Dette white paper giver et overblik over best practice for validering af IoT-data og viser, hvordan datakvaliteten kan sikres, så den er egnet til det tilsigtede formål.
Betydningen af datavalidering kan ikke overvurderes. I McKinsey-rapporten The Internet of Things: Catching up to an accelerating opportunity fra november 2021 står der: "Vi estimerer, at den samlede værdi skabt af IoT ved udgangen af 2020 var 1,6 billioner amerikanske dollars." Denne værdiskabelse afhænger af gyldigheden og kvaliteten af de IoT-data, som danner grundlag for datadrevne beslutninger.
Få vejledning og inspiration til arbejdet med datakvalitet
I dette white paper præsenterer vi best practice for validering af IoT-data, herunder processer og værktøjer. Den viden, der præsenteres, er indsamlet og/eller udviklet af Force Technology i samarbejde med Alexandra Instituttet under Nordic IoT Centre. Formålet er at give vejledning og inspiration til virksomheder og organisationer, der ønsker at forbedre datakvaliteten i deres IoT-systemer eller få indsigt i, hvordan kvaliteten af deres IoT-data kan vurderes.
Forstå, hvordan datavalidering kan forbedre datakvalitet og datavaliditet
Datavalidering er processen med at sikre, at data har den nødvendige nøjagtighed og kvalitet, så de er egnede til det tilsigtede formål. Den beskrevne proces for datavalidering fokuserer primært på data fra IoT-systemer, men kan også anvendes på andre typer data. Det skyldes, at IoT-systemer sjældent udelukkende håndterer "IoT-data", som ofte opfattes som tidsseriemålinger.
Datavalidering er en iterativ proces, der har til formål at sikre et passende niveau af datakvalitet for et system eller en applikation. Klare krav til datakvalitet og en målrettet prioritering af aktiviteter i den iterative valideringsproces er afgørende for at forbedre datavaliditet og datakvalitet med en effektiv indsats.
Download whitepaper
