{"id":70543,"date":"2026-09-16T09:23:31","date_gmt":"2026-09-16T08:23:31","guid":{"rendered":"https:\/\/www.irion-edm.com\/?p=70543"},"modified":"2026-09-16T09:31:47","modified_gmt":"2026-09-16T08:31:47","slug":"justification-remediation-data-quality","status":"publish","type":"post","link":"https:\/\/www.irion-edm.com\/it\/notizie\/justification-remediation-data-quality\/","title":{"rendered":"Justification e Remediation: il governo degli esiti anomali nella Data Quality"},"content":{"rendered":"\n

Con Justification e Remediation, Irion offre due risposte distinte all’esito anomalo di un controllo: accettarlo e motivarlo formalmente quando l’anomalia \u00e8 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.<\/p>\n\n\n\n

La Data Quality come disciplina di governo<\/h2>\n\n\n\n

Negli ultimi anni il dato \u00e8 diventato un asset strategico<\/strong> a tutti gli effetti, e con esso la Data Quality \u00e8 diventata una disciplina di enorme rilevanza<\/a>: non pi\u00f9 una questione tecnica per addetti ai lavori, ma un insieme strutturato di processi, responsabilit\u00e0, strumenti, metriche e controlli di business.<\/p>\n\n\n\n

In un contesto in cui i dati crescono per volume e complessit\u00e0 e alimentano un numero sempre maggiore di processi e decisioni, monitorarne la qualit\u00e0 e intercettare tempestivamente le anomalie \u00e8 un requisito fondamentale per qualsiasi organizzazione data driven. Dati affidabili sono la base per decisioni corrette, processi efficienti, conformit\u00e0 normativa e analisi attendibili.<\/strong> E oggi il tema \u00e8 ancora pi\u00f9 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 qualit\u00e0 quanto l’impatto di quelli inaffidabili \u2014 ed \u00e8 per questo che la qualit\u00e0 del dato \u00e8 il vero presupposto di ogni iniziativa di AI.<\/p>\n\n\n\n

Proprio per questo, disciplinare la Data Quality significa molto pi\u00f9 che eseguire controlli: significa governare.<\/strong> Definire chi \u00e8 responsabile di cosa, stabilire standard di affidabilit\u00e0 coerenti con gli obiettivi aziendali, misurare l’efficacia del sistema nel tempo. Sono domande operative concrete: chi decide se un dato \u00e8 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 \u00e8 stata valutata, e non semplicemente ignorata? E soprattutto: cosa fare quando un controllo segnala un’anomalia?<\/p>\n\n\n\n

Il modello Hub & Spoke<\/h2>\n\n\n\n

Per rendere la Data Quality un processo realmente governato, Irion EDM\u00ae ha adottato un’architettura hub & spoke. Al centro si trova l’hub<\/em> <\/a>(Vellella & Valera,2024), che funge da punto di riferimento unico per tutto ci\u00f2 che riguarda la governance della qualit\u00e0 del dato: organizza i controlli, raccoglie gli esiti, calcola gli indicatori sintetici di qualit\u00e0 e supporta i processi di validazione. Attorno ad esso operano i cosiddetti spoke<\/em>, le vere e proprie fabbriche dei controlli<\/a> (Seno & Valera,2023), poich\u00e9 progettano, operazionalizzano ed eseguono i controlli direttamente sui diversi sistemi sorgente.<\/p>\n\n\n\n

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 quantit\u00e0 di informazioni verso un unico ambiente centralizzato: verso l’hub viaggiano solo gli esiti dei controlli.<\/p>\n\n\n\n

Gi\u00e0 oggi il modulo Data Quality Hub di Irion Premium Data Quality & Governance\u00ae \u00e8 progettato per essere il punto di riferimento unico per tutto ci\u00f2 che riguarda gli esiti dei controlli.<\/strong> Oltre a monitorarne il flusso \u2014 verificando quanti esiti sono stati ricevuti, da quali sistemi e se vi siano anomalie o mancanze rispetto alle attese \u2014 l’hub gestisce in modo strutturato l’intero ciclo di vita degli esiti, secondo una logica fit-for-purpose:<\/strong> consente di certificare la qualit\u00e0 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 utilizzer\u00e0.<\/p>\n\n\n\n

Non tutte le anomalie vanno corrette alla fonte<\/h2>\n\n\n\n

Quando un controllo di qualit\u00e0 segnala un’anomalia, la reazione istintiva \u00e8 una sola: aprire un ticket e chiedere a chi gestisce il sistema a monte di correggere il dato e far rieseguire il controllo. \u00c8 il flusso classico, ed \u00e8 quello che oggi il modulo Data Quality Hub supporta attraverso la Remediation:<\/strong> 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.<\/p>\n\n\n\n

Ma un esito anomalo \u00e8, di norma, corretto: il controllo ha fatto il suo lavoro. Ci\u00f2 che cambia non \u00e8 la validit\u00e0 della segnalazione, ma la risposta adeguata. Non sempre serve una correzione a monte. Chiunque lavori ogni giorno con la qualit\u00e0 dei dati sa che un valore “fuori soglia” \u00e8 spesso perfettamente spiegabile: un evento di business non ricorrente, un cambio normativo non ancora recepito, un caso limite gi\u00e0 noto e accettato. In questi casi chiedere allo spoke di “rifare i compiti” \u00e8 inutile e genera rumore: l’anomalia va semplicemente motivata e documentata.<\/p>\n\n\n\n

Motivare e accettare un’anomalia: la Justification<\/h2>\n\n\n\n

Per questi casi c’\u00e8 la Justification: il modo per chiudere formalmente un esito anomalo senza coinvolgere il sistema esterno.<\/p>\n\n\n\n