Continuous Data Quality Improvement in Enterprise Data Governance: A Model for Best Practices and Implementation
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Continuous Data Quality Improvement (CDQI) is essential for maintaining the integrity, accuracy, and reliability of enterprise data. In today's data-driven organizations, ensuring high-quality data across various systems and departments is critical for decision-making, operational efficiency, and regulatory compliance. This review presents a model for CDQI within the framework of enterprise data governance, outlining best practices and implementation strategies for sustained improvements in data quality. The proposed model integrates key components such as data quality assessment, improvement strategies, automation tools, and the alignment of governance policies with data quality objectives. It emphasizes the importance of establishing clear data standards, roles, and responsibilities, including the role of data stewards in maintaining quality over time. By leveraging technologies such as AI and real-time monitoring tools, organizations can automate data cleansing, detect anomalies, and provide actionable insights through continuous feedback loops. Best practices for CDQI include fostering a data-driven culture, conducting regular audits, enabling cross-functional collaboration, and integrating data quality metrics into governance policies. The implementation strategy is designed to be phased, starting with pilot programs and scalable to larger enterprise systems. Additionally, the model addresses challenges such as organizational resistance, balancing privacy concerns, and managing complex data environments. By adopting this model, organizations can ensure ongoing data quality improvements, leading to more accurate insights, better compliance with regulations, and enhanced business outcomes. This abstract provides a foundation for organizations aiming to enhance their data governance frameworks through continuous improvement.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,029 | 0,013 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle