Sfida
I dati dei clienti divergevano tra quattro sistemi, mentre le regole inserite nei report nascondevano gli errori e falsavano i punteggi.
Un framework Snowflake governato verifica i dati dei clienti di quattro sistemi e fornisce ai data owner punteggi ed evidenze a livello di record su cui intervenire.

Sfida
I dati dei clienti divergevano tra quattro sistemi, mentre le regole inserite nei report nascondevano gli errori e falsavano i punteggi.
Soluzione realizzata
Viste SQL per entità, un catalogo di regole testato, un motore di valutazione in Snowflake e reporting in DirectQuery.
Valore di business
Regole governate, punteggi onesti ed evidenze a livello di riga che i data owner possono usare per correggere i record.
Un'azienda di nutrizione medica gestisce i dati dei propri clienti professionisti sanitari in quattro sistemi: una piattaforma di identità digitale, un CRM, una piattaforma di marketing automation e uno shop e-commerce. Ogni sistema conserva la propria versione del cliente, quindi nomi, e-mail, indirizzi e consensi possono divergere.
Il report di qualità dei dati esistente era cresciuto in modo organico. Le sue regole erano sparse tra formule del report e trasformazioni dei dati, e i punteggi venivano calcolati una volta per aggiornamento, quindi non rispondevano ai filtri. Alcuni record venivano esclusi prima di essere misurati, il che faceva apparire i punteggi migliori di quanto fossero. Il report poteva inoltre dire che una percentuale era bassa, ma non quali record erano errati né perché.
Siamo partiti dal reverse engineering del report esistente: ogni fonte, trasformazione e misura è stata documentata e ogni problema nella logica è stato elencato. Ne sono risultati una baseline chiara e un elenco di ciò che andava cambiato.
Abbiamo quindi ricostruito la qualità dei dati come framework anziché come report:
Quattro sistemi sorgente alimentano viste SQL per entità di business in Snowflake, senza escludere lacune, segnaposto o duplicati. Un catalogo testato di più di 120 regole guida la valutazione delle righe. Il motore separa errori e avvisi e produce statistiche di esecuzione segmentate ed evidenze a livello di riga delle non conformità. Un'unica vista di statistiche alimenta Power BI in DirectQuery. Una conservazione programmata elimina i risultati delle esecuzioni e i dettagli degli errori vecchi e inutilizzati.
Risultati qualitativi di progetto; non si dichiarano risparmi misurati.
Un unico luogo governato per le regole di qualità dei dati, anziché una logica sparsa in un report
Punteggi onesti: nulla viene escluso prima di essere misurato
Evidenze a livello di riga per ogni non conformità, così i data owner possono correggere i record anziché discutere di percentuali
Coerenza tra sistemi resa visibile: se lo stesso cliente appare uguale nella piattaforma di identità e nel CRM
Risultati suddivisi per paese e segmento di clientela, con totali corretti per calcolare i tassi di errore
I nuovi controlli si aggiungono come riga nel catalogo; non servono modifiche al codice
Nessuna copia dei dati dei clienti nello strumento di reporting e nessun accumulo di risultati obsoleti: i dati restano in Snowflake e sono conservati solo per il tempo necessario
Aree di soluzione: Fondamenta dei dati · Data governance
Scegliete una conversazione di 30 minuti o inviateci una breve richiesta: come preferite.