# Misurare la qualità dei dati

> Definire KPI, costruire scorecard e stabilire benchmark per la qualità dei dati al fine di promuovere il miglioramento continuo.

Source: https://dataqualitysense.com/it/resources/best-practices/measuring-data-quality/
Last updated: 2026-04-16

---

## Cosa imparerete

Questa guida illustra come stabilire un programma di misurazione che dimostri il valore della qualità dei dati. Comprenderete:

- I KPI essenziali per i programmi di qualità dei dati
- Come costruire una scorecard per la qualità dei dati
- Obiettivi di benchmark per tipo di campo e settore
- Cadenza della reportistica e comunicazione con gli stakeholder
- Come calcolare il ROI dai miglioramenti della qualità dei dati

## Perché la misurazione è importante

I problemi di qualità dei dati restano soggettivi senza misurazione. [Nel 2026, le organizzazioni all'avanguardia quantificano le prestazioni dei dati](https://lakefs.io/data-quality/data-quality-metrics/) per misurare l'affidabilità tra i sistemi, identificare e prioritizzare le lacune che incidono sulla redditività e costruire fiducia nei modelli di analytics e AI.

Il business case è chiaro. [La ricerca pubblicata in MIT Sloan Management Review (Redman, 2017)](https://sloanreview.mit.edu/article/seizing-opportunity-in-data-quality/) stima che la scarsa qualità dei dati costi alle aziende il 15-25% dei ricavi, e [Gartner pone la perdita media a 12,9 milioni di dollari per organizzazione per anno](https://www.gartner.com/en/data-analytics/topics/data-quality). Il divario di misurazione è altrettanto documentato: uno [studio di Harvard Business Review (Nagle, Redman, Sammon, 2017)](https://hbr.org/2017/09/only-3-of-companies-data-meets-basic-quality-standards) in cui i manager hanno valutato i propri dataset ha rilevato che solo il 3% ha soddisfatto gli standard di qualità di base — e quasi la metà dei record appena creati conteneva almeno un errore critico.

Senza metriche, non è possibile:
- Dimostrare il miglioramento nel tempo
- Giustificare l'investimento nelle iniziative di qualità
- Identificare quali problemi correggere per primi
- Responsabilizzare i team sui risultati

## KPI essenziali per la qualità dei dati

Iniziate con questi KPI fondamentali organizzati per dimensione.

### KPI di completezza

| KPI | Formula | Obiettivo |
|-----|---------|--------|
| **Tasso di compilazione** | Record compilati / Record totali | 95%+ per i campi critici |
| Tasso di null | Record null / Record totali | < 5% |
| Tasso di vuoti | Stringhe vuote / Record totali | < 2% |

### KPI di validità

| KPI | Formula | Obiettivo |
|-----|---------|--------|
| **Tasso di validità** | Record con formato valido / Record totali | 98%+ per e-mail, 90%+ per telefoni |
| Conteggio non validi | Record che non superano la validazione | Tendenza verso zero |
| Conformità al pattern | Record conformi al pattern atteso / Totale | Variabile per campo |

### KPI di unicità

| KPI | Formula | Obiettivo |
|-----|---------|--------|
| **Tasso di unicità** | Valori unici / Valori totali | 95%+ per i campi identificativi |
| Conteggio duplicati | Record con valori duplicati | Tendenza verso zero |
| Rapporto valori distinti | Valori distinti / Record totali | Dipende dal contesto |

### KPI di tempestività

| KPI | Formula | Obiettivo |
|-----|---------|--------|
| **Tasso di freschezza** | Record aggiornati entro la soglia / Totale | 80%+ |
| Età media | Giorni medi dall'ultimo aggiornamento | Variabile per tipo di campo |
| Conteggio record obsoleti | Record che superano la soglia di freschezza | Tendenza verso zero |

### KPI di coerenza

| KPI | Formula | Obiettivo |
|-----|---------|--------|
| **Tasso di conformità** | Record conformi allo standard / Totale | 90%+ |
| Conteggio varianti | Numero di variazioni dei valori | Minimizzare |
| Copertura del valore dominante | Frequenza del valore più comune / Totale | Dipende dal contesto |

## Costruire una scorecard per la qualità dei dati

Una scorecard aggrega i KPI in una vista unica per gli stakeholder. [Monitorare le metriche attraverso una scorecard aiuta le organizzazioni ad analizzare lo stato complessivo e costruire confronti con le prestazioni passate](https://atlan.com/data-quality-metrics/).

### Struttura della scorecard

| Componente | Scopo |
|-----------|---------|
| **Punteggio complessivo** | Un singolo numero che riassume la qualità (0-100) |
| **Punteggi per dimensione** | Dettaglio per dimensione |
| **Indicatori di tendenza** | Direzione rispetto al periodo precedente |
| **Aree critiche** | Campi o oggetti che richiedono attenzione |

### Layout tipo della scorecard

```
SCORECARD QUALITÀ DEI DATI - Gennaio 2026

PUNTEGGIO COMPLESSIVO: 82/100 (↑ 3 punti rispetto a dicembre)

PUNTEGGI PER DIMENSIONE:
├── Completezza:   87%  (↑)
├── Validità:      91%  (→)
├── Unicità:       78%  (↑)
├── Tempestività:  72%  (↓)
└── Coerenza:      84%  (→)

PROBLEMI PRINCIPALI:
1. Lead.Phone validità al 67% (obiettivo: 90%)
2. Account.LastActivityDate freschezza al 58% (obiettivo: 80%)
3. Contact.Email duplicati: 2.340 record

AZIONI:
- Campagna di pulizia numeri di telefono (Responsabile: Sales Ops)
- Processo di revisione attività Account (Responsabile: Account Management)
```

### Calcolare un punteggio complessivo

Pesare le dimensioni in base all'importanza per il business:

| Dimensione | Peso | Punteggio | Ponderato |
|-----------|--------|-------|----------|
| Completezza | 25% | 87 | 21,75 |
| Validità | 25% | 91 | 22,75 |
| Unicità | 20% | 78 | 15,60 |
| Tempestività | 15% | 72 | 10,80 |
| Coerenza | 15% | 84 | 12,60 |
| **Totale** | **100%** | | **83,5** |

> **Suggerimento:** Adattate i pesi in base alle vostre priorità. Se la prontezza per l'AI è un obiettivo, aumentate il peso delle dimensioni che impattano le prestazioni dell'AI.

## Obiettivi di benchmark

Definite obiettivi realistici in base al tipo di campo e agli standard di settore.

### Obiettivi per tipo di campo

| Tipo di campo | Completezza | Validità | Note |
|------------|--------------|----------|-------|
| **E-mail** | 95%+ | 98%+ | Critico per le comunicazioni |
| **Telefono** | 85%+ | 90%+ | Il formato varia per area geografica |
| **Indirizzo** | 80%+ | 85%+ | Validazione complessa |
| **Nome** | 99%+ | 95%+ | Obbligatorio nella maggior parte dei casi |
| **Campi data** | 90%+ | 99%+ | Dovrebbe essere validato dal sistema |
| **Picklist** | 95%+ | 99%+ | Vocabolario controllato |
| **Testo libero** | 70%+ | N/D | Un'aspettativa inferiore è accettabile |

### Obiettivi per dominio dati

| Dominio | Obiettivo complessivo | Dimensioni prioritarie |
|--------|----------------|---------------------|
| **Cliente** | 90%+ | Completezza, Unicità |
| **Prodotto** | 95%+ | Coerenza, Validità |
| **Finanziario** | 98%+ | Accuratezza, Tempestività |
| **Marketing** | 85%+ | Completezza, Validità |
| **Operativo** | 80%+ | Tempestività, Completezza |

### Definire i propri benchmark

[Stabilire i benchmark inizia dalla valutazione dello stato attuale](https://www.acceldata.io/article/how-to-measure-data-quality) e dalla definizione di obiettivi realistici basati sulle capacità, gli strumenti disponibili e le aspettative.

1. Eseguire una scansione DQS iniziale per stabilire il riferimento
2. Identificare i migliori e i peggiori risultati
3. Definire obiettivi di miglioramento (un miglioramento del 5-10% per trimestre è realistico)
4. Documentare gli obiettivi nelle policy di governance

## Cadenza della reportistica

Adattare la frequenza della reportistica alle esigenze dei destinatari.

| Destinatario | Frequenza | Formato | Contenuto |
|----------|-----------|--------|---------|
| Data Steward | Settimanale | Dashboard | Metriche dettagliate, drill-down |
| Data Owner | Mensile | Report | Punteggi per dimensione, tendenze, problemi |
| Consiglio di governance | Mensile | Presentazione | Scorecard, raccomandazioni |
| Leadership esecutiva | Trimestrale | Riepilogo | Punteggio complessivo, ROI, questioni strategiche |

### Report settimanale dello Steward

Concentrarsi sui dettagli operativi:

- Nuovi problemi identificati questa settimana
- Progressi sulle attività di rimedio aperte
- Campi con tendenza in direzione sbagliata
- Prossime scansioni pianificate

### Report mensile dell'Owner

Concentrarsi sulla responsabilizzazione:

- Stato attuale rispetto agli obiettivi
- Tendenze mese su mese
- Necessità di risorse per il miglioramento
- Stato di conformità alle policy

### Riepilogo trimestrale per i dirigenti

Concentrarsi sull'impatto sul business:

- Punteggio complessivo di qualità e tendenza
- ROI dai miglioramenti della qualità
- Aree di rischio che richiedono investimenti
- Raccomandazioni strategiche

## Calcolare il ROI

Dimostrare il valore collegando i miglioramenti della qualità ai risultati di business.

### Categorie di costo

| Categoria | Esempi |
|----------|----------|
| **Costi diretti** | Storage per i duplicati, lavoro di rilavorazione |
| **Costi opportunità** | Vendite perse a causa di dati di contatto errati |
| **Costi di rischio** | Sanzioni per non conformità, fallimenti dell'AI |
| **Costi di efficienza** | Tempo speso a cercare i dati corretti |

### Formula del ROI

```
ROI = (Valore del miglioramento - Costo del miglioramento) / Costo del miglioramento x 100

Esempio:
- La riduzione dei duplicati ha risparmiato 500 ore di pulizia a 50 $/ora = 25.000 $
- Implementazione DQS + tempo dello steward = 8.000 $
- ROI = (25.000 $ - 8.000 $) / 8.000 $ x 100 = 212%
```

### Esempi di stima del valore

| Miglioramento | Calcolo del valore |
|-------------|-------------------|
| Validità e-mail 85% → 95% | 10% più e-mail consegnate x valore della campagna |
| Riduzione duplicati 5% → 1% | Risparmio sullo storage + lavoro di merge evitato |
| Freschezza 60% → 85% | Decisioni più rapide x valore della decisione |

## Utilizzare DQS per la misurazione

DQS fornisce l'infrastruttura metrica per il vostro programma di misurazione.

### Metriche DQS per le scorecard

| Esigenza della scorecard | Metrica DQS |
|----------------|------------|
| Punteggio di completezza | Completeness Rate (completenessRate_01) |
| Punteggio di validità | Validity Rate (validityRate_01) |
| Punteggio di unicità | Uniqueness Rate (uniquenessRate_01) |
| Punteggio di tempestività | Freshness Rate (freshnessRate_01) |
| Punteggio di coerenza | Conformance Rate (conformanceRate_01) |

### Creare una Definition di misurazione

Strutturate la vostra Definition per la misurazione:

1. **Denominazione chiara**: «Qualità dati cliente - Scorecard mensile»
2. **Includere tutte le dimensioni**: Abilitare completezza, validità, unicità, tempestività, coerenza
3. **Impostare le soglie**: Configurare gli obiettivi in linea con i vostri benchmark
4. **Pianificazione coerente**: Eseguire lo stesso giorno di ogni mese per il confronto delle tendenze

### Esportare i risultati

DQS consente l'esportazione CSV per:

- Integrazione con strumenti di BI
- Analisi storica delle tendenze
- Reportistica per i dirigenti
- Presentazioni al consiglio di governance

## Per iniziare

Implementare la misurazione per fasi:

### Fase 1: Riferimento (Settimana 1-2)

1. Creare Definition DQS per i domini dati critici
2. Eseguire le scansioni iniziali su tutte le dimensioni
3. Documentare i punteggi dello stato attuale
4. Identificare le 3-5 principali aree problematiche

### Fase 2: Obiettivi (Settimana 3-4)

1. Definire obiettivi di miglioramento per ciascuna dimensione
2. Documentare gli obiettivi nelle policy di governance
3. Stabilire la cadenza della reportistica
4. Assegnare la titolarità per ciascun obiettivo

### Fase 3: Scorecard (Mese 2)

1. Costruire il modello della scorecard
2. Compilare con il primo ciclo di misurazione
3. Presentare al consiglio di governance
4. Raccogliere feedback su formato e contenuto

### Fase 4: Sostenere (Continuativo)

1. Eseguire le misurazioni secondo la pianificazione
2. Comunicare agli stakeholder secondo la cadenza
3. Monitorare le tendenze nel tempo
4. Adeguare gli obiettivi man mano che si migliora

## Prossimi passi

- [Costruire una cultura della qualità dei dati](/it/resources/best-practices/building-data-quality-culture/): Promuovere l'adozione attraverso la gestione del cambiamento
- [Errori comuni nella qualità dei dati](/it/resources/best-practices/common-pitfalls/): Evitare gli errori che minano la misurazione
- [Comprendere i risultati](/resources/using-dqs/understanding-results/): Interpretare efficacemente le metriche DQS