Con Justification e Remediation, Irion offre due risposte distinte all’esito anomalo di un controllo: accettarlo e motivarlo formalmente quando l’anomalia è spiegabile, oppure avviare una correzione strutturata verso il sistema sorgente. In entrambi i casi ogni decisione resta tracciata, documentata e disponibile ai fini di audit.
La Data Quality come disciplina di governo
Negli ultimi anni il dato è diventato un asset strategico a tutti gli effetti, e con esso la Data Quality è diventata una disciplina di enorme rilevanza: non più una questione tecnica per addetti ai lavori, ma un insieme strutturato di processi, responsabilità, strumenti, metriche e controlli di business.
In un contesto in cui i dati crescono per volume e complessità e alimentano un numero sempre maggiore di processi e decisioni, monitorarne la qualità e intercettare tempestivamente le anomalie è un requisito fondamentale per qualsiasi organizzazione data driven. Dati affidabili sono la base per decisioni corrette, processi efficienti, conformità normativa e analisi attendibili. E oggi il tema è ancora più critico: un modello di Intelligenza Artificiale alimentato con dati incoerenti produce risultati inaffidabili su larga scala. L’AI amplifica tanto il valore dei dati di qualità quanto l’impatto di quelli inaffidabili — ed è per questo che la qualità del dato è il vero presupposto di ogni iniziativa di AI.
Proprio per questo, disciplinare la Data Quality significa molto più che eseguire controlli: significa governare. Definire chi è responsabile di cosa, stabilire standard di affidabilità coerenti con gli obiettivi aziendali, misurare l’efficacia del sistema nel tempo. Sono domande operative concrete: chi decide se un dato è abbastanza affidabile per un report regolamentare? Cosa si fa quando lo stesso controllo segnala la stessa anomalia a ogni ciclo? Come si dimostra a un auditor che un’anomalia nota è stata valutata, e non semplicemente ignorata? E soprattutto: cosa fare quando un controllo segnala un’anomalia?
Il modello Hub & Spoke
Per rendere la Data Quality un processo realmente governato, Irion EDM® ha adottato un’architettura hub & spoke. Al centro si trova l’hub (Vellella & Valera,2024), che funge da punto di riferimento unico per tutto ciò che riguarda la governance della qualità del dato: organizza i controlli, raccoglie gli esiti, calcola gli indicatori sintetici di qualità e supporta i processi di validazione. Attorno ad esso operano i cosiddetti spoke, le vere e proprie fabbriche dei controlli (Seno & Valera,2023), poiché progettano, operazionalizzano ed eseguono i controlli direttamente sui diversi sistemi sorgente.
Gli esiti generati vengono poi inviati all’hub, che li consolida e ne garantisce una gestione coerente e centralizzata. In questo modo i controlli vengono eseguiti direttamente dove risiedono i dati, senza spostare grandi quantità di informazioni verso un unico ambiente centralizzato: verso l’hub viaggiano solo gli esiti dei controlli.
Già oggi il modulo Data Quality Hub di Irion Premium Data Quality & Governance® è progettato per essere il punto di riferimento unico per tutto ciò che riguarda gli esiti dei controlli. Oltre a monitorarne il flusso — verificando quanti esiti sono stati ricevuti, da quali sistemi e se vi siano anomalie o mancanze rispetto alle attese — l’hub gestisce in modo strutturato l’intero ciclo di vita degli esiti, secondo una logica fit-for-purpose: consente di certificare la qualità del dato in funzione della sua specifica destinazione d’uso, mettendo a disposizione del business informazioni affidabili, contestualizzate e coerenti con i requisiti del processo che le utilizzerà.
Non tutte le anomalie vanno corrette alla fonte
Quando un controllo di qualità segnala un’anomalia, la reazione istintiva è una sola: aprire un ticket e chiedere a chi gestisce il sistema a monte di correggere il dato e far rieseguire il controllo. È il flusso classico, ed è quello che oggi il modulo Data Quality Hub supporta attraverso la Remediation: si selezionano gli esiti anomali, viene aperto automaticamente un ticket nel sistema di ticketing notificando i responsabili dello spoke coinvolto (l’External System), e si attende che il dato venga corretto.
Ma un esito anomalo è, di norma, corretto: il controllo ha fatto il suo lavoro. Ciò che cambia non è la validità della segnalazione, ma la risposta adeguata. Non sempre serve una correzione a monte. Chiunque lavori ogni giorno con la qualità dei dati sa che un valore “fuori soglia” è spesso perfettamente spiegabile: un evento di business non ricorrente, un cambio normativo non ancora recepito, un caso limite già noto e accettato. In questi casi chiedere allo spoke di “rifare i compiti” è inutile e genera rumore: l’anomalia va semplicemente motivata e documentata.
Motivare e accettare un’anomalia: la Justification
Per questi casi c’è la Justification: il modo per chiudere formalmente un esito anomalo senza coinvolgere il sistema esterno.
- Motivare formalmente la presenza di un’anomalia, lasciando una nota che resta sempre disponibile ai fini di audit.
- Applicare l’override delle severity : le statistiche dell’esito vengono riclassificate — un Error o un Warning possono diventare OK — e l’esito risulta accettato, mantenendo piena tracciabilità dei valori e delle severity originari
Un esempio concreto
I casi tipici sono facili da riconoscere. Il più frequente è la ricalibrazione di una soglia dopo una migrazione: un controllo verifica che il rating di rischio del cliente nel sistema interno sia allineato a quello calcolato dal motore di rating ufficiale, con una tolleranza massima dello 0,5%. In produzione il mismatch sale allo 0,8%, ma la causa è nota — la popolazione include clienti storici migrati da vecchi sistemi, il cui rating non è stato ricalcolato con le logiche del nuovo motore. Gli esiti sono corretti rispetto alla regola: la soglia va semplicemente ricalibrata sui dati reali, e nel frattempo gli esiti già rilevati vanno accettati e mantenuti tracciati. Si selezionano gli esiti anomali e si giustificano con una nota — ad esempio “soglia da ricalibrare post-migrazione in produzione” — e il lavoro sulla revisione del controllo prosegue in parallelo, senza che nessuno resti bloccato ad aspettare.
Lo stesso schema vale per altri casi ricorrenti: la comparsa di categorie o classi non previste dalle condizioni iniziali della regola, eventi di business non ricorrenti, cambi normativi non ancora recepiti. In tutti questi casi la Justification permette di documentare la decisione, mantenere la tracciabilità del dato originario e chiudere l’esito senza attivare una correzione a monte.
Gestire gli esiti: singolarmente o per insiemi omogenei
La Justification si può applicare a un singolo esito o, in un’unica operazione, a un intero insieme omogeneo di esiti. La Remediation di più esiti passa invece sempre dall’apertura di una Issue: il contenitore logico che raccoglie gli esiti anomali e ne consente una gestione strutturata, quando servono coordinamento, il coinvolgimento di altre persone e un ciclo di vita da tracciare nel tempo.
In ogni momento la Issue registra owner, priorità, categoria, scadenza, collaboratori, allegati e una history completa di tutto ciò che è successo: chi ha fatto cosa, quando, e con quali effetti sugli esiti coinvolti.
All’interno di una stessa Issue si possono usare entrambe le azioni: richiedere la Remediation degli esiti da correggere e applicare la Justification sugli altri — ad esempio quando il riciclo non arriva in tempo. Justification e Remediation restano due azioni distinte sull’esito; la Issue è ciò che permette di orchestrarle su più esiti insieme.
Quando un’anomalia ha una spiegazione a termine
Alcune anomalie hanno una causa nota e circoscritta nel tempo: valgono per una finestra definita, poi la situazione cambia. Per questi casi ci sono le Automation Policy: permettono di configurare una volta sola una logica di Justification o Remediation con una data di validità, applicandola automaticamente a tutti gli esiti che soddisfano una regola definita dall’utente per l’intero periodo indicato. Alla scadenza, gli esiti tornano a essere valutati.
Il principio è lo stesso che guida gli strumenti manuali: ogni azione è tracciata, ogni decisione documentata, e il team mantiene piena visibilità su cosa sta succedendo. Le policy sono sempre visibili, modificabili e disattivabili in qualsiasi momento.
Dashboard per il governo degli esiti
Per avere sempre tutto sotto controllo, il Data Quality Hub mette a disposizione due dashboard dedicate: una focalizzata sulle Issue e una sugli esiti, pensate per dare visibilità immediata e a più livelli su tutto ciò che riguarda la gestione delle anomalie e il ciclo di vita degli esiti.
Sono strumenti di analisi, corredati da grafici interattivi e filtrabili per periodo o per priorità, che permettono di rispondere rapidamente alle domande operative che contano davvero: le Issue critiche stanno aumentando o diminuendo? Quanti esiti anomali sono arrivati negli ultimi sei mesi? Quali esiti hanno portato all’apertura di più Issue? Quante Issue vengono aperte in media ogni mese? Grazie a questi insight è possibile costruire un processo virtuoso per migliorare costantemente l’affidabilità dei propri dati.
I vantaggi
Justification, Remediation e Automation Policy non sono tre funzionalità separate: sono tre risposte alla stessa domanda — come si gestisce e si risolve un’anomalia in modo che la decisione presa oggi resti comprensibile, verificabile e difendibile nel tempo.
Il primo effetto si sente sul tempo: non si resta bloccati in attesa di un riciclo quando l’anomalia è già accettabile, e non si perde il filo quando invece il riciclo è necessario. Le anomalie note e attese smettono di richiedere attenzione a ogni ciclo, liberando il giudizio umano per ciò che lo merita davvero: le eccezioni nuove, i casi ambigui, le situazioni fuori schema.
C’è poi un vantaggio meno ovvio e forse più importante: il processo è governato e ripetibile. Quando una giustificazione o una richiesta di remediation segue sempre la stessa logica — manuale o automatica — smette di dipendere dalla singola persona o dal carico del momento. Per chi deve dimostrare in sede di audit che il processo è governato, ogni azione è tracciata e sempre disponibile quando serve.
E c’è l’accountability: si sa sempre chi ha deciso cosa e quando, non perché qualcuno lo ricorda, ma perché ogni azione sugli esiti è attribuita, datata e contestualizzata dentro il sistema.
A tutto questo si aggiungono le metriche di KQI: le dashboard dedicate a Issue ed esiti permettono di leggere in ogni momento lo stato di salute del sistema nel suo insieme — quante anomalie sono ancora aperte, da quanto tempo, con quale priorità e se il trend sta migliorando o peggiorando.
Per vederlo in azione è possibile richiedere una demo: mostriamo come la Justification e la Remediation di Irion Premium Data Quality & Governance entrano da subito nel flusso di lavoro.
FAQ
La Justification è l’azione con cui si motiva e si accetta formalmente un esito anomalo di un controllo di qualità, senza correggerlo alla fonte. Prevede una nota esplicativa sempre disponibile ai fini di audit e può includere l’override della severity — le statistiche in Error o Warning possono passare a OK — mantenendo la tracciabilità dei valori originari.
La Remediation avvia una correzione del dato alla fonte: apre un ticket verso il sistema sorgente (External System) perché il dato venga corretto e il controllo rieseguito. La Justification, invece, accetta e documenta un’anomalia spiegabile senza coinvolgere il sistema esterno. Sono le due risposte possibili a uno stesso esito anomalo, e sono alternative: per ciascun esito si sceglie di giustificarlo oppure di avviarne la remediation.
Una Issue è il contenitore logico che raccoglie un insieme di esiti anomali per gestirli in modo strutturato. Ha un proprio ciclo di vita ed è caratterizzata da owner, priorità, categoria, scadenza, collaboratori, allegati e una history sempre disponibile ai fini di audit.
Le Automation Policy applicano automaticamente la logica di Justification o Remediation agli esiti che soddisfano una regola definita dall’utente, per una finestra temporale con data di validità. Configurate una volta sola, restano sempre visibili, modificabili e disattivabili, con ogni azione tracciata e documentata.
Il Data Quality Hub è il modulo di Irion Premium Data Quality & Governance che centralizza la gestione degli esiti dei controlli di qualità. Ne monitora il flusso, ne governa l’intero ciclo di vita secondo una logica fit-for-purpose e mette a disposizione gli strumenti di Justification, Remediation e Automation Policy.
Riferimenti blibliografici
- Vellella, M., & Valera, R. (2024). Data Quality Hub: il “cervello” dei controlli sui dati. Irion. https://www.irion-edm.com/it/risorse/data-quality-hub-whitepaper/
- Seno, G., & Valera, R. (2023). La fabbrica dei controlli: dove nasce il valore della Data Quality. Irion. https://www.irion-edm.com/it/risorse/fabbrica-controlli-data-quality-whitepaper/
