1.
Uno strumento per misurare la qualità dei dati
Tell Me Quality
Marco Berlot

2.
Qualità dei Dati
•Lo stato di completezza, validità, consistenza e
accuratezza che rende un dato efficiente per un
utilizzo specifico.
•La qualità dei dati viene identificata come il grado
con cui le caratteristiche dei dati, utilizzate in
condizioni specifiche, soddisfano determinati
requisiti.
2

3.
Dati di Bassa Qualità
• Un nominativo scritto male ("mrio rossi" invece di "Mario Rossi") è
indice di scarsa accuratezza sintattica.
• Un termine come "Patrizia Rossi" al posto di "Patrizio Rossi" è
anche indice di non accuratezza semantica.
3

4.
Dati di Bassa Qualità

5.
Dati di Bassa Qualità

6.
Dati di Bassa Qualità

7.
E’ realmente un problema?
Attualmente la qualità dei dati è un problema per molti
professionisti operanti in un ampio settore dei sistemi
d’informazione. Uno studio aziendale ha stimato che il costo totale
per l’economia degli Stati Uniti legata ai problemi di qualità dati
superi i 600 miliardi di dollari l’anno (Eckerson, 2002).
7

8.
8

9.
ISO/IEC 25024:2015
9

10.
ISO/IEC 25024:2015
10

11.
Perché un Frontend?
Accuracy: 98,34%
Completness: 94,12%
Consistency: 95,43%
Credibility: 98%
Compliance: 97,79%
Currentness: 90%
Understandability: 0%
Confidentiality: 0%
Precision: 98%
11
Currentness

12.
Perché un Frontend?
ACCURACY
5.783.968
- Syntactic: 98,63%
- Semantic: 97,77%
- Data accuracy assurance: 100%
- Risk of dataset inaccuracy: 5%
- Data accuracy range: 95%
12

13.
Perché un Frontend?
13

14.
Come funziona TMQ?
• Upload
• Selezione del tipo di Misure
• Visualizzazione dei risultati
14

15.
Architettura

16.
Upload
16

17.
Shape File
“ SHACL Shapes Constraint
Language, a language for
validating RDF graphs against a
set of conditions. These conditions
are provided as shapes and other
constructs expressed in the form
of an RDF graph. RDF graphs that
are used in this manner are called
"shapes graphs" in SHACL and
the RDF graphs that are validated
against a shapes graph are called
"data graphs” vocabolario,insieme
vocabolario,vincoli dati
17

18.
Shape File

19.
Configurazione dello Shape File
19

20.
Selezione Misure
20

21.
Selezione Misure
21

22.
Pagine interamente dinamiche
• Minor numero di linee di codice.
• Unica pagina che si crea
dinamicamente in base ai
parametri generati dal backend.
• Maggior complessità nella
scrittura all’inizio ma permette una
manutenzione del codice molto
più semplice. https://mustache.github.io/
Mustache Framework
22

23.
Visualizzazione dei risultati
• Un risultato che riassume la
performance di ogni categoria
di misure e che permette di
confrontarle velocemente.
• Un risultato che permette di
confrontare la performance di
ogni misurazione in modo
approfondito.
Due tipologie di risultati: April
May
June
July
0 25 50 75 100
23

24.
Radar Chart
Confronto non preciso di aree, ma che riesce a dare una buona idea generale.
24
Currentness

25.
Grafico a barre orizzontali
Buona precisione nel confronto tra le diverse misurazioni.
25

26.
Un caso reale
Le informazioni fornite al sistema provengono da più di 300,000 XML files
pubblicati da 15,000 pubbliche amministrazioni
26

27.
Un caso reale
Shape
File

28.
28

29.
29

30.
30
Not performed
Not performed
Understandability
Understandability
CurrentnessCurrentness

31.
31
Not performed
Not performed
Understandability
Currentness

32.
32
5.783.968 data points
-57.850 data points
-347.038 data points
-4.048 data points
-115.679 data points

33.
33
-4.048 data points
-115.679 data points
-57.850 data points
-13.303 data points
-43.958 data points
-37.595 data points

34.
34
-220.369 data points
-104.111 data points

35.
Conclusioni
35
• Le percentuali di errori, per quanto basse, su un numero di file molto
alto sono significative.
• Una buona performance nella compliance del formato produce dati di
buona qualità (e.g. nella precisione).
• Currentness e completness sono collegate poiché alcuni dati si sanno
solo dopo (e.g. pagamento e data fine).
• La presenza di diversi errori di accuratezza possono essere un
campanello di allarme per inserimenti manuali e/o non controllati che
possono produrre dati errati anche oltre quelli rilevati dal nostro studio.
• Nell'accuratezza ci sono più errori semantici che sintattici.

36.
Conclusioni
• Non avere un vero database produce molti problemi di consistenza

37.
This work is under the terms of Creative Commons Public License. The whole text of the license in version 4.0 can be found at the web address: http://
creativecommons.org/licenses/by-sa/4.0/deed.it.
You are free to:
Share — copy and redistribute the material in any medium or format
Adapt — remix, transform, and build upon the material for any purpose, even commercially.
The licensor cannot revoke these freedoms as long as you follow the license terms.
Under the following terms:
Attribution — You must give appropriate credit, provide a link to the license, and indicate if changes were made. You may do so in any reasonable manner, but
not in any way that suggests the licensor endorses you or your use.
ShareAlike — If you remix, transform, or build upon the material, you must distribute your contributions under the same license as the original.
No additional restrictions — You may not apply legal terms or technological measures that legally restrict others from doing anything the license permits.
Version 1.1 © Marco Berlot, 2017
37