# Che cos'è la qualità dei dati?

> Che cosa significa qualità dei dati, come misurarla e perché determina il successo delle iniziative di reportistica, automazione e AI.

Source: https://dataqualitysense.com/it/resources/data-quality/what-is-data-quality/
Last updated: 2026-04-16

---

## Definire la qualità dei dati

La qualità dei dati misura quanto bene i dati servono lo scopo previsto. Non si tratta di stabilire se i dati siano «corretti» in termini assoluti. Si tratta di stabilire se i dati sono idonei all'uso nel processo decisionale, nelle operazioni e nell'analisi.

Un indirizzo del cliente è di alta qualità se raggiunge il cliente. Un codice prodotto è di alta qualità se i sistemi lo riconoscono. La qualità dipende dal contesto.

La maggior parte dei dati non soddisfa nemmeno standard molto blandi. Uno [studio di Harvard Business Review di Nagle, Redman e Sammon (2017)](https://hbr.org/2017/09/only-3-of-companies-data-meets-basic-quality-standards), basato su 75 valutazioni della qualità dei dati, ha rilevato che il 47% dei record appena creati contiene almeno un errore critico — e solo il 3% dei dataset ha ricevuto un punteggio «accettabile» secondo lo standard più permissivo. Per questo motivo la qualità dei dati deve essere misurata, non assunta.

### Il principio dell'«idoneità allo scopo»

La qualità dei dati è contestuale. Un indirizzo di spedizione necessita di precisione a livello stradale. Una regione di marketing necessita solo del Paese o della regione. Entrambi possono essere «di alta qualità» a diversi livelli di precisione.

Quando si valuta la qualità dei dati, ci si chieda: cosa devono fare questi dati? Poi si misuri se possono farlo.

## Il framework delle cinque dimensioni

La qualità dei dati viene misurata attraverso cinque dimensioni chiave. Questo framework è stato adottato in tutti i settori e costituisce la base degli standard ISO 8000 e DAMA.

| Dimensione | Cosa misura | Esempio |
|------------|------------|---------|
| **Completezza** | I dati richiesti sono presenti | Tutti i campi obbligatori sono compilati |
| **Validità** | I dati sono conformi ai formati | Gli indirizzi e-mail hanno un formato valido |
| **Unicità** | Non ci sono record duplicati | Un record per cliente |
| **Tempestività** | I dati sono aggiornati | Informazioni di contatto aggiornate entro 90 giorni |
| **Coerenza** | I dati sono uniformi | «USA» utilizzato in modo coerente, non «US» o «United States» |

Ogni dimensione risponde a una domanda specifica sui dati. Insieme forniscono un quadro completo della salute dei dati.

Per una guida dettagliata su ogni dimensione, consultare:
- [Completezza](/it/resources/data-quality/completeness/)
- [Validità](/it/resources/data-quality/validity/)
- [Unicità](/it/resources/data-quality/uniqueness/)
- [Tempestività](/it/resources/data-quality/timeliness/)
- [Coerenza](/it/resources/data-quality/consistency/)

## Standard e framework di settore

### ISO 8000

Lo standard ISO 8000 definisce i requisiti di qualità dei dati per lo scambio di dati master. Stabilisce i principi per l'accuratezza, la completezza e la coerenza dei dati tra le organizzazioni.

### DAMA-DMBOK

Il Body of Knowledge della Data Management Association (DAMA-DMBOK) definisce la qualità dei dati come una delle undici aree di conoscenza nella gestione dei dati. Fornisce indicazioni sui processi di misurazione, monitoraggio e miglioramento.

### La regola 1-10-100

Questo principio illustra il costo crescente della scarsa qualità dei dati:

| Fase | Costo | Esempio |
|------|-------|---------|
| **Prevenzione** | 1 $ | Validazione all'inserimento dei dati |
| **Correzione** | 10 $ | Pulizia dei dati dopo l'inserimento |
| **Fallimento** | 100 $ | Impatto aziendale dei dati errati |

Investire nella qualità dei dati alla fonte consente risparmi significativi a valle.

## Qualità dei dati vs concetti correlati

### Qualità dei dati vs gestione dei dati

La gestione dei dati è la pratica più ampia di raccolta, archiviazione e manutenzione dei dati. La qualità dei dati è una componente della gestione dei dati, focalizzata specificamente sull'idoneità all'uso.

| Concetto | Ambito | Focus |
|----------|--------|-------|
| Gestione dei dati | Tutte le pratiche sui dati | Archiviazione, accesso, sicurezza, ciclo di vita |
| Qualità dei dati | Idoneità allo scopo | Completezza, validità, unicità, tempestività, coerenza |
| Governance dei dati | Politiche e responsabilità | Chi possiede i dati, chi può modificarli, quali regole si applicano |

### Qualità dei dati vs accuratezza dei dati

L'accuratezza chiede: questo valore riflette la realtà? La qualità chiede: questi dati funzionano per il loro scopo?

Un indirizzo e-mail può essere valido (formato corretto) ma inaccurato (la persona non lo utilizza più). DQS misura la qualità perché il formato e la completezza possono essere automatizzati. L'accuratezza richiede tipicamente una verifica esterna.

## Come si misura la qualità dei dati

### Metriche quantitative

La qualità dei dati si esprime attraverso indicatori misurabili:

| Tipo di metrica | Esempio | Calcolo |
|----------------|---------|---------|
| **Percentuale** | Tasso di riempimento | (Record popolati / Record totali) x 100 |
| **Conteggio** | Conteggio duplicati | Numero di record con valori corrispondenti |
| **Punteggio** | Punteggio di validità | Media ponderata delle regole di validazione |
| **Rapporto** | Tasso di conformità | Valori conformi / Valori totali |

### Soglie e obiettivi

Le organizzazioni stabiliscono soglie in base ai requisiti aziendali:

| Livello | Soglia | Caso d'uso |
|---------|--------|-----------|
| Critico | 99%+ | Campi di reportistica regolamentare |
| Alto | 95%+ | Dati rivolti al cliente |
| Standard | 85%+ | Dati operativi |
| Basso | 70%+ | Dati storici o di archivio |

### Misurazione continua vs puntuale

La misurazione puntuale fornisce un'istantanea. La misurazione continua monitora le tendenze e rileva il degrado precocemente.

DQS supporta entrambi gli approcci:
- Eseguire scansioni ad hoc per una valutazione immediata
- Pianificare scansioni ricorrenti per un monitoraggio continuativo

## Perché le organizzazioni hanno difficoltà

### 1. Silos di dati

Quando i dati risiedono in sistemi disconnessi, le incoerenze si verificano naturalmente. Il reparto vendite ha una versione del record cliente. L'assistenza ne ha un'altra. Nessuno dei due sa quale sia corretta.

### 2. Errori di inserimento manuale

L'inserimento manuale dei dati è soggetto a errori di battitura, formattazione incoerente e informazioni mancanti. Senza Validation Rule, questi errori si accumulano nel tempo.

### 3. Nessun responsabile chiaro

Quando nessuno è responsabile della qualità dei dati, diventa un problema di tutti e una priorità di nessuno. La gestione dei dati richiede un'assegnazione esplicita.

### 4. Mancanza di misurazione

Non si può migliorare ciò che non si misura. Molte organizzazioni presumono che i loro dati siano sufficientemente buoni senza stabilire riferimenti di base o monitorare le metriche.

### 5. Progetti di pulizia una tantum

Trattare la qualità dei dati come un progetto anziché come un processo porta a miglioramenti temporanei che si degradano nel tempo.

## L'impatto aziendale

La scarsa qualità dei dati colpisce ogni funzione:

| Funzione | Impatto |
|----------|---------|
| Marketing | Campagne inviate a indirizzi errati, spesa sprecata |
| Vendite | Tempo sprecato su Lead duplicati, contesto perso |
| Finanza | Report inaccurati, rischi di conformità |
| Operazioni | Decisioni basate su dati errati |
| AI/ML | Modelli addestrati su dati errati producono output errati |

### Quantificare il costo

Le ricerche del MIT Sloan e gli studi di settore mostrano che:

- Le organizzazioni perdono dal 15% al 25% del fatturato annuo a causa della scarsa qualità dei dati
- Oltre il 25% delle organizzazioni perde più di 5 milioni di dollari all'anno per problemi di dati (IBM 2025)
- I dipendenti dedicano fino al 27% del loro tempo a correggere dati errati

## Connessione con la prontezza AI

La qualità dei dati tradizionale (le cinque dimensioni) prepara i dati per la reportistica e l'automazione. Le applicazioni AI come Agentforce dipendono dalle stesse fondamenta: record completi, formati validi, valori coerenti, dati aggiornati e nessun duplicato.

Oltre alle cinque dimensioni, il deployment dell'AI introduce un'ulteriore preoccupazione: l'esposizione di dati sensibili. Prima di collegare agenti AI ai dati di Salesforce, è necessario sapere dove risiedono i dati PII per poterli mascherare o escludere.

DQS misura sia la qualità dei dati tradizionale che la prontezza AI in un'unica piattaforma:

- **Cinque dimensioni della qualità dei dati**: completezza, validità, unicità, tempestività, coerenza
- **Rilevamento PII**: scansione dei campi di testo alla ricerca di dati sensibili (codici fiscali, carte di credito, informazioni personali) prima dell'esposizione all'AI

## Costruire una pratica di qualità dei dati

Una qualità dei dati efficace richiede tre elementi:

### 1. Misurazione

Stabilire riferimenti di base prima del miglioramento. Conoscere la propria posizione in ogni dimensione e campo.

### 2. Processo

Definire flussi di lavoro per la manutenzione continuativa dei dati:
- Validation Rule per l'inserimento dati
- Pianificazioni regolari di pulizia
- Procedure di escalation dei problemi
- Protocolli di gestione del cambiamento

### 3. Cultura

Costruire un impegno a livello organizzativo:
- Assegnare responsabili dei dati per ogni dominio
- Includere la qualità dei dati nelle metriche di performance
- Celebrare i miglioramenti e condividere i successi
- Rendere la qualità visibile attraverso le dashboard

## Iniziare con DQS

DQS fornisce le fondamenta di misurazione per la pratica di qualità dei dati:

1. **Selezionare le capacità**: scegliere quali dimensioni misurare
2. **Definire l'ambito**: selezionare gli oggetti e i campi da analizzare
3. **Configurare le soglie**: impostare gli standard di qualità
4. **Eseguire le scansioni**: avviare l'analisi sui dati
5. **Esaminare i risultati**: identificare i problemi e assegnare le priorità

Il primo passo è comprendere lo stato attuale. Effettuare la [Valutazione della prontezza AI](/it/ai-readiness/) per valutare la maturità della qualità dei dati in 3 minuti.

## Passaggi successivi

- Approfondire la [Completezza](/it/resources/data-quality/completeness/), la prima dimensione
- Leggere [Le cinque dimensioni](/it/resources/data-quality/five-dimensions/) per una panoramica completa
- Scoprire la [Preparazione per Agentforce](/it/resources/ai-readiness/agentforce-preparation/) per i requisiti specifici dell'AI
- Effettuare la [Valutazione della prontezza AI](/it/ai-readiness/) per vedere i punteggi attuali