Насколько данные полны, актуальны, непротиворечивы и пригодны для решений.
Почему это важно здесь
Определяет, можно ли доверять отчётности и работают ли решения на данных. Автоматизация и модели поверх плохих данных масштабируют ошибку, а не убирают её.
Пример
Проверка честности: попросить двух людей независимо посчитать один показатель. Расхождение больше нескольких процентов означает, что данным доверять нельзя.
Измерения качества
- Полнота: заполнены ли нужные поля.
- Точность: соответствуют ли данные реальности.
- Согласованность: совпадают ли данные в разных системах.
- Актуальность: насколько свежие.
- Уникальность: нет ли дублей.
Почему важно
Отчёты, прогнозы и ИИ работают только на качественных данных. Ошибка в данных CRM превращается в неверный прогноз выручки.
Как улучшать
Назначить владельцев данных, проверки при вводе и регулярные отчёты о качестве.
Рядом
Управление данными, RevOps, AI Data Lifecycle
Материал обновлён 3 октября 2026
Материал оказался полезным?
Спасибо. Это влияет на то, что мы разберём дальше.