Data Quality

Hitta dataavvikelser före nästa steg.

Definiera godtagbara data, kör upprepningsbara kontroller och granska registrerade fel. Kontrollsteg som stöds stoppar efterföljande arbete när en obligatorisk kontroll misslyckas.

Definiera godtagbara data, kör upprepningsbara kontroller och granska registrerade fel. Kontrollsteg som stöds stoppar efterföljande arbete när en obligatorisk kontroll misslyckas.
Utgå från en tydlig förväntning.

Visuella mallar omfattar null, tomt, unikt, radantal, värdeintervall, mönster, godkända värden och referenskontroller. Custom SQL stöder mer komplexa kontroller när godkännandekriteriet är exakt definierat.

Prova regeln innan du sparar och kör den.

Förhandsvisning visar hur den aktuella regeln fungerar men sparar ingen körning. Att spara skapar eller ändrar regeln. Kör nu eller ett stött Pipeline-steg sparar kvalitetskörningen och ett avgränsat fynd om kontrollen misslyckas.

Kvalitet kan styra ett implementerat flöde.

Ett fristående Data Quality-jobb eller ett Master-kontrollsteg kan stoppa stött nedströmsarbete vid fel. Exakt PipelineRun, QualityRun och trigger förblir separata poster.

Minsta möjliga behörighet är fortsatt avgörande.

Custom SQL har ingen universell, oberoende read-only-parser för en enda statement. Regelmodalen i SQL Console kräver också att operatören kör på nytt efter en SQL-ändring, eftersom ett tidigare resultat inte styrker det aktuella utkastet. Source-inloggningsuppgifter bör använda läsrollen med minsta möjliga behörighet, och felexempel bör utesluta hemligheter och onödiga personuppgifter.

Förstå vad som kontrolleras och vad som fortfarande kräver separat hantering.

QualityRule är förändringsbar och inte direkt bunden till DatasetVersion. Suite-körning, automatisk reparation, fullständig åtgärd av Findings och bekräftad notifieringsleverans är inte aktuella funktioner. En hanterad Sandbox-tabell deltar genom sitt Projects System Sandbox Source i stället för en separat dold kvalitetsväg.

Utgå från en tydlig förväntning.

Visuella mallar omfattar null, tomt, unikt, radantal, värdeintervall, mönster, godkända värden och referenskontroller. Custom SQL stöder mer komplexa kontroller när godkännandekriteriet är exakt definierat.

Null- och tomvärdekontroller

Unikhet och gränser för radantal

Numeriska eller jämförbara värdeintervall

SQL LIKE-mönster och kontroller av godkända värden

Kontroller av referensexistens

Uttryckliga anpassade SQL-kontroller

Prova regeln innan du sparar och kör den.

Förhandsvisning visar hur den aktuella regeln fungerar men sparar ingen körning. Att spara skapar eller ändrar regeln. Kör nu eller ett stött Pipeline-steg sparar kvalitetskörningen och ett avgränsat fynd om kontrollen misslyckas.

Preview är synkron och sparas inte beständigt.

Save ändrar den föränderliga QualityRule-definitionen.

Run now samt Pipeline- och Master-körning bevarar en QualityRun.

Ett fel bevarar en avgränsad Data Quality-Finding; den är skild från workflow för Assurance Finding.

Kvalitet kan styra ett implementerat flöde.

Ett fristående Data Quality-jobb eller ett Master-kontrollsteg kan stoppa stött nedströmsarbete vid fel. Exakt PipelineRun, QualityRun och trigger förblir separata poster.

Minsta möjliga behörighet är fortsatt avgörande.

Custom SQL har ingen universell, oberoende read-only-parser för en enda statement. Regelmodalen i SQL Console kräver också att operatören kör på nytt efter en SQL-ändring, eftersom ett tidigare resultat inte styrker det aktuella utkastet. Source-inloggningsuppgifter bör använda läsrollen med minsta möjliga behörighet, och felexempel bör utesluta hemligheter och onödiga personuppgifter.

Förstå vad som kontrolleras och vad som fortfarande kräver separat hantering.

QualityRule är förändringsbar och inte direkt bunden till DatasetVersion. Suite-körning, automatisk reparation, fullständig åtgärd av Findings och bekräftad notifieringsleverans är inte aktuella funktioner. En hanterad Sandbox-tabell deltar genom sitt Projects System Sandbox Source i stället för en separat dold kvalitetsväg.

Nästa steg

Börja med flödet där tvetydighet inte får förekomma.

Ta med de system, ansvariga, regler, leveranskrav och evidenskrav som är viktiga.

Diskutera ett kritiskt flöde

Kort förklarat

Vad gör den här delen av advanexus?

Definiera godtagbara data, kör upprepningsbara kontroller och granska registrerade fel. Kontrollsteg som stöds stoppar efterföljande arbete när en obligatorisk kontroll misslyckas.

Vad bör jag kontrollera före användning?

Suite-körning, automatisk reparation och ett fullständigt workflow för åtgärd av findings är inte aktuella funktioner.