OZ 2004/4

208 ORGANIZACIJA ZNANJA 2004, LETN. 9, ZV. 4 macij in ponovnega dela, naraščata strankina zadovolj- nost in zadovoljivo delavčevo znanje, prav tako naraščata profit in nova dodana vrednost. Razviti modeli so postali nova modna muha. Našteti je možno čez 120 različnih razvitih modelov za vodenje kakovosti, vodenje kakovosti programske opreme, infor- macijske kakovosti in upravljanja informacij. Na žalost mnogi od teh ne vsebujejo pravih glavnih sestavin razvi- tega modela kakovosti. V svoji predstavitvi je Larry P. English opisal postopno razvijanje okolja informacijske kakovosti v organizaciji. Opisal je po točkah: • stopnje razvitosti upravljanja kakovosti informacij, • posnetek stanja, kje smo, • vzpostavljanje vizije, • planiranje naslednjih korakov, • zagotavljanje stalne rasti in napredovanja, • premik k varnosti. Rick van der Lans (Industry Analyst, Consultancy BV) je v predstavitvi Data Profiling Tools for Investigating the Quality of Data opisoval profiliranje podatkov in profili- ranje podatkov proizvodov kot orodij za preiskavo infor- macijske kakovosti. Opisal je: • kako profiliranje podatkov vpliva oziroma pomaga pri kakovosti podatkov, • kako najdemo ključne anomalije, skrite funkcionalne odvisnosti, nepravilne vzorce, • pregled tržišča, ki vsebuje: Ascential ProfileStage, Avellino Discovery, Evoke Axio, FirstLogic IQ In- sight in Mosaic Imperative Profiler, • demo verzije orodij za profiliranje podatkov, • razlike med profiliranjem podatkov in čistilnimi orodji, • omejitve pri orodjih za profiliranje podatkov. Andres Perez (Senior Information Management Consultant, IRM Consulting) je v svoji predstavitvi Data Certification: Experiences with New Data Management & Quality Met- hods opisoval, kaj je overitev podatkov in kako pomaga povečati kakovost informacij. Overitev podatkov ( data certi- fication ) je tehnika za zagotavljanje informacijske kakovosti. Naučiti se je treba, kako vpeljati učinkovito politiko, stan- darde in vodila. Dal je napotke za razumevanje, kako lahko izvedemo overjanje podatkov za kakovost informacij: • katere so komponente overjanja podatkov, • kakšna je vloga informacijskega nadzornika in overit- ve podatkov, • kako izvesti overitev podatkov, • katere so pastí v tem postopku in kako se jim izogniti. Kim Duckworth (Research Data Manager, New Zealand Ministry of Fisheries) je v predavanju Developing and Implementing a Strategic Plan for Improving the Qulity of Fisheries Commercial catch Data govoril, da so za za- jemanje podatkov v novozelandski vladi za področje ribi- štva porabili sredstev v vrednosti ene milijarde dolarjev. Analitiki ocenjujejo, da se je od te vrednosti 1,6 milijona vsako leto porabilo samo za odpravljanje vnesenih napak v podatkovnih nizih. Izdelali so strateški plan za izbolj- šavo kakovosti zajetih podatkov in izpeljali 20 projektov izboljšav. Avtorjevo predavanje je imelo tri poudarke: • izvajanje programa izboljšanja kakovosti, • vzpostavljanje realno potrebnih podatkov (tako da bodo omejeni viri lahko kar najbolje izkoriščeni), • “prodaja” izboljšav (tako da se izboljšave lahko vzdr- žujejo). Diana Joseph (Architect Information Quality, Old Mutual) je v predstavitvi Data Quality, Meta Data and Business Rules: Partnered in the Pursuit of Information Quality opisovala (praktičen primer Old Mutual) težke začetke, izzive in dosežke od zaznave problemov kakovo- sti podatkov do zaščite podatkov pred problemi. Prikazu- je kakovost podatkov, metapodatke in poslovna pravila, ki omogočajo vpogled na njihov pristop k doseganju ka- kovosti informacij. Predstavitev po točkah: • arhitektura podatkovne kakovosti, • arhitektura poslovnih pravil, • partnerstvo – integrirana arhitektura upravljanja infor- macij, • uvedba procesov in tehnik, • omogočanje tehnologij – poslovna pravila, integrirana z meritvami kakovosti podatkov, popravki podatkov in podpora metapodatkom. Konferenco je spremljala tudi zanimiva razstava ponudbe več podjetij in družb s področja informacijske tehnologi- je. Nekaj zanimivih: Evaxyx, Similarity Systems, QAS, ObjectStore, Trillium Software, Tranat, DataFlux, Power- Designer, TheDataCircle. Metka Bakan Toplak POROČILO