W projektach analitycznych i AI większość pracy dotyczy danych.
Typowe problemy
- brakujące wartości i luki w pomiarach,
- błędy czujników i dryf,
- nieujednolicone formaty i jednostki,
- duplikaty,
- niereprezentatywne próbki.
Dobre praktyki
Walidacja na wejściu, monitorowanie jakości, dokumentacja źródeł (data lineage), kalibracja czujników, kontrola wersji zbiorów danych.
W kontekście liczników
Błąd systematyczny w zliczaniu osób przekłada się na błędne decyzje, np. dotyczące obsady, więc cykliczna weryfikacja ręczna jest niezbędna.
