

4. Развивать визуализацию проблем с данными:

   • Внедрить визуальные инструменты, такие как дашборды, которые помогут в оперативном выявлении и устранении проблем с качеством данных.

5. Повышать скорость реакции на выявленные ошибки:

   • Создать систему для быстрого реагирования на ошибки и внедрить процессы для ускоренного исправления проблем с данными.

Вопрос: Насколько качество данных влияет на ваш уровень доверия к аналитике?

📌 Количественные итоги:

Ответ	Analytics	Data Engineers	Data Scientists	Business	Managers	Others	Итого
Не влияет	0	1	0	0	0	0	1
Затрудняюсь ответить	1	6	0	1	3	3	14
Очень сильно	7	4	0	0	0	3	14
Влияет, но не критично	3	2	0	0	0	0	5
Всего	11	13	0	1	3	6	34

---

🧠 Основные выводы:

• 40% респондентов утверждают, что качество данных очень сильно влияет на их уровень доверия к аналитике, что подчеркивает высокую важность достоверности данных для принятия решений.

• 41% респондентов выразили неопределенность в отношении этого вопроса, что может указывать на различия в восприятии значения качества данных в различных командах или недостаточную осведомленность о влиянии качества данных.

• 15% респондентов считают, что качество данных влияет, но не критично на доверие к аналитике, что может свидетельствовать о наличии некоторых резервов для улучшения процессов данных.

• 3% респондентов утверждают, что качество данных не влияет на доверие к аналитике, что является маловероятным в большинстве организаций, особенно тех, где данные критичны для принятия решений.

---

✅ Рекомендации:

1. Повышение осведомленности о влиянии качества данных:

   • Провести кампанию по повышению осведомленности о важности качества данных для аналитики среди всех сотрудников, особенно для аналитиков и других ключевых пользователей данных.

2. Внедрение мер для улучшения качества данных:

   • Продолжить работу по улучшению качества данных, учитывая, что для многих сотрудников это является решающим фактором для принятия обоснованных решений.

3. Уточнение роли и ответственности за качество данных:

   • Определить четкие обязанности и процессы для улучшения качества данных, чтобы минимизировать влияние на доверие к аналитическим результатам.

4. Регулярная проверка и мониторинг качества данных:

   • Установить регулярные проверки качества данных, которые будут влиять на создание аналитических отчетов, чтобы минимизировать риски, связанные с ошибками данных.