بيانات رديئة تولد قرارات رديئة. معاملة 30% من سجل الأصول بلا تصنيف تعني أنك تتخذ قرارات صيانة بناءً على ثلث المعلومة فقط. هذا الدرس يفكك أبعاد جودة البيانات الخمسة، ويعلمك آليات حوكمة البيانات (Data Governance) والبيانات الرئيسية (Master Data) التي تضمن ثقة القرارات.

1. الأبعاد الخمسة لجودة البيانات

جودة البيانات ليست مفهوماً موحداً، بل تتكون من خمسة أبعاد مترابطة:

1.1 الدقة (Accuracy)

هل تعكس البيانات الواقع الفعلي؟ قراءة درجة حرارة كاشف تصلح 85°م والحرارة الحقيقية 92°م فرق في سبع درجات قد تغير قرار الصيانة تماماً. قياس الدقة يُقارن بين البيانات المسجلة والوقائع الموثقة في الموقع.

1.2 الشمولية (Completeness)

هل تغطي البيانات كل ما تحتاجه؟ سجل أصل يحتوي المعرّف والاسم لكنه يفتق تاريخ الشراء وقيمة الاستبدال وسجل الصيانة — هذا نقص يشلّل أي قرار تحليلي. الشمولية تُقاس بالنسبة المئوية للحقول المطلوبة المملوءة فعلياً.

1.3 التوقيت المناسب (Timeliness)

هل البيانات محدثة في لحظة القرار؟ بيانات صيانة من قبل شهرين لا تعكس حالة الأصل اليوم. التوقيت لا يعني تحديثاً لحظياً دائماً، بل أن تكون البيانات حديثة بما يكفي للقرار المطلوب.

1.4 التناسق (Consistency)

هل البيانات موحدة عبر الأنظمة؟ إذا كان نظام CMMS يسجل “مضخة حريق رقم 5” والنظام المالي يسجل “مضخة HWP-05” والنظام الميكانيكي يسجل “المضخة المركزية” — فقد فقدت التناسق والربط بين الأنظمة الثلاثة.

1.5 الصلاحية (Validity)

هل البيانات ضمن النطاق المقبول؟ سجل أصل عمره 50 سنة وقيمة الشراء 10 دولارات فقط — قد يكون خطأ إدخال أو بيانات اختبار لم تُحذف. الصلاحية تتحقق من أن القيم ضمن نطاق معقول ومتوقع.

2. حوكمة البيانات (Data Governance)

حوكمة البيانات هي الإطار التنظيمي الذي يحدد من المسؤول عن ماذا، وكيف تُخذ القرارات المتعلقة بالبيانات، وكيف تُفرض المعايير.

2.1 الأدوار والمسؤوليات

• مالك البيانات (Data Owner): مسؤول تنظيمي عن محتوى البيانات وصحتها وصلاحيات الوصول.
• مدير البيانات (Data Steward): مسؤول تشغيلي عن جودة البيانات اليومية وتصحيح الأخطاء.
• محلل البيانات (Data Analyst): مسؤول عن التحليل واكتشاف الأنماط والتنبؤات.
• مستخدمو البيانات (Data Users): من يستهلك البيانات في قراراته ويُبلغ عن الأخطاء.

2.2 السياسات والمعايير

• سياسة إدخال البيانات: من يُدخل ماذا ومتى وبأي صيغة.
• سياسة المراجعة: مراجعة دورية (شهرياً أو ربع سنوياً) لاكتشاف الأخطاء والفراغات.
• سياسة الصلاحية: من يملك صلاحية التعديل والحذف.
• سياسة النسخ الاحتياطي: كيف تُحفظ البيانات وكيف تُستعاد عند العطل.

3. البيانات الرئيسية (Master Data)

البيانات الرئيسية هي البيانات الأساسية الثابتة نسبياً التي تُستخدم عبر الأنظمة المختلفة: بيانات الأصول، وبيانات الموردين، وبيانات الموقع، وبيانات التصنيف.

الفرق بين البيانات الرئيسية والبيانات المعاملاتية:

• البيانات الرئيسية: ثابتة نسبياً (اسم الأصل، فئته، موقعه).
• بيانات المعاملات: متغيرة باستمرار (أمر الشغل، قراءة المجس، تكلفة الصيانة).

إدارة البيانات الرئيسية تتطلب قاعدة مركزية موحدة، وقواعد واضحة لمن يُدخل البيانات الجديدة، وآليات لمنع التكرار والتناقض.

4. دورة حياة البيانات (Data Lifecycle)

البيانات مثل الأصول لها دورة حياة:

1. الإنشاء: إدخال البيانات الأولي بدقة وشمولية.
2. الاستخدام: استهلاك البيانات في القرارات والتحليلات.
3. الصيانة: تحديث البيانات وتصحيح الأخطاء وإثراءها.
4. الأرشفة: نقل البيانات القديمة إلى أرشيف عند توقف استخدامها.
5. الحذف: إزالة البيانات التي لا حاجة لها وبطريقة آمنة وقانونية.

Bad data generates bad decisions. Treating 30% of the asset register as unclassified means you are making maintenance decisions based on only a third of the information. This lesson breaks down the five dimensions of data quality and teaches you the mechanisms of Data Governance and Master Data that ensure decision confidence.

1. The five dimensions of data quality

Data quality is not a single concept; it consists of five interconnected dimensions:

1.1 Accuracy

Does the data reflect actual reality? A sensor temperature reading of 85°C when the real temperature is 92°C — a seven-degree difference — can completely change a maintenance decision. Accuracy is measured by comparing recorded data with documented facts on site.

1.2 Completeness

Does the data cover everything you need? An asset record containing the identifier and name but lacking the purchase date, replacement value, and maintenance history is a gap that cripples any analytical decision. Completeness is measured as the percentage of required fields actually filled.

1.3 Timeliness

Is the data current at the moment of the decision? Maintenance data from two months ago does not reflect the asset’s condition today. Timeliness does not always mean real-time updates, but that the data is fresh enough for the decision required.

1.4 Consistency

Is the data standardized across systems? If the CMMS records “fire pump No. 5”, the financial system records “pump HWP-05”, and the mechanical system records “the central pump” — you have lost consistency and the linkage between the three systems.

1.5 Validity

Is the data within the acceptable range? An asset record with an age of 50 years and a purchase value of only $10 may be an entry error or test data that was never deleted. Validity verifies that the values fall within a reasonable, expected range.

2. Data Governance

Data governance is the organizational framework that defines who is responsible for what, how data-related decisions are made, and how standards are enforced.

2.1 Roles and responsibilities

• Data Owner: the organizational role responsible for the data content, its correctness, and access rights.
• Data Steward: the operational role responsible for day-to-day data quality and error correction.
• Data Analyst: responsible for analysis, pattern discovery, and predictions.
• Data Users: those who consume the data in their decisions and report errors.

2.2 Policies and standards

• Data entry policy: who enters what, when, and in what format.
• Review policy: periodic review (monthly or quarterly) to detect errors and gaps.
• Access policy: who holds the right to modify and delete.
• Backup policy: how data is preserved and restored in the event of a failure.

3. Master Data

Master data is the relatively stable foundational data used across the different systems: asset data, supplier data, location data, and classification data.

The difference between master data and transactional data:

• Master data: relatively stable (asset name, its category, its location).
• Transactional data: constantly changing (work order, sensor reading, maintenance cost).

Managing master data requires a single unified base, clear rules for who enters new data, and mechanisms to prevent duplication and inconsistency.

4. The Data Lifecycle

Like assets, data has a life cycle:

1. Creation: initial entry of the data with accuracy and completeness.
2. Use: consuming the data in decisions and analyses.
3. Maintenance: updating the data, correcting errors, and enriching it.
4. Archiving: moving old data to an archive once it is no longer used.
5. Deletion: removing data that is no longer needed, in a safe and lawful manner.

أداة اليوم: ماسح جودة البيانات

أدخل نسب بياناتك الحالية عبر الأبعاد الخمسة وشاهد تقييم جودة البيانات הכולل مع توصيات التحسين.

Today’s tool: DataQualityScanner

Enter your current data percentages across the five dimensions and see the overall data quality assessment with improvement recommendations.

قاموس المصطلحات

Glossary

راجع ما تعلمته

أسئلة سيناريو على الأبعاد الخمسة لجودة البيانات، وحوكمة البيانات وتحديد المالكين والصلاحيات، والبيانات الرئيسية الموحدة.

Review what you learned

Scenario questions on the five dimensions of data quality, data governance with owners and permissions, and unified master data.

الخلاصة

• الأبعاد الخمسة: الدقة والشمولية والتوقيت والتناسق والصلاحية — كل بُعد له أثر مباشر على جودة القرار.
• البيانات الكثيرة ليست بالضرورة بيانات جيدة: الكمية لا تساوي الجودة، وقاعدة بيانات 10,000 سجل فيها 40% نقص هي قاعدة بيانات فقيرة.
• حوكمة البيانات إطار تنظيمي يحدد الأدوار والسياسات والمراجعة — بدونها تبقى البيانات عرضة للفوضى.
• البيانات الرئيسية (Master Data) هي البيانات الأساسية الثابتة التي يجب توحيدتها عبر الأنظمة لمنع التشتت والتكرار.
• دورة حياة البيانات من الإنشاء إلى الحذف — لا تنسَ الأرشفة والصيانة الدورية.

Summary

• The five dimensions: accuracy, completeness, timeliness, consistency, and validity — each dimension directly affects decision quality.
• More data is not necessarily good data: quantity does not equal quality; a database of 10,000 records with 40% missing is a poor database.
• Data governance is an organizational framework defining roles, policies, and review — without it, data remains exposed to chaos.
• Master Data is the stable foundational data that must be unified across systems to prevent fragmentation and duplication.
• The data lifecycle runs from creation to deletion — do not forget archiving and periodic maintenance.

مصادر

• ISO 8000 — معيار جودة البيانات.
• ISO 15489 — إدارة السجلات والوثائق.
• DAMA International — دليل حوكمة البيانات (DMBOK).
• IFMA — ممارسات إدارة البيانات في المنشآت.

Sources

• ISO 8000 — Data Quality Standard.
• ISO 15489 — Records and Document Management.
• DAMA International — Data Management Body of Knowledge (DMBOK).
• IFMA — Data Management Practices in Facilities.