Интегрированное управление качеством данных в организации
https://doi.org/10.55648/10.55648/1998-6920-2025-19-4-28-47
Аннотация
Актуальность задачи интегрированного управления качеством данных возрастает в условиях увеличения объемов, разнообразия и критичности используемых данных. Несмотря на это, в организациях есть пробелы в понимании взаимосвязей между качеством данных, качеством процессов и информационных систем. Целью настоящего исследования является систематический анализ существующих методологий и концепций управления качеством данных, а также выявление ключевых проблем при их внедрении. В работе проведен обзор научных источников, представлены стандартные элементы и схема интегрированного подхода к качеству данных. На основе архитектуры Data Lakehouse разработана высокоуровневая схема потоков данных, отражающая взаимодействие компонентов системы. Обоснована необходимость разработки новых методов и алгоритмов для оптимизации качества больших данных, выходящих за рамки традиционных парадигм, ориентированных на структурированные данные. Определены и систематизированы ключевые проблемы, часто игнорируемые на практике, и сформированы критерии для успешного внедрения интегрированного подхода к управлению качеством данных.
Об авторах
Оксана Игоревна Захарова
Поволжский государственный университет телекоммуникаций и информатики
Россия
Россия
к.т.н., доцент кафедры информационных систем и технологий, Поволжский государственный университет телекоммуникаций и информатики
Влад Сергеевич Коробейников
Поволжский государственный университет телекоммуникаций и информатики
Россия
Россия
аспирант, Поволжский государственный университет телекоммуникаций и информатики
Список литературы
1. Sheng Y. Exploring the mediating and moderating effects of information quality on firm'sendeavour on information systems // International Conference on Information Quality (ICIQ 2003). Cambridge, Massachusetts, USA, November 7-9, 2003. P.252–355.
2. Wang R. A product perspective on total data quality management [Электронный ресурс].URL: https://dl.acm.org/doi/10.1145/269012.269022
3. (дата обращения:21.09.2025).
4. Su Y., Jin Z. A methodology for information quality assessment in the designing and manufacturing processes of mechanical products // International Conference on Information Quality (ICIQ 2004). Cambridge, Massachusetts, USA, November 5-7, 2004. P. 447-465.
5. Kyung-Seok Ryu, Joo-Seok Park, Jae-Hong Park A Data Quality Management Maturity Model // ETRI Journal. 2006. № 28. P. 191–204.
6. Batini C., Scannapieco M. Data Quality: Concepts, Methodologies and Techniques [Электронный ресурс]. URL: https://dl.acm.org/doi/10.5555/1177291 (дата обращения: 21.09.2025).
7. C. Batini, C. Cappiello, C. Francalanci, A. Maurino Methodologies for data quality assessment and improvement // ACM Computing Surveys. 2009. № 41. P. 1–52.
8. Jeusfeld M., Quix C., Jarke M. Design and analysis of quality information for data warehouses // International Conference on Conceptual Modeling. Berlin, Heidelberg, Germany,November 16-19, 1998. P. 349–362.
9. Chapman A., Richards H., Hawken S. Data and information quality at the Canadian institute for health information [Электронный ресурс].
10. URL: http://mitiq.mit.edu/ICIQ/Documents/IQ%20Conference%202006/Papers
11. /Data%20and%20Information%20Quality%20at%20the%20Canadian%20Institute%20for%20Health%20Information.pdf (дата обращения: 20.09.2025).
12. Eppler MJ., Muenzenmayer P. Measuring Information Quality in the Web Context: A Survey of State-of-the-Art Instruments and an Application Methodology [Электронный ресурс] URL: https://citeseerx.ist.psu.edu/documentrepid=rep1&type=pdf&doi=b7e04978992851255d26fd8a00b6673ea9f27f84 (дата обращения: 20.09.2025).
13. Falorsi P., Pallara S., Pavone A., Alessandroni A., Massella E., Scannapieco M. Improving the quality of toponymic data in the italian public administration. In Proceedings of the ICDT Workshop on Data Quality in Cooperative Information Systems (DQCIS) [Электронный ресурс] URL: https://www.istat.it/ (дата обращения: 20.09.2025).
14. Su Y. and Jin Z. A methodology for information quality assessment in the designing and manufacturing processes of mechanical products // International Conference on Information Quality (ICIQ 2004). Cambridge, Massachusetts, USA, November 5-7, 2004. P. 447–465.
15. Loshin, D. Enterprise Knowledge Management – The Data Quality Approach [Электронный ресурс] URL: https://dl.acm.org/doi/10.5555/362436 (дата обращения:
16. 09.2025).
17. Scannapieco M., Virgillito A., Marchetti M., Mecella M., Baldoni R. The DaQuinCIS architecture: a platform for exchanging and improving data quality in Cooperative Information Systems // Inform. Syst. 2004. № 29. P. 551–582.
18. De Amicis F., Batini C. A methodology for data quality assessment on financial data [Электронный ресурс].URL: https://cir.nii.ac.jp/crid/1570291224348968704 (дата обращения:20.09.2025).
19. The Global Data Management Community [Электронный ресурс].
20. URL: https://www.dama.org/cpages/body-of-knowledge (дата обращения:
21. 09.2025).
22. International organization for standardization [Электронный ресурс]. URL: https://www.iso.org/standard/81745.html (дата обращения: 20.09.2025).
23. International organization for standardization, International electrotechnical commission [Электронный ресурс]. URL: https://www.iso.org/standard/78914.html (дата обращения: 20.09.2025).
24. International organization for standardization, International electrotechnical commission [Электронный ресурс]. URL: https://www.iso.org/standard/34343.html (дата обращения: 20.09.2025).
25. International organization for standardization, International electrotechnical commission [Электронный ресурс]. URL: https://www.iso.org/ru/standard/35736.html дата обращения: 20.09.2025).
26. International organization for standardization, International electrotechnical commission [Электронный ресурс]. URL: https://www.iso.org/standard/81088.html (дата обращения: 20.09.2025).
27. Центр компетенций НТИ по большим данным МГУ [Электронный ресурс]. URL: https://bigdata.msu.ru/standards/ (дата обращения: 20.09.2025).
28. Monte Carlo Data [Электронный ресурс]. URL: https://www.montecarlodata.com/blog-data-quality-testing/ (дата обращения: 20.09.2025).
29. Monte Carlo Data [Электронный ресурс]. URL: https://www.montecarlodata.com/use-cases/data-quality-monitoring-testing/ (дата обращения: 20.09.2025).
30. Monte Carlo Data [Электронный ресурс]. URL: https://www.montecarlodata.com/product/data-observability-platform/ (дата обращения: 20.09.2025).
31. Pure Storage Blog [Электронный ресурс]. URL: https://blog.purestorage.com/purely-educational/data-fabric-vs-data-lake-vs-data-warehouse/ (дата обращения: 20.09.2025).
32. Ofner M., Otto B., Osterle H. Integrating a data quality perspective into business process management // Business Process Management Journal. 2012. № 18. P. 1036-1067.
33. Al-Sai Z., Gandomi A., Al-Sai Z., Al-Nuaimi E., Al-Jaroodi J., Mohamed N., Al-Neyadi H., Al-Bayati A., Al-Kahtani M. Big Data Maturity Assessment Models: A Systematic Literature Review // Big Data Cognition and Computation. 2023. № 7. P. 1-27.
34. The DGI Data Governance [Электронный ресурс]. URL: https://datagovernance.com/ (accessed: 20.09.2025).
35. IBM Data Governance Framework [Электронный ресурс]. URL: https://www.ibm.com/products/cloud-pak-for-data/governance (дата обращения: 20.09.2025).
36. Heidi C., Nikiforova A. Towards augmented data quality management: Automation of Data Quality Rule Definition in Data Warehouses [Электронный ресурс]. URL: https://arxiv.org/abs/2406.10940 (дата обращения: 20.09.2025).
37. Hazen B., Boone C., Ezell J., Jones-Farmer L. Data quality for data science, predictive analytics, and big data in supply chain management: An introduction to the problem and suggestions for research and applications // International Journal of Production Economics. 2014. № 154. P. 72-80.
38. Leghemo I., Osinachi D., Chinekwu S., Chima A. Continuous Data Quality Improvement in Enterprise Data Governance: A Model for Best Practices and Implementation // Engineering Research and Reports. 2025. № 27. P. 29-25.
39. Taleb I., Serhani M., Bouhaddioui C., Dssouli R. 2021. Big data quality framework: a holistic approach to continuous quality management // Journal of Big Data. 2021. № 8. P. 1–41.
40. Bello H., Ige A., Ameyaw M. Deep learning in high-frequency trading: conceptual challenges and solutions for real-time fraud detection // World Journal of Advanced Engineering Technology and Sciences. 2024. № 12, P. 35-46.
41. Cappiello C., Cerletti C., Fratto C., and Pernici B. Validating data quality actions in scoring processes. Journal of Data and Information Quality (JDIQ). 2018. № 9. P. 1–27.
Рецензия
Для цитирования:
Захарова О.И., Коробейников В.С. Интегрированное управление качеством данных в организации. Вестник СибГУТИ. 2025;19(4):28-47. https://doi.org/10.55648/10.55648/1998-6920-2025-19-4-28-47
For citation:
Zakharova O.I., Korobeynikov V.S. Integrated data quality management within the organization. The Herald of the Siberian State University of Telecommunications and Information Science. 2025;19(4):28-47. (In Russ.) https://doi.org/10.55648/10.55648/1998-6920-2025-19-4-28-47
Просмотров:
11
Послать статью по эл. почте 
