1. SISN
  2. Всі випуски
  3. Випуск 16, 2024
  4. Система критеріїв оцінки якості даних в розподілених інформаційних системах

Система критеріїв оцінки якості даних в розподілених інформаційних системах

SISN.
2024;
Випуск 16
: cc. 191 - 202
Автори:
  1. Юрій Геряк
  2. Андрій Берко
1
Національний університет «Львівська політехніка»
2
Національний університет «Львівська політехніка», кафедра інформаційних систем та мереж

Автори розробили систему критеріїв оцінки якості даних в контексті розподілених інформаційних систем. Стаття описує набір вимірів якості даних, сформований на основі проблем зберігання та обробки даних у розподілених середовищах. Основна мета дослідження полягає в уточненні основних вимог та викликів, які виникають перед розподіленими інформаційними ресурсами, а також в їх відповідності вибраним критеріям якості даних. Здійснено вичерпний аналіз літературних джерел, що дозволило визначити ключові виміри якості даних, виявлені у більшості досліджень, включаючи повноту, точність, узгодженість та актуальність. Описано основні проблеми, що виникають при роботі з даними у розподілених інформаційних системах. На основі літературного огляду автори розробили підхід до сформування уніфікованого набору критеріїв оцінки якості даних, який включає точність, узгодженість, повноту, актуальність, доступність та інші специфічні властивості даних. Підкреслено, що критерії якості даних прямо залежать від призначення інформаційної системи та базуються на конкретних вимогах, тому дане рішення є лише мінімальним набором характеристик, за якими можна оцінити якість даних у розподілених інформаційних системах.

оцінка якості даних
розподілені інформаційні системи
виміри якості даних
повнота
точність
концентрація
актуальність
  1. Cai, L., & Zhu, Y. (2015). The Challenges of Data Quality and Data Quality Assessment in the Big Data Era. Data Science Journal, 14, 2. https://doi.org/10.5334/dsj-2015-002
  2. General Administration of Quality Supervision (2008) Inspection and Quarantine of the People’s Republic of China. Quality management systems-Fundamentals and vocabulary (GB/T19000–2008/ISO9000:2005), Beijing
  3. Wang, R. Y., & Strong, D. M. (1996). Beyond Accuracy: What  Data  Quality  Means  to  Data Consumers. Journal of Management Information Systems, 12(4), 5–33. https://doi.org/10.1080/07421222.1996. 11518099.
  4. Crosby, P. B. (1980). Quality is free: The art of making quality certain. New American Library.
  5. Scannapieco M., Missier P., Batini C. (2005) Data Quality at a Glance.
  6. Геряк, Ю. М., & Берко, А. Ю. (2024). Проблеми контролю якості даних в розподілених інформа- ційних системах. У Стан, досягнення та перспективи інформаційних систем і технологій (с. 98–100). Ви- давництво ОНТУ.
  7. Ballou, D. P., & Pazer, H. L. (1985). Modeling Data and Process Quality in Multi-Input, Multi-Output Information Systems. Management Science, 31(2), 150–162. https://doi.org/10.1287/mnsc.31.2.150
  8. Pipino, L. L., Lee, Y. W., & Wang, R. Y. (2002). Data quality assessment. Communications  of  the ACM, 45(4), 211–218. https://doi.org/10.1145/505248.506010.
  9. Abdouli, M., & Omri, A. (2021). Exploring the nexus among FDI infows, environmental quality, human capital, and economic growth in the Mediterranean region. Journal of the Knowledge Economy, 12(2), 788–810.
  10. Cho, S., Weng, C., Kahn, M. G., & Natarajan, K. (2021). Identifying Data Quality Dimensions for Person-Generated Wearable Device Data: Multi-Method Study. JMIR mHealth and uHealth, 9(12), Стаття e31618. https://doi.org/10.2196/31618.
  11. Bailey, J. E., & Pearson, S. W. (1983). Development of a Tool for Measuring and Analyzing Computer User Satisfaction. Management Science, 29(5), 530–545. https://doi.org/10.1287/mnsc.29.5.530.
  12. DeLone, W. H., & McLean, E. R. (1992). Information Systems Success: The Quest for the Dependent Variable. Information Systems Research, 3(1), 60–95. https://doi.org/10.1287/isre.3.1.60.
  13. Ives, B., Olson, M. H., & Baroudi, J. J. (1983). The measurement of user information satisfaction. Communications of the ACM, 26(10), 785–793.
  14. Laudon, K. C. (1986).  Data  quality  and  due  process  in  large  interorganizational  record systems. Communications of the ACM, 29(1), 4–11. https://doi.org/10.1145/5465.5466.
  15. Morey, R. C. (1982). Estimating and improving the quality of information in a MIS. Communications of the ACM, 25(5), 337–342. https://doi.org/10.1145/358506.358520.
  16. Wang, R. Y., Storey, V. C., & Firth, C. P. (1995). A framework for analysis of data quality research. IEEE Transactions on Knowledge and Data Engineering, 7(4), 623–640.
  17. Feki, C., & Mnif, S. (2016). Entrepreneurship, Technological Innovation, and Economic Growth: Empirical Analysis of Panel Data. Journal of the Knowledge Economy, 7(4), 984–999. https://doi.org/10.1007/ s13132-016-0413-5.
  18. Wand, Y., & Wang, R. Y. (1996). Anchoring data quality dimensions in ontological foundations. Communications of the ACM, 39(11), 86–95. https://doi.org/10.1145/240455.240479.
  19. Ghasemaghaei, M., Ebrahimi, S., & Hassanein, K. (2018). Data analytics competency for improving firm decision making performance. The Journal of Strategic Information Systems, 27(1), 101–113. https://doi.org/10.1016/ j.jsis.2017.10.001.
  20. Ouechtati, I. (2022). Financial inclusion, institutional quality, and inequality: An empirical analysis. Journal of the Knowledge Economy, 1–25. https://doi.org/10.1007/s13132-022-00909-y.
  21. Prifti, R., & Alimehmeti, G. (2017). Market orientation, innovation, and firm performance—an analysis of Albanian firms. Journal of Innovation and Entrepreneurship, 6(1). https://doi.org/10.1186/s13731-017-0069-9.
  22. Berko, A. , Alieksieiev, V. , Lytvyn, V. (2018). Knowledge-based big data cleanup method. CEUR Workshop Proceedings, 2019, 2386, pp. 96–106.