Standardargumentet för investeringar i datakvalitet bygger på operativ risk: 84 procent av organisationerna upplever mätbara störningar från dålig datakvalitet, och mer än en fjärdedel förlorar över 5 miljoner dollar årligen som en direkt konsekvens. Standardåtgärden är ett program för datakvalitetshantering som mäter noggrannhet, fullständighet, konsekvens, aktualitet, validitet och unikhet mot löpande tröskelvärden, en instrumentpanel med mätvärden som spårar om data som flödar genom operativa system uppfyller definierade standarder.
Det som detta standardramverk inte utformades för är ett moderniseringsprojekt. Att flytta data från en COBOL-baserad stordator till en molnbaserad plattform är inte ett pågående problem med driftskvalitet. Det är en transformationshändelse med specifika krav före migrering, specifika risker vid migreringstid och specifika valideringsbehov efter migrering som standarddimensionerna för datakvalitet endast delvis adresserar. Ramverket för datakvalitetsbedömning som är lämpligt för ett moderniseringsprojekt skiljer sig från ramverket som är lämpligt för driftsövervakning på tre grundläggande sätt: det måste bedöma lämplighet för migrering snarare än lämplighet för aktuell verksamhet, det måste poängsätta migreringsrisk snarare än driftsfelfrekvens, och det måste producera bevis för migreringsvalideringsprocessen som bekräftar om den transformerade datan beter sig likvärdigt med källdatan.
Schema först, sedan poäng
SMART TS XL upptäcker varje FD-post, REDEFINES-hierarki och COMP-3-fält i din COBOL-portfölj.
TA REDA PÅ MER…Varför standardiserade ramverk för datakvalitet är otillräckliga för modernisering
De sex dimensionerna i DAMA-ramverket (Data Management Body of Knowledge), noggrannhet, fullständighet, konsekvens, aktualitet, validitet och unikhet, mäter datakvalitet mot operativa krav. En post som är 95 procent korrekt, 98 procent fullständig och 99 procent konsekvent uppfyller operativa kvalitetströsklar för de flesta system. Den kan vara lämplig för migrering, eller inte, och den kan ge korrekta resultat i målsystemet, eller inte.
Bristen ligger inte i själva dimensionerna utan i vad de mäter och vad de saknar för det specifika syftet med ett moderniseringsprojekt.
Migreringskondition är inte detsamma som operationell kondition. En VSAM-post med ett giltigt COMP-3-packat decimalfält som fungerar korrekt i COBOL kan migrera felaktigt till en måldatabas om målfältet definieras som FLOAT snarare än DECIMAL, ett precisionsfel som klarar operationella kvalitetskontroller eftersom COBOL-programmen som läser det ursprungliga fältet beräknar korrekta resultat från COMP-3-representationen, men producerar avrundningsfel i målsystemet som använder flyttalsberäkning. Poängen för operationell kvalitet var hög; migreringskonditionspoängen är låg.
Källsystemets implicita datakontrakt är osynliga för externa kvalitetsverktyg. COBOL-program upprätthåller datakvalitet genom procedurkod, intervallkontroller i IF-satser, formatvalidering i EVALUATE-block och beräkningsregler i COMPUTE-satser. Dessa kvalitetsregler finns i källkoden, inte i själva data. Externa datakvalitetsverktyg som profilerar data utan att analysera de program som producerar den kan inte se dessa implicita begränsningar och kan därför inte avgöra om målsystemet upprätthåller motsvarande begränsningar.
AI-beredskap introducerar en tredje dimension utöver operativ och migreringskondition. Gartner förutspår att 60 procent av AI-projekt som inte stöds av AI-klar data kommer att överges fram till 2026. ”AI-klar data” är inte samma sak som ”ren data” enligt den operativa definitionen. En AI-modell vet inte att ”Intäkter” i finanssystemet exkluderar återbetalningar men ”Intäkter” i CRM-systemet gör det inte, den behandlar båda som samma mätvärde och bygger vidare på inkonsekvensen. Moderniseringsprojekt som är en del av en AI- eller analystransformation måste poängsätta datakvalitet mot en tredje standard: huruvida den migrerade datan kommer att ge tillförlitliga resultat i nedströms AI- och analytiska arbetsbelastningar.
De moderniseringsspecifika datakvalitetsdimensionerna
Ett ramverk för datakvalitetsbedömning för moderniseringsprojekt utökar de sex standarddimensionerna med fem migreringsspecifika bedömningar:
Standardens sex dimensioner (tillämpade på migrationskontext)
Noggrannhet, i vilken grad data korrekt representerar den verkliga enhet eller händelse den beskriver. I migreringssammanhang måste noggrannheten bedömas mot både källsystemets representation och målsystemets representation. Ett finansiellt belopp lagras som PIC S9(11)V99 COMP-3 I COBOL representerar ett värde med två implicita decimaler i packat decimalformat. Samma mängd som lagras som DECIMAL(13,2) i måldatabasen representerar samma värde. Samma mängd som lagras som FLOAT(8) representerar ett värde som är ungefär korrekt, men inte identiskt, för värden som inte kan representeras exakt i binär flyttal.
Fullständighet , graden till vilken all nödvändig data finns. COBOL-program använder ofta FILLER-fält, utfyllnadsbyte och sentinelvärden (alla mellanslag, alla nollor, HIGH-VALUES) som funktionella motsvarigheter till NULL som inte bokstavligen översätts till SQL NULL-semantik. En fullständighetsbedömning för migrering måste identifiera dessa funktionella nullvärden, värden som är fysiskt närvarande men representerar avsaknaden av meningsfull data, och avgöra hur de mappas till målsystemets nullhantering.
Konsekvens , graden i vilken data är fria från motsägelser mellan datauppsättningar eller inom en datauppsättning. För stordatordata är konsekvens mellan program särskilt viktig: samma affärsenhet (en kund, ett konto, en policy) kan representeras i flera VSAM-filer eller DB2-tabeller som underhålls av olika program. Varje program har sin egen post över enhetens aktuella tillstånd. Konsekvenspoängsättning måste bedöma om dessa representationer överensstämmer, eller identifiera de avvikelser som måste lösas innan migreringen producerar en sammanhängande måldatauppsättning.
Aktualitet , i vilken grad data återspeglar aktuell verklighet inom ett acceptabelt tidsfönster. För batchbearbetade stordatordata bestäms aktualiteten av batchcykeln: en månatlig batch skapar data som är aktuella inom en månad. Aktualitetskravet för målsystemet, som kan behöva data i nära realtid för analysarbetsbelastningar som källsystemet aldrig utformades för att stödja, skapar ett tidsgap som migrering ensam inte kan täcka.
Giltighet, i vilken grad data överensstämmer med definierade format- och typbegränsningar. COBOLs villkorsnamn på 88 nivåer skapar semantiska giltighetsbegränsningar som inte fångas upp av datatypsystemet: ett fält definierat som PIC 9(2) kan vara giltig i COBOL-programmet endast när den innehåller värdena 01–12 (månader) eller 01–31 (dagar), med giltighet som framtvingas av villkoret på nivå 88. Externa datakvalitetsverktyg som profilerar fältet ser ett tvåsiffrigt numeriskt fält; de ser inte den semantiska begränsningen som gör värdena 00, 13–99 ogiltiga i kontexten.
Unikhet , graden till vilken dataentiteter representeras en gång och endast en gång. Unikhetsdimensionen för COBOL-data kräver förståelse för att VSAM KSDS-filer tillämpar unikhet för primära nyckelringar på filnivå, men att samma logiska entitet kan förekomma i flera VSAM-filer som underhålls av olika program, med olika nycklar. Upplösning av filkorsenheter, som avgör om CUSTOMER-RECORD i CUSTMSTR.VSAM och ACCOUNT-HOLDER i ACTHLD.VSAM representerar samma verkliga person, är ett unikhetsproblem som inte kan bedömas genom att undersöka någon av filerna isolerat.
De fem migrationsspecifika dimensionerna
Strukturell integritet , graden i vilken datas fysiska layout matchar de schemadefinitioner som programmen förväntar sig. COBOL-data lagras enligt PIC-klausulspecifikationer; de fysiska bytena på disk eller i VSAM-poster måste överensstämma med dessa specifikationer för att program ska kunna tolka dem korrekt. Strukturella integritetsfel, poster där ett COMP-3-fält innehåller bitmönster som är ogiltiga för packad decimal, eller där ett numeriskt fält innehåller icke-numeriska tecken, finns ofta i äldre data och är osynliga för de program som råkar aldrig använda de ogiltiga värdena. De blir migreringsfel när konverteringsverktyg försöker läsa dessa fält.
Schemavarianttäckning , i vilken grad datakvalitetsbedömningen tar hänsyn till alla REDEFINES-varianter i källschemat. Som diskuterats i samband med VSAM-filstrukturanalys kan en VSAM-post ha flera överlappande layouter definierade genom REDEFINES-klausuler. En standardiserad datakvalitetsbedömning som profilerar baspostlayouten missar kvalitetsegenskaperna hos REDEFINES-varianterna, inklusive värdena i diskriminatorfältet som avgör vilken variant som gäller för varje post, och giltigheten av varje variants fältvärden under lämpliga villkor.
Programövergripande konsistens , graden i vilken datavärden är konsekventa mellan program som upprätthåller överlappande representationer av samma affärsenheter. Denna dimension är specifik för stordatormiljöer där samma enhet underhålls av flera program genom delade datamängder. En affärsregel som implementeras olika i två program, eftersom det ena uppdaterades när regeln ändrades och det andra inte, producerar inkonsekvens mellan program som är osynlig för alla datakvalitetsbedömningar för enskilda program.
Precisionsmedveten kvalitet , graden till vilken numeriska data kan representeras i målsystemet med motsvarande precision. Denna dimension riktar sig specifikt till COMP-3-, COMP- och COMP-5-fälten som är vanliga i COBOL-program och som kräver precisionsmedveten måltypmappning. En kvalitetsbedömning som identifierar alla numeriska fält och utvärderar om deras värden faller inom intervallet och precisionen för målfälttypen är en migreringsspecifik kvalitetskontroll som standardprofileringsverktyg inte utför.
Migreringsberedskapspoäng , en sammansatt bedömning av huruvida varje dataenhet är redo att migreras i befintligt skick, kräver åtgärd före migrering eller kräver transformation på målsidan för att uppnå motsvarande beteende. Migreringsberedskapspoängen är resultatet av de föregående dimensionerna kombinerat: en post som får höga poäng på noggrannhet, fullständighet, konsekvens, validitet, unikhet, strukturell integritet, täckning av schemavarianter, konsekvens mellan program och precisionsmedveten kvalitet är migreringsklar. En post som inte uppfyller någon av dessa dimensioner kräver disposition, rensning, transformering, exkludering eller att deltat accepteras med dokumenterad risk.
Beräkning av det sammansatta kvalitetsresultatet
Den sammansatta datakvalitetspoängen för ett moderniseringsprojekt är ett viktat medelvärde av dimensionspoängen, där vikterna återspeglar den relativa betydelsen av varje dimension för det specifika migreringssammanhanget:
| Dimensionera | Standardvikt | Justering för finansiella data | Justering för Analytics-mål |
|---|---|---|---|
| Noggrannhet | 25% | 30 % (precisionskritisk) | 20% |
| Fullständighet | 20% | 15% | 25 % (AI behöver kompletta funktioner) |
| Konsistens | 15% | 20 % (reglerande) | 20% |
| Giltighet | 15% | 15% | 10% |
| unika | 10% | 10% | 15 % (deduplicering för AI) |
| aktualitet | 5% | 5% | 10 % (modellernas färskhet) |
| Strukturell integritet | 5% | 2% | 0 % (efter konvertering) |
| Schemavarianttäckning | 3% | 2% | 0% |
| Konsistens över flera program | 1% | 1% | 0% |
| Precisionsmedveten kvalitet | 1% | 1% | 0% |
Varje dimension poängsätts från 0–100, och den sammansatta poängen är den viktade summan. Den sammansatta poängen styr klassificeringen av migrationsberedskap:
| Kompositpoäng | Migrationsberedskap | Rekommenderad disposition |
|---|---|---|
| 90-100 | Klar | Migrera med standardvalidering |
| 75-89 | Klar med övervakning | Migrera med förbättrad validering efter migrering |
| 60-74 | Villkorlig | Åtgärda specifika dimensionsfel före migrering |
| 40-59 | Inte redo | Betydande åtgärder före migrering krävs |
| Nedanför 40 | Kritiska kvalitetsproblem | Migrera inte förrän rotorsaksanalysen och åtgärden är klar |
Praktisk mätning: Bedömningsarbetsflödet
En bedömning av datakvalitetspoäng för ett moderniseringsprojekt följer ett specifikt arbetsflöde som skiljer sig från övervakning av operativ kvalitet:
Steg 1: Schemaupptäckt och dokumentation. Innan data kan poängsättas måste schemat som definierar det vara känt. För stordatordata innebär detta att analysera FD-poster, COPY-medlemmar och SELECT-klausuler från varje COBOL-program som har åtkomst till varje datamängd. Schemaupptäcktsfasen producerar: den kompletta fältinventeringen med datatyper, längder och COMP-specifikationer; alla REDEFINES-hierarkier och deras diskrimineringsvillkor; villkorsnamnen på 88-nivå och deras semantiska begränsningar; och datakvalitetsreglerna på programnivå som är inbäddade i PROCEDURE DIVISION-logiken.
Steg 2: Dataprofilering mot det upptäckta schemat. Profilera varje datamängd mot schemat som upptäcktes i steg 1, inte mot ett antaget eller dokumenterat schema. Profilera för: null-ekvivalenta frekvenser (mellanslag, nollor, HÖGA VÄRDEN i fält där NULL-semantik är avsedd); värdeintervallsfördelningar mot 88-nivåbegränsningar; strukturell integritet (giltiga COMP-3-bitmönster, giltiga COMP-5-representationer); konsistens mellan fält (datumfält där dagvärden överstiger maximumvärdet för den angivna månaden); och konsistens mellan poster (relaterade poster som borde överensstämma om delade attribut men inte gör det).
Steg 3: Bedömning av konsistens mellan olika program. För varje affärsenhet som representeras i flera program eller datauppsättningar, bedöm konsistensen mellan representationer. Detta kräver: identifiering av vilka program som upprätthåller överlappande representationer (genom beroendemappning); extrahering av poster för varje representation av varje enhet; jämförelse av de värden som ska vara konsistenta; och dokumentering av avvikelserna med deras frekvens och allvarlighetsgrad.
Steg 4: Precisionskonsekvensanalys. För varje COMP-3- och binärt numeriskt fält, beräkna precisionsimplikationerna av målfältstypmappningen. Specifikt: identifiera eventuella värden i källdata som inte kan representeras exakt i målfältstypen; kvantifiera avrundningsfelet som skulle uppstå vid typkonverteringen; och avgöra om avrundningsfelet är acceptabelt med tanke på nedströmsanvändningsfallet (reglerad rapportering kontra intern analys har olika toleranströsklar).
Steg 5: Dimensionspoängsättning och beräkning av sammansatt poäng. Använd dimensionspoängen och vikta dem enligt datatyp och migreringsmålkontext. Skapa den sammansatta poängen och migreringsberedskapsklassificeringen för varje dataset och för portföljen som helhet.
Steg 6: Planering av åtgärd. För datamängder som ligger under tröskelvärdet för migreringsberedskap, skapa en åtgärdsplan som identifierar: de specifika dataelement som inte klarade kvalitetskontrollerna; volymen av poster som påverkades; den affärsregel eller transformation som skulle korrigera felet; och valideringskontrollen som bekräftar att åtgärden är slutförd.
SQL-mönster för mätning av datakvalitet
Praktisk kvalitetsbedömning kräver körbar mätning. Följande SQL-mönster implementerar de vanligaste moderniseringsspecifika kvalitetskontrollerna mot data som har extraherats från äldre system till en staging-miljö:
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;Kvalitetsgrindsramverket för migrationsvågor
Ett moderniseringsprogram migrerar vanligtvis i vågor, grupper av applikationer och datamängder som flyttas tillsammans. Ramverket för datakvalitetsbedömning styr besluten om vågsammansättning:
Kriterier för migreringsvåg: En datauppsättning är endast berättigad till en migreringsvåg när dess sammansatta kvalitetspoäng överstiger vågens minimitröskelvärde. För nivå 1 (verksamhetskritiska) applikationer är minimitröskelvärdet 85. För nivå 2 är det 75. Detta förhindrar att verksamhetskritiska applikationer migrerar på data som inte har kvalificerats tillräckligt.
Kvalitetskontroll före vågen: Innan någon våg påbörjar migreringskörningen bekräftar en slutlig kvalitetsskanning att datakvalitetspoängen inte har försämrats sedan den första bedömningen. Datakvaliteten kan försämras mellan den första bedömningen och migreringskörningen om källsystemet fortsätter att köras och ackumulerar nya poster som inte uppfyller de kvalitetsstandarder som identifierades under bedömningen.
Validering av ekvivalens efter migrering: Efter varje migreringsvåg tillhandahåller kvalitetsramverket jämförelsebaslinjen: varje dimensionspoäng som beräknas på källdata beräknas om på den migrerade datan, och deltat mellan käll- och målpoängen är migreringskvalitetsrapporten. En migrering som producerade en måldatauppsättning med lägre noggrannhet, lägre fullständighet eller lägre programövergripande konsistens än källan har introducerat en kvalitetsförsämring som måste undersökas innan man fortsätter till nästa våg.
Hur SMART TS XL Stöder datakvalitetsbedömning för modernisering
De migreringsspecifika kvalitetsdimensionerna, täckningen av schemavarianter, konsistens mellan program, precisionsmedveten kvalitet och strukturell integritet beror alla på en förståelsenivå för källkod som standardverktyg för datakvalitet inte har. De kräver att man vet vad programmen som producerar data definierar som giltiga, vilka fält som är COMP-3 och kräver precisionsmedveten målmappning, och vilka program som upprätthåller överlappande representationer av samma affärsenheter.
SMART TS XLÄr statisk kodanalys tillhandahåller schemaupptäcktslagret: analyserar varje FD-post, COPY-medlem och SELECT-klausul i COBOL-portföljen för att producera den kompletta schemainventeringen, alla fältdefinitioner, alla REDEFINES-hierarkier, alla 88-nivåbegränsningar, alla COMP-3-precisionsspecifikationer. Denna inventering är grunden som de migrationsspecifika kvalitetsdimensionerna kräver och som inte kan härledas från själva data.
Mappningen av applikationsberoenden möjliggör bedömning av konsistens mellan olika program: genom att bygga en karta över vilka program som hanterar vilka data, vilka program som skriver till vilka VSAM-datauppsättningar, och vilka datauppsättningar som innehåller överlappande representationer av samma affärsenheter, identifierar beroendekartan de par och grupper som kräver poängsättning av konsistens mellan olika program. Utan denna karta kan inte konsistensdimensionen mellan olika program bedömas eftersom bedömaren inte vet vilka program och datauppsättningar som representerar samma enheter.
Effektanalysfunktionen gör kvalitetsgrindsramverket operativt i stor skala: när ett kvalitetsproblem hittas i en specifik datamängd identifierar effektanalysen varje applikation, program och affärsprocess som är beroende av den datamängden, fastställer omfattningen av kvalitetsproblemets konsekvenser nedströms och prioriterar åtgärd baserat på hur många beroende program som påverkas.
Företagssökningsfunktionen gör kvalitetsinventeringen sökbar genom hela migreringsprogrammet: hitta alla program som läser en specifik VSAM-fil (för att avgränsa den programövergripande konsistensbedömningen), alla fält definierade som COMP-3 (för att bygga den precisionsmedvetna kvalitetsinventeringen), varje villkorsnamn på 88 nivåer (för att räkna upp de semantiska giltighetsbegränsningar som externa verktyg inte kan se). Denna sökfunktion stöder både den initiala kvalitetsbedömningen och den kontinuerliga övervakningen som säkerställer att kvaliteten inte försämras mellan bedömning och migreringskörning.
För organisationer som bedriver äldre modernisering program, SMART TS XLs analys överbryggar klyftan mellan de ramverk för datakvalitet som utformats för operativ övervakning och de migreringsspecifika kvalitetskrav som avgör om moderniseringsprojekt ger korrekta resultat. Standarddimensionerna för datakvalitet är nödvändiga. De migreringsspecifika tilläggen är det som gör dem tillräckliga.
Slutsats: Kvalitet för migrering är inte kvalitet för drift
Datakvalitetslandskapet för 2026 är rikt på ramverk, verktyg och mätvärden utformade för operativ datahantering. DAMA-dimensionerna är väletablerade och implementerade i stor utsträckning. Verktygen Great Expectations, Monte Carlo, Collibra och dbt har mognat avsevärt. Standardmetoden att definiera kvalitetsregler, profilera data och övervaka mot tröskelvärden fungerar bra för det operativa syftet den utformades för.
Moderniseringsprojekt kräver något annat. De kräver kvalitetsbedömning som bedömer migreringskondition, inte operativ kondition. De kräver förståelse för källkoden som producerar data, inte bara själva data. De kräver precisionsmedveten numerisk fältanalys, REDEFINES-varianttäckning och konsistensbedömning mellan program, dimensioner som operativa kvalitetsramverk inte tar upp eftersom operativa system inte kräver dem.
De organisationer som producerar korrekta migreringsresultat är de som bygger sina ramverk för datakvalitetsbedömning för det specifika syftet med migreringen innan de utvidgas för operativ övervakning efteråt. Datakvalitet för migrering är inte en delmängd av operativ datakvalitetshantering. Det är en egen disciplin, med sina egna dimensioner, sina egna tröskelvärden och sina egna valideringskrav, och att behandla det som sådant är det som gör att moderniseringsprogram levererar sina tekniska löften.
