contattateci

Framework di qualità dei dati basato su regole per i dati dei clienti

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.

Azienda riservata del settore nutrizione medica NDA 2026

Stato: Realizzato e in produzione.

IT e dati Nutrizione medica / FMCG Qualità dei dati e governance
I record dei clienti passano attraverso regole SQL fino a punteggi di qualità ed evidenze a livello di riga.
Panoramica del processo. Apri l'immagine intera

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.

Sfida

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.

Approccio

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:

  • Entità di dati di business. Una vista SQL per ogni entità di business, come clienti, account, indirizzi, eventi e-mail e ordini, che combina le tabelle sorgente sottostanti. Ogni vista ha una granularità definita e nomi di colonna comprensibili per il business. I valori vengono trasmessi senza modifiche, inclusi segnaposto, lacune e duplicati, così i controlli vedono i dati come sono realmente. Un'apposita entità cross-system collega l'identità digitale di ogni cliente al relativo record CRM tramite una chiave condivisa e confronta nomi e codici postali dopo la normalizzazione.
  • Un catalogo di controlli. Più di 120 regole, ciascuna costituita da una singola espressione SQL che restituisce true per un record corretto e false per uno errato. Le regole coprono cinque dimensioni: completezza, validità, unicità, coerenza e integrità referenziale. Ogni regola viene testata automaticamente su record corretti, errati e vuoti prima del rilascio. Ogni problema viene segnalato una sola volta: un valore mancante viola la completezza, non anche il formato e l'unicità.
  • Un motore basato su regole. Una stored procedure legge il catalogo, valuta ogni regola su ogni riga e separa gli errori dagli avvisi. Scrive le statistiche di esecuzione per dimensione, campo, paese e segmento di clientela. Per ogni record non conforme registra solo i campi rilevanti per quella regola, così le evidenze sono subito leggibili.
  • Il reporting sopra tutto. Un'unica vista di statistiche alimenta il report in DirectQuery, così il report mostra l'ultima esecuzione senza un aggiornamento separato. Nessun dato viene archiviato in Power BI: ogni query va al layer governato in Snowflake, così regole di accesso e dati restano in un unico posto.
  • Conservazione dei dati. I risultati delle esecuzioni e i dettagli degli errori vecchi e inutilizzati vengono eliminati a cadenza regolare, così si conservano solo i dati che servono al report.

Risultati

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

Snowflake SQL e Snowflake Scripting Power BI (DirectQuery)

Aree di soluzione: Fondamenta dei dati · Data governance

Volete parlare di una sfida simile?

Raccontateci dove siete oggi e che cosa volete cambiare. Condivideremo ciò che abbiamo imparato in progetti analoghi e proporremo un modo mirato per iniziare.

Prenotate un incontro di 30 min