Как оценить качество данных: 10 практических метрик и примеры расчёта

Качество данных напрямую влияет на то, насколько бизнес может доверять отчётам, дашбордам и автоматизированным решениям. Если в системе есть пропуски, дубликаты, устаревшие записи или противоречия между источниками, руководители принимают решения на искажённой картине, аналитики тратят время на ручные проверки, а ИТ-команды постоянно устраняют последствия, а не причины.

В реальной практике одной BI-системы уже недостаточно, если пользователи по-прежнему вручную ищут ошибки, проверяют показатели и готовят объяснения перед каждой встречей. С FineBI + Dora компании могут не только строить доверенные дашборды и семантические модели, но и перейти к следующему уровню: бизнес-пользователи задают вопросы в чате, получают chart-based answer или dashboard-style analysis view на основе доверенных BI-активов и заранее получают scheduled summaries к следующему совещанию.

Когда компания оценивает качество данных системно, она снижает риск ошибочной отчётности, улучшает управляемость KPI, ускоряет аналитику и создаёт основу для внедрения enterprise Data Agent. Без понятных правил качества ни BI, ни AI не смогут работать стабильно на уровне предприятия.

Все дашборды в этой статье созданы с помощью FineBI

Что такое качество данных и зачем его оценивать

Качество данных — это степень, в которой данные соответствуют бизнес-задачам, правилам учёта и реальному состоянию объектов. Проще говоря, это ответ на вопрос: можно ли использовать эти данные для аналитики, отчётности, планирования и автоматизации без постоянных сомнений и ручных перепроверок.

Для бизнеса качество данных важно сразу в нескольких слоях:

• аналитика — корректные дашборды, метрики и расшифровки;
• отчётность — достоверные цифры для менеджмента, финансов и регуляторных задач;
• операционные процессы — CRM, закупки, логистика, продажи, производство;
• автоматизация решений — алерты, рекомендации, приоритизация действий и AI-сценарии.

Если данные плохого качества, возникают типовые риски:

• отчёты показывают неверную картину;
• сотрудники спорят о цифрах вместо обсуждения действий;
• одни и те же KPI считаются по-разному в разных отделах;
• AI-ассистент даёт формально быстрый, но бизнес-ненадёжный ответ;
• появляются лишние расходы из-за дубликатов, ошибок остатков, неверных цен или некорректных клиентских данных.

Особенно важно регулярно проверять состояние данных в следующих случаях:

• перед запуском BI-отчётности для руководства;
• при интеграции нескольких систем;
• при переходе на self-service analytics;
• перед внедрением AI-помощника для бизнеса;
• в сценариях с высокой стоимостью ошибки: финансы, продажи, запасы, производство, клиентские коммуникации.

Для ИТ-команды и владельцев данных это означает смену фокуса: не просто «выгрузить таблицу», а обеспечить подключение источников, семантический слой, качество, права доступа и воспроизводимые правила. Именно на такой основе FineBI строит доверенные дашборды, метрики и семантические активы, а Dora превращает их в управляемый AI assistant для рабочих сценариев.

10 практических метрик для оценки данных

Ниже — 10 метрик, которые чаще всего дают быстрый практический эффект. Для каждой важно определить не только формулу, но и бизнес-значение, порог и сценарий использования в AI-аналитике.

1. Полнота

Полнота показывает, какая доля обязательных значений заполнена. Эта метрика особенно важна для CRM, заказов, справочников и мастер-данных.

• Определение: доля записей, где обязательное поле заполнено.
• Бизнес-ценность: чем выше полнота, тем меньше ручных уточнений, потерь лидов и ошибок сегментации.
• AI use: Dora может по запросу находить поля с низкой заполненностью, сравнивать их с порогами и включать их в периодические briefings.

Простая формула расчёта:

Полнота = (Количество заполненных значений / Общее количество записей) × 100%

Пример:
В таблице клиентов 10 000 записей. Поле email заполнено у 8 700 клиентов.

Полнота email = (8700 / 10000) × 100% = 87%

Если бизнес-порог для маркетинговых рассылок — 95%, то 87% уже означает проблему.

2. Точность

Точность отражает, насколько значения соответствуют реальности или эталонному источнику.

• Определение: доля значений, совпадающих с проверенным источником.
• Бизнес-ценность: влияет на корректность цен, реквизитов, остатков, статусов заказов и финансовых сумм.
• AI use: Dora может получать метрику точности через чат, сравнивать её с бизнес-правилами и включать отклонения в управленческие сводки.

Формула:

Точность = (Количество корректных записей / Количество проверенных записей) × 100%

Пример:
Проверили 2 000 товарных позиций по эталонному прайс-листу. У 1 940 цена совпала.

Точность цен = (1940 / 2000) × 100% = 97%

Если для e-commerce допустим минимум 99,5%, то 97% — это уже риск потери маржи и жалоб клиентов.

3. Актуальность

Актуальность показывает, насколько данные соответствуют текущему состоянию на момент использования.

• Определение: степень соответствия данных реальной ситуации в настоящий момент.
• Бизнес-ценность: критична для запасов, клиентских статусов, дебиторки, заказов и логистики.
• AI use: Dora может определять устаревшие наборы данных, сигнализировать об отклонении SLA обновления и отправлять push-уведомления ответственным.

Пример оценки по сроку обновления:

Актуальность = (Количество записей, обновлённых в допустимый срок / Общее количество записей) × 100%

Пример:
В CRM 5 000 карточек B2B-клиентов. По регламенту данные должны обновляться не реже одного раза в 90 дней. 3 900 карточек обновлялись в срок.

Актуальность = (3900 / 5000) × 100% = 78%

4. Согласованность

Согласованность измеряет отсутствие противоречий между системами, таблицами и полями.

• Определение: доля записей, не содержащих логических или межсистемных конфликтов.
• Бизнес-ценность: помогает избежать ситуаций, когда в ERP заказ закрыт, а в CRM он ещё «в работе».
• AI use: Dora может поднимать согласованность по связанным дашбордам FineBI и объяснять, где именно возникает расхождение.

Пример проверки логических связей:

• статус оплаты = «оплачено»;
• дата оплаты должна быть заполнена;
• сумма оплаты не может быть меньше суммы заказа без признака частичной оплаты.

Формула:

Согласованность = (Количество непротиворечивых записей / Общее количество проверенных записей) × 100%

Пример:
Проверили 12 000 заказов, у 11 460 нет противоречий между CRM и ERP.

Согласованность = (11460 / 12000) × 100% = 95,5%

5. Уникальность

Уникальность показывает, есть ли в данных дубликаты.

• Определение: доля записей без дублирования по выбранному ключу.
• Бизнес-ценность: снижает риск повторных коммуникаций, двойного учёта клиентов, ошибок в аналитике и перерасхода маркетингового бюджета.
• AI use: Dora может по запросу показать долю дубликатов по клиентам, телефонам, email, ИНН или SKU и включить это в data quality summary.

Формула:

Уникальность = (Количество уникальных записей / Общее количество записей) × 100%

Пример:
В клиентской базе 50 000 записей. После дедупликации найдено 47 500 уникальных клиентов.

Уникальность = (47500 / 50000) × 100% = 95%

Доля дубликатов при этом составляет 5%.

6. Валидность

Валидность показывает, соответствуют ли значения нужному формату, диапазону и бизнес-правилам.

• Определение: доля значений, удовлетворяющих заранее определённым правилам.
• Бизнес-ценность: предотвращает ошибки загрузки, расчёта и интеграции.
• AI use: Dora может использовать валидность как часть governed AI workflow: не просто отвечать на вопрос, а учитывать проверенные правила полей и KPI.

Примеры правил валидности:

• email должен содержать @;
• дата не может быть в будущем, если это дата отгрузки;
• скидка должна быть в диапазоне от 0 до 100%;
• возраст клиента не может быть отрицательным.

Формула:

Валидность = (Количество валидных значений / Общее количество проверенных значений) × 100%

Пример:
Из 30 000 email-адресов 28 800 соответствуют формату.

Валидность email = (28800 / 30000) × 100% = 96%

7. Целостность

Целостность оценивает сохранность связей между сущностями и отсутствие «осиротевших» записей.

• Определение: доля записей, для которых соблюдены внешние и логические связи.
• Бизнес-ценность: критична для заказов, строк документов, справочников, контрагентов и финансовых проводок.
• AI use: Dora может автоматически включать нарушения целостности в отчёты для ИТ и владельцев данных, а FineBI — визуализировать проблемные зоны по источникам и сущностям.

Пример проверки внешних связей:
У каждой строки заказа должен существовать заголовок заказа, а у заказа — существующий клиент.

Формула:

Целостность = (Количество записей с корректными связями / Общее количество записей) × 100%

Пример:
В таблице строк заказов 200 000 записей. У 198 600 строк есть корректная ссылка на заказ и клиента.

Целостность = (198600 / 200000) × 100% = 99,3%

8. Доступность

Доступность измеряет, можно ли получить данные вовремя и без технических сбоев.

• Определение: доля времени, когда источник данных, витрина или интерфейс доступны для использования.
• Бизнес-ценность: если данные недоступны к моменту отчётной встречи, формально они есть, но практически бесполезны.
• AI use: Dora может использовать только доверенные и доступные BI-активы, а также сообщать, если источник временно недоступен или расчёты выполняются на последнем актуальном слое FineBI.

Формула:

Доступность = (Время доступности / Общее плановое время) × 100%

Пример:
Источник должен быть доступен 720 часов в месяц. Фактическая недоступность составила 3 часа.

Доступность = ((720 - 3) / 720) × 100% = 99,58%

9. Репрезентативность

Репрезентативность показывает, насколько данные отражают реальную структуру объектов, клиентов или событий.

• Определение: степень соответствия выборки или набора фактической структуре генеральной совокупности.
• Бизнес-ценность: важна для сегментации, прогнозов, маркетинга, клиентского анализа и пилотных решений.
• AI use: Dora может помогать бизнесу быстро проверять, не искажён ли анализ из-за перекоса выборки по регионам, каналам, типам клиентов или периодам.

Пример сравнения:
Если в реальной клиентской базе 40% клиентов — малый бизнес, а в анализируемой выборке их только 15%, выводы по выборке могут быть смещены.

Один из практических подходов: сравнить доли сегментов в выборке и в генеральной совокупности.

Отклонение сегмента = |Доля в выборке - Доля в генеральной совокупности|

Чем меньше отклонение по ключевым сегментам, тем выше репрезентативность.

10. Своевременность

Своевременность измеряет задержку между событием и попаданием данных в систему или витрину.

• Определение: средний или медианный лаг между фактом события и доступностью данных для анализа.
• Бизнес-ценность: особенно важна для продаж, запасов, клиентского сервиса, финансового контроля и операционного мониторинга.
• AI use: Dora может учитывать лаг загрузки при формировании ответов, предупреждать о задержках и не допускать неверной интерпретации «сегодняшних» показателей.

Формула среднего лага:

Средний лаг = Сумма(Время попадания в систему - Время события) / Количество событий

Пример:
За день обработано 1 000 заказов, средняя задержка между оформлением и появлением в витрине составила 45 минут.

Если бизнес-ожидание — не более 15 минут, данные недостаточно своевременны для оперативного управления.

Как считать метрики на практике

Одна из самых частых ошибок — пытаться сразу измерять всё. Рабочий подход начинается с понятного объекта контроля, формальных правил и регулярного мониторинга.

Выберите объект оценки

Сначала нужно определить, что именно вы оцениваете:

• отдельное поле;
• таблицу;
• поток данных;
• витрину;
• отчётный набор;
• бизнес-процесс от источника до дашборда.

Практически полезно выбирать объекты по двум критериям:

1. они влияют на важные KPI;
2. ошибка в них заметно бьёт по деньгам, срокам или управлению.

Например:

• для CRM — карточка клиента и контакты;
• для e-commerce — товары, цены, остатки;
• для финансов — проводки, статьи, закрытие периода;
• для BI — витрина, на которой построен руководительский дашборд.

Зафиксируйте правила и пороги

Каждая метрика должна иметь:

• формальное определение;
• способ расчёта;
• периодичность проверки;
• допустимый порог;
• ответственного за исправление.

Пример:

• полнота телефона клиента — не ниже 92%;
• точность цены — не ниже 99,5%;
• лаг загрузки заказов — не более 15 минут;
• доля дубликатов клиентов — не выше 2%.

Именно здесь BI и AI должны опираться на единые правила. FineBI помогает закрепить KPI, фильтры, словарь показателей и семантику, чтобы метрики качества считались одинаково для всех. Это основа для контролируемого использования Dora, где AI не угадывает смысл метрики, а опирается на доверенный слой.

Подготовьте формулы и источники проверки

Для каждой метрики важно заранее определить:

• где находится эталон;
• какие таблицы участвуют в проверке;
• как считается совпадение;
• какие фильтры и исключения применяются;
• какие периоды считаются нормальными.

Например:

• точность цен проверяется по мастер-прайсу;
• целостность — по связям между заголовками и строками документов;
• актуальность — по дате последнего обновления;
• согласованность — по сопоставлению CRM и ERP.

На практике полезно не ограничиваться SQL-проверками, а выводить результат в BI-слой: так владелец данных видит не только сам факт ошибки, но и динамику, источник, подразделение и критичность проблемы.

Настройте регулярный контроль

Разовая проверка полезна только как старт. Управляемое качество данных начинается там, где проверка становится циклической:

• ежедневно — для критичных операционных потоков;
• еженедельно — для CRM, заказов, запасов;
• ежемесячно — для управленческой и финансовой отчётности.

Именно здесь появляется ценность Agentic BI. Вместо того чтобы вручную открывать несколько дашбордов перед каждой планёркой, компания может настроить:

• scheduled summaries;
• алерты по порогам;
• push-уведомления ответственным;
• follow-up по исключениям;
• чат-доступ к метрикам качества данных.

How an AI Data Agent Handles This Scenario

Если задача — не просто посчитать качество данных один раз, а встроить его в повседневное управление, то нужен не только дашборд, но и enterprise Data Agent, который умеет работать поверх доверенной BI-основы. Для сценария контроля качества данных наиболее уместны два цифровых сотрудника Dora:

• Risk Alert Officer — для мониторинга порогов, аномалий и уведомлений;
• Daily Briefing Secretary — для регулярных сводок по состоянию качества данных;
• в более глубоком анализе подключается Data Analyst digital employee.

Сценарий запроса в чате

Пример вопроса от руководителя аналитики или владельца данных:

«Покажи качество данных по CRM за текущую неделю: полноту телефона и email, долю дубликатов клиентов, актуальность карточек, а также выдели подразделения с наибольшим риском.»

Такой запрос не должен приводить к произвольному ответу AI. В корпоративной среде он должен опираться на доверенные дашборды, KPI-определения, фильтры доступа и семантические правила. Это и есть сильная сторона связки FineBI + Dora.

Как Dora обрабатывает сценарий по шагам

1. Извлекает доверенные активы FineBI
   Dora обращается к уже подготовленным дашбордам, витринам, analysis-subject и метрикам качества данных в FineBI.

2. Понимает KPI, бизнес-термины и правила
   Система учитывает определения метрик: что считается дубликатом, какие поля обязательны, какой порог актуальности допустим, какие фильтры применяются по филиалу, региону или бизнес-единице.

3. Формирует chart-based answer или dashboard-style analysis view
   Пользователь получает не просто текст, а структурированный ответ: таблицу, график, сравнение по подразделениям, список проблемных сегментов.

4. Находит отклонения и нарушения порогов
   Dora может определить, где полнота ниже нормы, где выросла доля дубликатов, где превышен лаг обновления или нарушена согласованность между системами.

5. Отправляет сводки, алерты и push-уведомления
   Если метрика пересекает критический порог, Dora как Risk Alert Officer направляет уведомление владельцу данных, руководителю направления или ИТ-ответственному.

6. Подготавливает follow-up для следующего действия
   Dora может собрать краткую сводку для совещания, список проблем по приоритету и статус исправления для управленческого review.

Почему здесь важна роль FineBI

Dora даёт ценность не как «ещё один чат», а как AI assistant поверх доверенного BI-слоя. Именно FineBI обеспечивает:

• дашборды и витрины по качеству данных;
• единые KPI и формулы;
• семантический слой;
• права доступа;
• визуальное исследование причин;
• повторно используемые trusted semantic assets.

Без этой основы AI может красиво сформулировать ответ, но не гарантирует бизнес-контекст, корректную трактовку показателей и управляемость. С FineBI + Dora компания переходит от модели «люди сами ищут проблемы в дашбордах» к модели, где AI digital employee помогает спрашивать, анализировать, объяснять, пушить и сопровождать исполнение.

Для руководителей это означает понятный ROI: Dora — не AI-эксперимент, а приземлённый цифровой сотрудник для повторяющейся работы с данными: еженедельный quality briefing, мониторинг порогов, уведомления по сбоям и подготовка материалов к встречам.

Для ИТ это означает более зрелую роль: не собирать вручную каждый новый отчёт, а выстраивать подключения, семантический слой, качество, permission governance и переиспользуемые Skills для стабильного AI workflow.

Для бизнес-пользователей это означает меньше трения: не искать нужный дашборд вручную, не ждать аналитика, а получать своевременные метрики, краткие объяснения и исключения прямо в чате.

Примеры расчёта для разных сценариев

CRM и клиентская база

В CRM обычно первыми проверяют:

• заполненность телефона и email;
• дубликаты клиентов;
• актуальность карточек;
• валидность контактных данных.

Пример:

• 20 000 клиентов;
• телефон заполнен у 17 600;
• email валиден у 15 800;
• найдено 1 100 дубликатов;
• 12 400 карточек обновлялись за последние 90 дней.

Расчёты:

Полнота телефона = (17600 / 20000) × 100% = 88%
Валидность email = (15800 / 20000) × 100% = 79%
Уникальность = ((20000 - 1100) / 20000) × 100% = 94,5%
Актуальность = (12400 / 20000) × 100% = 62%

Такой результат обычно сразу показывает, что проблема не в одной метрике, а в целом процессе сопровождения клиентских данных.

Интернет-магазин

Для интернет-магазина важны:

• точность цен;
• актуальность остатков;
• согласованность карточек товара;
• своевременность обновления каталога.

Пример:

• проверено 5 000 SKU;
• у 4 950 цена совпадает с мастер-системой;
• у 4 700 остатков данные обновлены в допустимый срок;
• у 4 820 карточек нет противоречий между витриной и ERP;
• средний лаг обновления — 22 минуты при целевом значении 10 минут.

Расчёты:

Точность цен = (4950 / 5000) × 100% = 99%
Актуальность остатков = (4700 / 5000) × 100% = 94%
Согласованность карточек = (4820 / 5000) × 100% = 96,4%

Даже при высокой точности цен магазин может терять продажи из-за недостаточной актуальности остатков и задержки загрузки.

Финансовая отчётность

В финансовой среде в приоритете:

• валидность значений;
• целостность проводок и справочников;
• своевременность закрытия и загрузки;
• согласованность между источниками.

Пример:

• 80 000 строк проводок;
• 79 600 соответствуют формату и допустимым правилам;
• 79 920 имеют корректные связи со справочниками и документами;
• 78 800 загружены в регламентный срок.

Расчёты:

Валидность = (79600 / 80000) × 100% = 99,5%
Целостность = (79920 / 80000) × 100% = 99,9%
Своевременность загрузки = (78800 / 80000) × 100% = 98,5%

Для финансов это уже рабочая база, но даже 1,5% просроченной загрузки может влиять на своевременность управленческой отчётности.

Частые ошибки при оценке качества данных

Даже хорошая методика не работает, если её внедряют формально. Ниже — самые частые ошибки.

• Использование слишком большого числа метрик без приоритетов
  Если команда сразу запускает десятки проверок, она быстро теряет фокус. Лучше начать с 3–5 метрик на критичный процесс.

• Проверка только одной таблицы без учёта всей цепочки данных
  Ошибка может появляться не в финальной витрине, а на этапе интеграции, трансформации или сопоставления справочников.

• Отсутствие пороговых значений и единой методики расчёта
  Метрика без порога не подсказывает, когда нужно действовать. А разные формулы в разных командах снова приводят к спорам о цифрах.

• Нерегулярный контроль и отсутствие ответственных за исправления
  Если никто не получает алерт и не отвечает за устранение, даже качественный дашборд остаётся просто витриной проблемы.

• Попытка внедрить AI без BI-основы и семантики
  AI не исправляет хаос в данных. Без KPI governance, правил доступа, качества и semantic setup ответы будут нестабильными.

Actionable Best Practices

Ниже — практики, которые помогают реально внедрить контроль качества данных в enterprise-среде, а не ограничиться разовой проверкой.

1. Стандартизируйте KPI, определения и владельцев метрик

Для каждой метрики качества данных определите:

• точную формулу;
• допустимый порог;
• бизнес-смысл;
• владельца;
• регламент реакции.

Это снижает споры между ИТ, аналитикой и бизнесом и создаёт основу для корректной интерпретации в FineBI и Dora.

2. Постройте семантический слой внутри BI-процесса

Качество данных должно быть не только в SQL-скриптах, но и в доверенном BI-слое:

• общие названия метрик;
• единые фильтры;
• бизнес-словарь;
• связи между сущностями;
• понятные разрезы для анализа.

Это повышает landing capability AI-сценария: Dora работает не на сыром наборе полей, а на подготовленных semantic assets.

3. Начинайте с повторяющихся high-value сценариев

Не нужно автоматизировать всё сразу. Лучше выбрать сценарии, где эффект заметен быстро:

• еженедельный quality briefing для CRM;
• алерт по задержке загрузки заказов;
• мониторинг дубликатов клиентов;
• контроль актуальности остатков;
• ежемесячная сводка по качеству финансовых данных.

Именно такие сценарии лучше всего подходят для Daily Briefing Secretary и Risk Alert Officer.

4. Считайте качество данных частью AI-внедрения

Это критически важный AI-специфичный принцип. Если данные плохого качества, AI будет быстрее распространять ошибки. Поэтому при внедрении Dora нужно:

• сохранить permission governance;
• закрепить semantic rules;
• проверять качество исходных активов FineBI;
• запускать Skills только на контролируемых сценариях;
• использовать human review для AI-generated summaries и отчётов.

5. Настройте пороги, маршруты эскалации и push-уведомления

Это второй ключевой AI/Data Agent-специфичный принцип. Метрики должны не просто отображаться на дашборде, а запускать действие:

• кому уходит уведомление;
• при каком пороге;
• в каком канале;
• с каким сроком реакции;
• как фиксируется follow-up.

Именно здесь governed AI workflow даёт преимущество над сырыми prompt-only агентами: процесс становится более контролируемым, аудируемым и стабильным.

FineBI + Dora Solution Pitch

Построить такую систему вручную сложно. Нужно не только собрать проверки, но и связать источники, KPI, права доступа, визуализацию, уведомления, регулярные сводки и сценарии реакции. FineBI помогает командам выстроить доверенные дашборды, метрики и семантические активы. Dora превращает эти активы в AI assistant, который может отвечать на вопросы в чате, формировать dashboard-style analysis view, отправлять scheduled summaries, отслеживать аномалии и сопровождать follow-up с ответственными.

Building this manually is complex. FineBI helps teams build trusted dashboards, metrics, and semantic assets. Dora turns those assets into an AI assistant that can answer questions in chat, generate dashboard-style analysis views, push scheduled summaries, monitor anomalies, and follow up with responsible owners.

С практической точки зрения это особенно важно для компаний, которые хотят внедрить AI не как витринный эксперимент, а как рабочий сценарий. FineBI + Dora — это не только развитие BI, но и реалистичный путь к fourth-generation Agentic BI:

• запрос на естественном языке;
• доверенный семантический слой;
• контролируемый вызов Skills и governed query;
• ответ в виде текста, графика, summary, действия и последующего сопровождения.

FineBI + Dora is not only a BI upgrade; it is a practical fourth-generation Agentic BI path. FineBI provides governed metrics and visual analysis. Dora provides the AI assistant layer for scenario execution, with more controlled Skills, lower token waste, faster execution paths, and more stable workflows than prompt-only agents.

Для enterprise-среды это означает более сильную применимость, чем у feature-only agent comparison:

• Dora работает поверх доверенных BI-активов;
• поддерживает permissions, semantic rules и KPI governance;
• позволяет использовать digital employees для повторяющейся работы с данными;
• снижает операционное трение для бизнеса;
• помогает ИТ строить переиспользуемые и управляемые AI workflows.

Получите готовые шаблоны дашбордов в Fine Gallery.

Самая сильная подача Dora строится не вокруг абстрактного AI, а вокруг связки сценарий + продукт + сервис: FineBI даёт доверенную BI-основу, Dora — AI digital employee для сценария, а сервис внедрения соединяет источники данных, governance, semantic setup, Skills и rollout в рабочий контур.

Вывод: какие метрики выбрать в первую очередь

Если система оценки ещё не внедрена, начните не с полного перечня, а с метрик, которые быстрее всего дают практический эффект:

1. полнота — чтобы увидеть пропуски в критичных полях;
2. точность — чтобы проверить соответствие эталону;
3. уникальность — чтобы убрать дубликаты;
4. актуальность или своевременность — чтобы оценить, можно ли использовать данные для оперативных решений;
5. валидность — чтобы быстро отловить формальные ошибки.

Для большинства компаний именно эти показатели первыми обнаруживают реальные бизнес-риски в CRM, e-commerce, финансах и управленческой отчётности.

Дальше стоит добавлять:

• согласованность между системами;
• целостность связей;
• доступность источников;
• репрезентативность выборок.

Главный принцип простой: качество данных нужно оценивать одновременно как техническую и как бизнес-задачу. Недостаточно проверить формат поля, если из-за устаревших данных KPI уже не отражает реальность. И наоборот, недостаточно требовать от AI быстрых ответов, если за ними нет доверенной BI-основы.

Именно поэтому современный подход выглядит так: FineBI формирует надёжные метрики, дашборды и семантический слой, а Dora превращает их в управляемого AI-помощника для запросов в чате, регулярных сводок, алертов и follow-up. Так контроль качества данных становится не разовой проверкой, а рабочим управленческим процессом.