Standardní argument pro investice do kvality dat je založen na provozním riziku: 84 procent organizací zažívá měřitelné narušení v důsledku nízké kvality dat a více než čtvrtina z nich v důsledku toho ztrácí ročně přes 5 milionů dolarů. Standardní reakcí je program řízení kvality dat, který měří přesnost, úplnost, konzistenci, včasnost, platnost a jedinečnost v porovnání s průběžnými prahovými hodnotami, a to prostřednictvím přehledu metrik, který sleduje, zda data protékající provozními systémy splňují definované standardy.
Tento standardní rámec nebyl navržen pro modernizační projekt. Přesun dat z mainframu založeného na COBOLu na cloudovou platformu není trvalým problémem provozní kvality. Jedná se o transformační událost se specifickými požadavky před migrací, specifickými riziky v době migrace a specifickými potřebami validace po migraci, které standardní dimenze kvality dat řeší pouze částečně. Rámec pro hodnocení kvality dat vhodný pro modernizační projekt se liší od rámce vhodného pro provozní monitorování ve třech základních ohledech: musí hodnotit vhodnost pro migraci spíše než vhodnost pro aktuální provoz, musí hodnotit riziko migrace spíše než míru provozních chyb a musí pro proces validace migrace poskytovat důkazy, které potvrzují, zda se transformovaná data chovají ekvivalentně zdrojovým datům.
Nejprve schéma, pak skóre
SMART TS XL vyhledá všechny položky FD, hierarchie REDEFINES a pole COMP-3 ve vašem portfoliu COBOL.
ZJISTĚTE VÍCE…Proč standardní rámce pro kvalitu dat nestačí pro modernizaci
Šest dimenzí rámce DAMA (Data Management Body of Knowledge) – přesnost, úplnost, konzistence, aktuálnost, platnost a jedinečnost – měří kvalitu dat vzhledem k provozním požadavkům. Záznam, který je z 95 procent přesný, z 98 procent úplný a z 99 procent konzistentní, splňuje prahové hodnoty provozní kvality pro většinu systémů. Může, ale nemusí být vhodný pro migraci a může, ale nemusí produkovat správné výsledky v cílovém systému.
Nedostatek nespočívá v samotných dimenzích, ale v tom, co měří a co postrádají pro specifický účel modernizačního projektu.
Vhodnost migrace není totéž co provozní vhodnost. Záznam VSAM s platným dekadickým polem s plovoucí desetinnou čárkou v jazyce COMP-3, které funguje správně v jazyce COBOL, může migrovat nesprávně do cílové databáze, pokud je cílové pole definováno jako FLOAT, nikoli jako DECIMAL. Jedná se o chybu přesnosti, která projde kontrolou provozní kvality, protože programy v jazyce COBOL, které čtou původní pole, vypočítají správné výsledky z reprezentace COMP-3, ale v cílovém systému, který používá aritmetiku s plovoucí desetinnou čárkou, produkují chyby zaokrouhlování. Skóre provozní kvality bylo vysoké; skóre vhodnosti migrace je nízké.
Implicitní datové kontrakty zdrojového systému jsou pro externí nástroje pro kontrolu kvality neviditelné. Programy v COBOLu vynucují kvalitu dat prostřednictvím procedurálního kódu, kontrol rozsahu v příkazech IF, validace formátu v blocích EVALUATE a pravidel výpočtu v příkazech COMPUTE. Tato pravidla kvality existují ve zdrojovém kódu, nikoli v samotných datech. Externí nástroje pro kontrolu kvality dat, které profilují data bez analýzy programů, které je produkují, tato implicitní omezení nevidí, a proto nemohou určit, zda cílový systém vynucuje ekvivalentní omezení.
Připravenost umělé inteligence zavádí třetí dimenzi nad rámec provozní a migrační způsobilosti. Gartner předpovídá, že 60 procent projektů umělé inteligence, které nejsou podporovány daty připravenými pro umělou inteligenci, bude do roku 2026 opuštěno. „Data připravená pro umělou inteligenci“ nejsou podle provozní definice totéž co „čistá data“. Model umělé inteligence neví, že „příjmy“ ve finančním systému vylučují refundace, ale „příjmy“ v CRM nikoli, zachází s oběma jako se stejnou metrikou a staví na této nekonzistenci. Modernizační projekty, které jsou součástí transformace umělé inteligence nebo analytiky, musí hodnotit kvalitu dat podle třetího standardu: zda migrovaná data přinesou spolehlivé výsledky v následných úlohách umělé inteligence a analytiky.
Dimenze kvality dat specifické pro modernizaci
Rámec pro hodnocení kvality dat pro modernizační projekty rozšiřuje standardních šest dimenzí o pět hodnocení specifických pro migraci:
Standardních šest dimenzí (aplikovaných na kontext migrace)
Přesnost, míra, do jaké data správně reprezentují entitu nebo událost reálného světa, kterou popisují. V kontextu migrace musí být přesnost posouzena jak s ohledem na reprezentaci zdrojového systému, tak i na reprezentaci cílového systému. Finanční částka uložená jako PIC S9(11)V99 COMP-3 V COBOLu představuje hodnotu se dvěma implicitními desetinnými místy v dekadickém formátu. Stejná hodnota uložená jako DECIMAL(13,2) v cílové databázi představuje stejnou hodnotu. Stejná hodnota uložená jako FLOAT(8) představuje hodnotu, která je přibližně správná, ale ne identická, pro hodnoty, které nelze přesně reprezentovat v binárním formátu s plovoucí desetinnou čárkou.
Úplnost , stupeň, do kterého jsou přítomna všechna požadovaná data. Programy v COBOLu často používají pole FILLER, výplňové bajty a sentinelové hodnoty (všechny mezery, všechny nuly, HIGH-VALUES) jako funkční ekvivalenty NULL, které se doslovně nepřekládají do sémantiky NULL v SQL. Posouzení úplnosti pro migraci musí identifikovat tyto funkční null hodnoty, které jsou fyzicky přítomny, ale představují absenci smysluplných dat, a určit, jak se mapují na zpracování null cílovým systémem.
Konzistence , míra, do jaké jsou data bez rozporů napříč datovými sadami nebo v rámci jedné datové sady. U dat sálových počítačů je konzistence napříč programy obzvláště důležitá: stejná obchodní entita (zákazník, účet, zásada) může být reprezentována ve více souborech VSAM nebo tabulkách DB2 spravovaných různými programy. Každý program má svůj vlastní záznam o aktuálním stavu entity. Bodové hodnocení konzistence musí posoudit, zda se tyto reprezentace shodují, nebo identifikovat nesrovnalosti, které je třeba vyřešit, než migrace vytvoří koherentní cílovou datovou sadu.
Aktuálnost , míra, do jaké data odrážejí aktuální realitu v přijatelném časovém okně. U dávkově zpracovávaných dat na mainframech je aktuálnost určena dávkovým cyklem: měsíční dávka vytváří data, která jsou aktuální s přesností na jeden měsíc. Požadavek na aktuálnost cílového systému, který může vyžadovat data téměř v reálném čase pro analytické úlohy, pro které zdrojový systém nikdy nebyl navržen, vytváří mezeru v aktuálnosti, kterou samotná migrace nemůže uzavřít.
Platnost, míra, do jaké data odpovídají definovaným omezením formátu a typu. Názvy podmínek COBOLu s 88 úrovněmi vytvářejí sémantická omezení platnosti, která nejsou zachycena systémem datových typů: pole definované jako PIC 9(2) může být platné v programu COBOL pouze tehdy, pokud obsahuje hodnoty 01–12 (měsíce) nebo 01–31 (dny), přičemž platnost je vynucena podmínkou úrovně 88. Externí nástroje pro kvalitu dat, které profilují pole, vidí dvoumístné číselné pole; nevidí sémantické omezení, které činí hodnoty 00, 13–99 v kontextu neplatnými.
Jedinečnost , míra, do jaké jsou datové entity reprezentovány jednou a pouze jednou. Dimenze jedinečnosti pro data v COBOLu vyžaduje pochopení toho, že soubory VSAM KSDS vynucují jedinečnost primárního klíče na úrovni souboru, ale že stejná logická entita se může objevit ve více souborech VSAM spravovaných různými programy s různými klíči. Rozlišení entit napříč soubory, tedy určení, zda ZÁZNAM-ZÁKAZNÍK (CUSTOMER-RECORD) v CUSTMSTR.VSAM a DRŽITEL-ÚČTU (ACCOUNT-HOLDER) v ACTHLD.VSAM představují stejnou skutečnou osobu, je problém jedinečnosti, který nelze posoudit izolovaným zkoumáním obou souborů.
Pět dimenzí specifických pro migraci
Strukturální integrita , míra, do jaké fyzické rozložení dat odpovídá definicím schématu, které programy očekávají. Data v COBOLu jsou uložena podle specifikací klauzule PIC; fyzické bajty na disku nebo v záznamech VSAM musí těmto specifikacím odpovídat, aby je programy mohly správně interpretovat. Selhání strukturální integrity, tedy záznamy, kde pole COMP-3 obsahuje bitové vzory, které jsou neplatné pro balené desítkové soustavy, nebo kde číselné pole obsahuje nečíselné znaky, se často vyskytují ve starších datech a jsou neviditelná pro programy, které tyto neplatné hodnoty nikdy nevyužívají. Selhání migrace se stávají selháními, když se konverzní nástroje pokusí tato pole číst.
Pokrytí variant schématu , míra, do jaké hodnocení kvality dat zohledňuje všechny varianty REDEFINES ve zdrojovém schématu. Jak bylo diskutováno v kontextu analýzy struktury souborů VSAM, záznam VSAM může mít více překrývajících se rozvržení definovaných pomocí klauzulí REDEFINES. Standardní hodnocení kvality dat, které profiluje rozvržení základního záznamu, nezohledňuje charakteristiky kvality variant REDEFINES, včetně hodnot v poli diskriminátoru, které určují, která varianta se vztahuje na každý záznam, a platnost hodnot polí každé varianty za příslušné podmínky.
Konzistence mezi programy , míra, do jaké jsou datové hodnoty konzistentní napříč programy, které udržují překrývající se reprezentace stejných obchodních entit. Tato dimenze je specifická pro prostředí sálových počítačů, kde je stejná entita udržována více programy prostřednictvím sdílených datových sad. Obchodní pravidlo, které je implementováno odlišně ve dvou programech, protože jeden byl aktualizován při změně pravidla a druhý ne, vytváří nekonzistenci mezi programy, která je neviditelná pro jakékoli hodnocení kvality dat jednoho programu.
Kvalita s ohledem na přesnost (Precision-aware quality) , míra, do jaké lze numerická data v cílovém systému reprezentovat s ekvivalentní přesností. Tato dimenze se konkrétně zabývá poli COMP-3, COMP a COMP-5, která jsou běžná v programech COBOL a která vyžadují mapování cílového typu s ohledem na přesnost. Posouzení kvality, které identifikuje všechna numerická pole a vyhodnocuje, zda jejich hodnoty spadají do rozsahu a přesnosti cílového typu pole, je kontrola kvality specifická pro migraci, kterou standardní profilační nástroje neprovádějí.
Skóre připravenosti na migraci , kompozitní posouzení toho, zda je každá datová entita připravena k migraci tak, jak je, vyžaduje nápravu před migrací nebo transformaci na straně cíle k dosažení ekvivalentního chování. Skóre připravenosti na migraci je výstupem kombinované hodnoty předchozích dimenzí: záznam, který splňuje vysoké skóre v oblasti přesnosti, úplnosti, konzistence, platnosti, jedinečnosti, strukturální integrity, pokrytí variant schématu, konzistence napříč programy a kvality s ohledem na přesnost, je připraven k migraci. Záznam, který nesplňuje některou z těchto dimenzí, vyžaduje odstranění, vyčištění, transformaci, vyloučení nebo přijetí delty se zdokumentovaným rizikem.
Výpočet kompozitního skóre kvality
Kompozitní skóre kvality dat pro modernizační projekt je váženým průměrem skóre dimenzí, kde váhy odrážejí relativní význam každé dimenze pro specifický kontext migrace:
| Dimenze | Standardní hmotnost | Úprava o finanční údaje | Úprava pro cíl analytických nástrojů |
|---|---|---|---|
| Přesnost | 25% | 30 % (kritická přesnost) | 20% |
| Úplnost | 20% | 15% | 25 % (AI potřebuje kompletní funkce) |
| Konzistence | 15% | 20 % (regulační) | 20% |
| Platnost | 15% | 15% | 10% |
| Jedinečnost | 10% | 10% | 15 % (deduplikace pro AI) |
| Včasnost | 5% | 5% | 10 % (čerstvost pro modelky) |
| Strukturální integrita | 5% | 2% | 0 % (po konverzi) |
| Pokrytí variant schématu | 3% | 2% | 0% |
| Konzistence napříč programy | 1% | 1% | 0% |
| Kvalita s důrazem na preciznost | 1% | 1% | 0% |
Každý rozměr je hodnocen na stupnici od 0 do 100 a kompozitní skóre je vážený součet. Kompozitní skóre určuje klasifikaci připravenosti na migraci:
| Složené skóre | Připravenost na migraci | Doporučené uspořádání |
|---|---|---|
| 90-100 | Připravený | Migrace se standardním ověřením |
| 75-89 | Připraveno s monitorováním | Migrace s vylepšeným ověřováním po migraci |
| 60-74 | podmiňovací | Oprava selhání specifických dimenzí před migrací |
| 40-59 | Není připraven | Vyžaduje se rozsáhlá nápravná opatření před migrací |
| Pod 40 | Kritické problémy s kvalitou | Neprovádějte migraci, dokud nebude dokončena analýza a náprava hlavní příčiny. |
Praktické měření: Pracovní postup hodnocení
Hodnocení kvality dat pro modernizační projekt se řídí specifickým pracovním postupem, který se liší od monitorování provozní kvality:
Krok 1: Objevování a dokumentace schématu. Než lze vyhodnotit jakákoli data, musí být známo schéma, které je definuje. Pro data sálových počítačů to znamená analýzu položek FD, členů COPY a klauzulí SELECT z každého programu v COBOLu, který přistupuje ke každé datové sadě. Fáze objevování schématu vytváří: kompletní inventář polí s datovými typy, délkami a specifikacemi COMP; všechny hierarchie REDEFINES a jejich diskriminační podmínky; názvy podmínek na úrovni 88 a jejich sémantická omezení; a pravidla kvality dat na úrovni programu zabudovaná do logiky PROCEDURE DIVISION.
Krok 2: Profilování dat podle objeveného schématu. Profilujte každou datovou sadu podle schématu objeveného v kroku 1, nikoli podle předpokládaného nebo zdokumentovaného schématu. Profilujte pro: frekvence ekvivalentů nul (mezery, nuly, VYSOKÉ HODNOTY v polích, kde je zamýšlena sémantika NULL); distribuce rozsahů hodnot podle omezení úrovně 88; strukturální integritu (platné bitové vzory COMP-3, platné reprezentace COMP-5); konzistenci napříč poli (datová pole, kde hodnoty dnů překračují maximum pro daný měsíc); a konzistenci napříč záznamy (související záznamy, které by se měly shodovat na sdílených atributech, ale neshodují se).
Krok 3: Posouzení konzistence napříč programy. Pro každou obchodní entitu, která je zastoupena ve více programech nebo datových sadách, posouďte konzistenci napříč reprezentacemi. To vyžaduje: identifikaci programů, které udržují překrývající se reprezentace (pomocí mapování závislostí); extrakci záznamů pro každou reprezentaci každé entity; porovnání hodnot, které by měly být konzistentní; a dokumentaci nesrovnalostí s jejich četností a závažností.
Krok 4: Analýza dopadu na přesnost. Pro každé pole COMP-3 a binární číselné pole vypočítejte důsledky mapování typu cílového pole pro přesnost. Konkrétně: identifikujte všechny hodnoty ve zdrojových datech, které nelze přesně reprezentovat v typu cílového pole; kvantifikujte chybu zaokrouhlení, která by vznikla v důsledku konverze typu; a určete, zda je chyba zaokrouhlení přijatelná vzhledem k případu použití v následných systémech (regulační reporting versus interní analytika mají různé prahové hodnoty tolerance).
Krok 5: Bodové hodnocení dimenzí a výpočet kompozitního skóre. Aplikujte skóre dimenzí a vážte je podle datového typu a kontextu cíle migrace. Vytvořte kompozitní skóre a klasifikaci připravenosti na migraci pro každou datovou sadu a pro portfolio jako celek.
Krok 6: Plánování nápravy. Pro datové sady, které nedosahují prahové hodnoty připravenosti k migraci, vytvořte plán nápravy, který identifikuje: konkrétní datové prvky, které neprošly kontrolou kvality; objem dotčených záznamů; obchodní pravidlo nebo transformaci, která by selhání napravila; a ověřovací kontrolu, která potvrdí dokončení nápravy.
SQL vzory pro měření kvality dat
Praktické hodnocení kvality vyžaduje spustitelné měření. Následující vzory SQL implementují nejběžnější kontroly kvality specifické pro modernizaci u dat, která byla extrahována ze starších systémů do testovacího prostředí:
sql
-- 1. Completeness: detect functional nulls (spaces/zeros as NULL equivalents)
SELECT
COUNT(*) AS total_records,
SUM(CASE WHEN TRIM(CUSTOMER_NAME) = ''
THEN 1 ELSE 0 END) AS functional_null_name,
SUM(CASE WHEN ACCOUNT_BALANCE = 0
AND ACCOUNT_STATUS NOT IN ('ACTIVE','CLOSED')
THEN 1 ELSE 0 END) AS suspicious_zero_balance,
ROUND(100.0 * SUM(CASE WHEN TRIM(CUSTOMER_NAME) = ''
THEN 1 ELSE 0 END)
/ COUNT(*), 2) AS functional_null_pct
FROM staging_customer_master;
-- 2. Validity: check 88-level equivalent constraints (month range)
SELECT
COUNT(*) AS total_records,
SUM(CASE WHEN TRANSACTION_MONTH NOT BETWEEN 1 AND 12
THEN 1 ELSE 0 END) AS invalid_month_count,
SUM(CASE WHEN TRANSACTION_DAY NOT BETWEEN 1 AND 31
THEN 1 ELSE 0 END) AS invalid_day_count,
SUM(CASE WHEN TRANSACTION_YEAR < 1900
OR TRANSACTION_YEAR > 2100
THEN 1 ELSE 0 END) AS invalid_year_count
FROM staging_transaction_header;
-- 3. Precision impact: identify values that lose precision in FLOAT conversion
SELECT
RECORD_KEY,
ORIGINAL_AMOUNT,
CAST(CAST(ORIGINAL_AMOUNT AS FLOAT) AS DECIMAL(13,2)) AS float_roundtrip,
ABS(ORIGINAL_AMOUNT -
CAST(CAST(ORIGINAL_AMOUNT AS FLOAT) AS DECIMAL(13,2)))
AS precision_loss
FROM staging_financial_amounts
WHERE ABS(ORIGINAL_AMOUNT -
CAST(CAST(ORIGINAL_AMOUNT AS FLOAT)
AS DECIMAL(13,2))) > 0.005
ORDER BY precision_loss DESC;
-- 4. Cross-program consistency: compare entity representations across programs
SELECT
a.CUSTOMER_ID,
a.CUSTOMER_NAME AS name_in_custmstr,
b.ACCOUNT_HOLDER_NAME AS name_in_acthld,
a.CUSTOMER_ADDRESS AS addr_in_custmstr,
b.MAILING_ADDRESS AS addr_in_acthld,
CASE WHEN a.CUSTOMER_NAME <> b.ACCOUNT_HOLDER_NAME
THEN 'NAME_MISMATCH' ELSE 'OK' END AS name_consistency,
CASE WHEN TRIM(a.CUSTOMER_ADDRESS) <> TRIM(b.MAILING_ADDRESS)
THEN 'ADDRESS_MISMATCH' ELSE 'OK' END AS addr_consistency
FROM staging_customer_master a
JOIN staging_account_holder b
ON a.CUSTOMER_ID = b.CUSTOMER_ID
WHERE a.CUSTOMER_NAME <> b.ACCOUNT_HOLDER_NAME
OR TRIM(a.CUSTOMER_ADDRESS) <> TRIM(b.MAILING_ADDRESS)
ORDER BY a.CUSTOMER_ID;
-- 5. Uniqueness: identify duplicates on logical keys
SELECT
CUSTOMER_ID,
COUNT(*) AS occurrence_count,
MIN(RECORD_TIMESTAMP) AS first_occurrence,
MAX(RECORD_TIMESTAMP) AS last_occurrence
FROM staging_customer_master
GROUP BY CUSTOMER_ID
HAVING COUNT(*) > 1
ORDER BY occurrence_count DESC;Rámec Quality Gate pro migrační vlny
Modernizační program obvykle migruje ve vlnách, skupinách aplikací a datových sad, které se pohybují společně. Rozhodnutí o složení vln se řídí rámcem pro hodnocení kvality dat:
Kritéria způsobilosti pro vlnu: Datová sada je způsobilá pro migrační vlnu pouze tehdy, když její kompozitní skóre kvality překročí minimální prahovou hodnotu pro danou vlnu. Pro aplikace úrovně Tier 1 (kritické pro misi) je minimální prahová hodnota 85. Pro úroveň Tier 2 je to 75. To zabraňuje migraci kritických aplikací na datech, která nebyla dostatečně kvalifikována.
Kontrola kvality před zahájením migrace: Před zahájením migrace v jakékoli vlně se provede závěrečná kontrola kvality, která potvrdí, že se skóre kvality dat od počátečního posouzení nesnížilo. Kvalita dat se může mezi počátečním posouzením a provedením migrace zhoršit, pokud zdrojový systém nadále běží a shromažďuje nové záznamy, které nesplňují standardy kvality identifikované během posouzení.
Ověření ekvivalence po migraci: Po každé vlně migrace poskytuje rámec kvality základní srovnávací hodnotu: každé skóre dimenze vypočítané ze zdrojových dat se přepočítává z migrovaných dat a delta mezi zdrojovým a cílovým skóre představuje zprávu o kvalitě migrace. Migrace, která vytvořila cílovou datovou sadu s nižší přesností, nižší úplností nebo nižší konzistencí napříč programy než zdroj, způsobila snížení kvality, které je nutné prozkoumat před přechodem k další vlně.
Jak SMART TS XL Podporuje hodnocení kvality dat pro modernizaci
Dimenze kvality specifické pro migraci, pokrytí variant schématu, konzistence napříč programy, kvalita s ohledem na přesnost a strukturální integrita, to vše závisí na úrovni porozumění zdrojovému kódu aplikace, kterou standardní nástroje pro kvalitu dat nemají. Vyžadují znalost toho, co programy, které produkují data, definují jako platné, která pole jsou COMP-3 a vyžadují mapování cílů s ohledem na přesnost a které programy udržují překrývající se reprezentace stejných obchodních entit.
SMART TS XLJe statická analýza kódu poskytuje vrstvu pro objevování schématu: analýzu každé položky FD, člena COPY a klauzule SELECT v celém portfoliu COBOL za účelem vytvoření kompletního inventáře schématu, všech definic polí, všech hierarchií REDEFINES, všech omezení na úrovni 88 a všech specifikací přesnosti COMP-3. Tento inventář je základem, který vyžadují dimenze kvality specifické pro migraci a který nelze odvodit ze samotných dat.
Mapování závislostí aplikací umožňuje posouzení konzistence napříč programy: vytvořením mapy, která ukazuje, které programy uchovávají která data, které programy zapisují do kterých datových sad VSAM a které datové sady obsahují překrývající se reprezentace stejných obchodních entit, mapa závislostí identifikuje dvojice a skupiny, které vyžadují hodnocení konzistence napříč programy. Bez této mapy nelze posoudit dimenzi konzistence napříč programy, protože hodnotitel neví, které programy a datové sady představují stejné entity.
Díky analýze dopadů je rámec pro kontrolu kvality funkční ve velkém měřítku: když je v konkrétní datové sadě nalezen problém s kvalitou, analýza dopadů identifikuje každou aplikaci, program a obchodní proces, který je na této datové sadě závislý, určí rozsah následných důsledků problému s kvalitou a upřednostní nápravu na základě toho, kolik závislých programů je ovlivněno.
Funkce podnikového vyhledávání umožňuje dotazování v inventáři kvality v průběhu celého migračního programu: nalezení každého programu, který čte konkrétní soubor VSAM (pro stanovení rozsahu posouzení konzistence napříč programy), každého pole definovaného jako COMP-3 (pro vytvoření inventáře kvality s ohledem na přesnost) a každého názvu podmínky na úrovni 88 (pro výčet sémantických omezení platnosti, která externí nástroje nevidí). Tato vyhledávací funkce podporuje jak počáteční posouzení kvality, tak průběžné monitorování, které zajišťuje, že se kvalita mezi posouzením a provedením migrace nesníží.
Pro organizace provádějící starší modernizace programy, SMART TS XLAnalýza [dokumentu] překlenuje mezeru mezi rámci kvality dat určenými pro provozní monitorování a požadavky na kvalitu specifickými pro migraci, které určují, zda modernizační projekty produkují správné výsledky. Standardní dimenze kvality dat jsou nezbytné. Rozšíření specifická pro migraci je činí dostatečnými.
Závěr: Kvalita pro migraci není kvalita pro provoz
Pro rok 2026 je situace v oblasti kvality dat bohatá na rámce, nástroje a metriky určené pro správu provozních dat. Dimenze DAMA jsou dobře zavedené a široce implementované. Nástroje Great Expectations, Monte Carlo, Collibra a DBT výrazně dospěly. Standardní přístup definování pravidel kvality, profilování dat a monitorování oproti prahovým hodnotám funguje dobře pro provozní účel, pro který byl navržen.
Modernizační projekty vyžadují něco jiného. Vyžadují hodnocení kvality, které posuzuje vhodnost pro migraci, nikoli provozní vhodnost. Vyžadují pochopení zdrojového kódu, který data produkuje, nejen samotných dat. Vyžadují přesnou numerickou analýzu polí, pokrytí variant REDEFINES a posouzení konzistence napříč programy, což jsou dimenze, které rámce provozní kvality neřeší, protože je operační systémy nevyžadují.
Organizace, které produkují správné výsledky migrace, jsou ty, které si vybudují své rámce pro hodnocení kvality dat pro specifický účel migrace, než je následně rozšíří pro operační monitorování. Kvalita dat pro migraci není podmnožinou řízení kvality operačních dat. Je to samostatná disciplína s vlastními dimenzemi, vlastními prahovými hodnotami a vlastními požadavky na validaci a právě zacházení s ní jako s takovou umožňuje modernizačním programům plnit své technické sliby.
