کتاب Data Quality Engineering in Financial Services (مهندسی کیفیت داده‌ها در خدمات مالی: به کارگیری تکنیک‌های تولید در داده‌ها) از جدیدترین منابع حوزه‌ی علوم داده برای کیفیت داده‌ها و مهندسی آن در خدمات مالی است. این کتاب در 10 فصل به شرح مقدماتی تا بیان نکات پیشرفته در مهندسی کیفیت داده‌ها خواهد پرداخت.
در ادامه مقدمه‌ای از کتاب Data Quality Engineering in Financial Services را از زبان نویسنده شرح خواهیم داد.
مقدمه‌ای بر کتاب Data Quality Engineering in Financial Services:
اکثر مردم می‌گویند ما در دنیایی زندگی می‌کنیم که در آن به نظم و انضباط تولید و استانداردهای کیفیتی که برای تهیه غذاهایی که می‌خوریم، آبی که می‌نوشیم، داروهایی که مصرف می‌کنیم و محصولات فناوری پیشرفته ای که در زندگی روزمره خود استفاده می‌کنیم، اعتماد داریم.
ما می‌توانیم از سال‌های تکامل در علم، اصلاح در تکنیک‌های تولید، و تدوین مشخصات محصول که اساس اعتمادی را که امروز در مصرف و استفاده از محصولات فیزیکی از آن برخورداریم، قدردانی کنیم. با توجه به دستاوردهای عظیم در علم، فناوری و تولید؛ پس چه تفاوتی در مورد داده‌های مورد استفاده در صنعت مالی وجود دارد که به موجب آن داده‌ها و اطلاعات باید دائماً بررسی، بازبینی و تطبیق شوند تا از صحت و کیفیت آن اطمینان حاصل شود؟
داده‌ها مواد خام اساسی مورد استفاده در صنعت مالی برای مدیریت دارایی‌های بازنشستگی و خانواده شما، تامین سرمایه عملیاتی و رشد برای شرکت‌ها و هدایت سیستم مالی جهانی به عنوان خون حیات اقتصاد جهانی است.
بیشتر بخوانید: کتاب Data Quality Fundamentals
برخلاف صنعت تولید، جریان‌های داده در صنعت مالی از مبتنی بر فریاد باز، تلفن، دنباله‌های کاغذی و نوارهای تیک تاک به پایه‌گذاری در برنامه‌های پیچیده و پیچیده محاسباتی، هوش مصنوعی و یادگیری ماشین تبدیل شده‌اند. ما داده‌ها را از طریق برنامه‌های کاربردی پیچیده جمع‌آوری، ذخیره و ارسال می‌کنیم، و از داده‌ها در فرآیندهای تجاری با این فرض کلی استفاده می‌کنیم که داده‌ها قابل اعتماد و مناسب برای استفاده هستند.
با این حال، داده‌ها هیچ شکل فیزیکی ندارند و قابلیت شکل‌پذیری بی‌نهایت را دارند. در مقابل، مواد خام در ساخت و ساز دارای شکل فیزیکی هستند. خواص فیزیکی را می‌توان بر اساس مشخصات برای خواص فیزیکی و تحمل‌هایی که ماده خام برای استفاده مطابق آن‌ها تایید شده است اندازه گیری و ارزیابی کرد.
این یکی از مفاهیم کلیدی است که به موجب آن ما یک چارچوب تولیدی مشابه را برای داده‌ها اعمال می‌کنیم و ویژگی‌های داده را که می‌توان بر اساس یک مشخصات اندازه گیری کرد، تعریف می‌کنیم. نمونه‌هایی از داده‌ها به گونه‌ای ارائه می‌شوند که گویی دارای فرم فیزیکی و جرمی هستند، اما در چارچوب ابعاد داده‌های قابل اندازه‌گیری: کامل بودن، به موقع بودن، دقت، دقت، انطباق، تطابق، جمع‌آوری و انسجام.
فرض در این کتاب این است که داده‌ها شکل دارند، ابعاد قابل اندازه‌گیری دارند و می‌توانند نسبت به مشخصات کیفیت داده‌ها و تحمل‌هایی که معیارهای کیفیت داده را به دست می‌دهند، بررسی و اندازه‌گیری شوند. سپس نتایج را می‌توان با استفاده از مشخصات کیفیت داده برای استخراج معیارهای کیفیت داده تجزیه و تحلیل کرد. فرآیندهای کیفیت داده‌ها در تولید شامل ارزیابی اندازه‌گیری‌های خاص مواد فیزیکی نسبت به مشخصات کنترل می‌شود. نتایج برای تعیین اینکه آیا اندازه‌گیری‌ها و معیارهای کیفیت مواد در مشخصات طراحی و تحمل‌های قابل قبول هستند، تجزیه و تحلیل می‌شوند.
در حالی که صنعت مالی با فقدان استانداردهای صنعتی برای شناسایی، تعریف و نمایش داده‌ها همراه با سرعت سریع نوآوری محصولات مالی دست و پنجه نرم می‌کند، تکامل و بلوغ تولید نشان‌دهنده روش‌های بسیار قوی، دقت و خلوص در تکنیک‌ها و دقت در مواد است. در حال پردازش. امروزه ما از پیچیدگی‌های فنی که داروهای مدرن، ژنتیک، محصولات فوق‌العاده، جت‌ها، ماهواره‌ها، گوشی‌های هوشمند، تلویزیون‌های صفحه تخت، هوش مصنوعی، رباتیک، رایانه‌های ساعت مچی را به ما می‌دهند، لذت می‌بریم و شاید آن را بدیهی می‌دانیم – این فهرست بی‌پایان است.
صنعت مالی می‌تواند چیزهای زیادی از کاربرد تکنیک‌های تولید بالغ در رشته مدیریت داده نابالغ ما بیاموزد. مزیت اصلی اعمال دقت مشابه در اعتبارسنجی کیفیت داده‌ها، داده‌های با کیفیت بالا است. با این حال، از منظر تجاری، مزایای اضافی شامل موارد زیر است:
- بهره‌وری عملیاتی
- هزینه کمتر عملیات
- تلاش کمتر هدر رفته
- دقت داده‌های بالاتر
- تصمیم‌گیری تجاری دقیق‌تر
کتاب Data Quality Engineering in Financial Services برای ارائه چارچوب‌ها و تکنیک‌های مفیدی در نظر گرفته شده است که می‌تواند در ساختار داده‌ها و عملیات مدیریت داده شما معرفی شود. انتظار این است که استفاده از این تکنیک‌ها و چارچوب‌ها کارایی پردازش داده‌ها، شناسایی داده‌ها، کیفیت داده‌ها را بهبود بخشد، مسائل مربوط به داده‌های عملیاتی را کاهش دهد و اعتماد به اینکه داده‌ها برای کسب و کار آماده و مناسب هستند را افزایش دهد.
سرفصل‌های کتاب Data Quality Engineering in Financial Services:
- Preface
- 1. Thinking Like a Manufacturer
- 2. The Shape of Data
- 3. Data Quality Specifications
- 4. DQS Model Example
- 5. Data Quality Metrics and Visualization
- 6. Operational Efficiency Cost Model
- 7. Data Governance
- 8. Master Data Management
- 9. Data Project Methodology
- 10. Enterprise Data Management
- Index
- About the Author
جهت دانلود کتاب Data Quality Engineering in Financial Services می‌توانید پس از پرداخت، دریافت کنید.
نقد و بررسی‌ها
هنوز بررسی‌ای ثبت نشده است.