Data Quality

Gør kvalitet til en del af kørslen – ikke et efterfølgende dokument.

Data Quality omsætter kildeorienterede forventninger til gentagelige SQL-kontroller med et klart acceptkriterium, en vedvarende QualityRun og afgrænset dokumentation ved fejl.

Data Quality omsætter kildeorienterede forventninger til gentagelige SQL-kontroller med et klart acceptkriterium, en vedvarende QualityRun og afgrænset dokumentation ved fejl.
Begynd med en klar forventning.

Visuelle skabeloner omfatter null, tom, unik, rækkeantal, værdiområde, mønster, tilladte værdier og referencekontroller. Custom SQL understøtter mere komplekse kontroller, når acceptkriteriet er præcist defineret.

Forhåndsvis, Gem og Kør er forskellige handlinger.

Forhåndsvisning tester den aktuelle fortolkning. Gem opretter eller ændrer den redigerbare regel. Kør nu eller et understøttet Pipeline-trin opretter en vedvarende QualityRun og en afgrænset Finding, når kontrollen fejler.

Kvalitet kan styre et implementeret flow.

Et selvstændigt Data Quality-job eller et Master-kontroltrin kan stoppe understøttet efterfølgende arbejde ved fejl. Den præcise PipelineRun, QualityRun og trigger forbliver særskilte registreringer.

Færrest mulige privilegier er fortsat afgørende.

Custom SQL har ikke en universel, uafhængig skrivebeskyttet parser til ét statement. Regelmodalen i SQL Console kræver også, at operatøren kører igen efter en SQL-ændring, fordi et tidligere resultat ikke validerer det aktuelle udkast. Source-legitimationsoplysninger bør anvende læserollen med færrest mulige privilegier, og fejleksempler bør udelukke secrets og unødvendige personoplysninger.

De aktuelle grænser er ikke skjulte.

QualityRule kan ændres og er ikke direkte bundet til DatasetVersion. Suiteudførelse, automatisk afhjælpning, fuld håndtering af Findings og verificeret notifikationslevering er ikke aktuelle kapabiliteter. En administreret Sandbox-tabel deltager gennem Projectets System Sandbox Source frem for en særskilt skjult kvalitetssti.

Begynd med en klar forventning.

Visuelle skabeloner omfatter null, tom, unik, rækkeantal, værdiområde, mønster, tilladte værdier og referencekontroller. Custom SQL understøtter mere komplekse kontroller, når acceptkriteriet er præcist defineret.

Kontrol af null-værdier

Unikhed og grænser for rækkeantal

Numeriske eller sammenlignelige værdiområder

SQL LIKE-mønstre og kontrol af tilladte værdier

Kontrol af referenceeksistens

Udtryksfulde tilpassede SQL-kontroller

Forhåndsvis, Gem og Kør er forskellige handlinger.

Forhåndsvisning tester den aktuelle fortolkning. Gem opretter eller ændrer den redigerbare regel. Kør nu eller et understøttet Pipeline-trin opretter en vedvarende QualityRun og en afgrænset Finding, når kontrollen fejler.

Forhåndsvisningen er synkron og gemmes ikke permanent.

Gem ændrer den redigerbare QualityRule-definition.

Kør nu samt Pipeline- og Master-kørsler bevarer en QualityRun.

En fejl bevarer en afgrænset Data Quality-Finding; den er adskilt fra Assurance Findings arbejdsgang.

Kvalitet kan styre et implementeret flow.

Et selvstændigt Data Quality-job eller et Master-kontroltrin kan stoppe understøttet efterfølgende arbejde ved fejl. Den præcise PipelineRun, QualityRun og trigger forbliver særskilte registreringer.

Færrest mulige privilegier er fortsat afgørende.

Custom SQL har ikke en universel, uafhængig skrivebeskyttet parser til ét statement. Regelmodalen i SQL Console kræver også, at operatøren kører igen efter en SQL-ændring, fordi et tidligere resultat ikke validerer det aktuelle udkast. Source-legitimationsoplysninger bør anvende læserollen med færrest mulige privilegier, og fejleksempler bør udelukke secrets og unødvendige personoplysninger.

De aktuelle grænser er ikke skjulte.

QualityRule kan ændres og er ikke direkte bundet til DatasetVersion. Suiteudførelse, automatisk afhjælpning, fuld håndtering af Findings og verificeret notifikationslevering er ikke aktuelle kapabiliteter. En administreret Sandbox-tabel deltager gennem Projectets System Sandbox Source frem for en særskilt skjult kvalitetssti.

Næste trin

Begynd med det dataflow, hvor uklarhed ikke er en mulighed.

Kortlæg de relevante systemer, ejere, regler, leveringsforpligtelser og dokumentationskrav.

Drøft et kritisk dataflow