Poor data quality (DQ) can have sub

Poor data quality (DQ) can have substantial social and economic impacts. Although firms are improving data quality with practical approaches and tools, their improvement efforts tend to focus narrowly on accuracy. We believe that data consumers have a much broader data quality conceptualization than IS professionals realize. The purpose of this paper is to develop a framework that captures the aspects of data quality that are important to data consumers.

A two-stage survey and a two-phase sorting study were conducted to develop a hierarchical framework for organizing data quality dimensions. This framework captures dimensions of data quality that are important to data consumers. Intrinsic DQ denotes that data have quality in their own right. Contextual DQ highlights the requirement that data quality must be considered within the context ofthe task at hand. Representational DQ and accessibility DQ emphasize the importance of the role of systems. These findings are consistent with our understanding that high-quality data should be intrinsically good, contextually appropriate for the task, clearly represented, and accessible to the data consumer.

Our framework has been used effectively in industry and government. Using this framework, IS managers were able to better understand and meet their data consumers’ data quality needs. The salient feature of this research study is that quality attributes of data are collected from data consumers instead of being defined theoretically or based on researchers’ experience. Although exploratory, this research provides a basis for future studies that measure data quality along the dimensions of this framework.

Results (Indonesian) 1:

Kualitas miskin data (DQ) dapat memiliki dampak sosial dan ekonomi yang substansial. Meskipun perusahaan meningkatkan kualitas data dengan pendekatan praktis dan alat-alat, upaya peningkatan mereka cenderung untuk fokus sempit pada akurasi. Kami percaya bahwa konsumen data memiliki jauh lebih luas data kualitas konseptualisasi dari menyadari adanya profesional. Tujuan karya ini adalah untuk mengembangkan suatu kerangka kerja yang menangkap aspek-aspek kualitas data yang penting bagi konsumen data.Sebuah survei dua tahap dan studi penyortiran dua fasa dilakukan untuk mengembangkan kerangka hirarkis untuk mengatur data kualitas dimensi. Kerangka kerja ini menangkap dimensi kualitas data yang penting bagi konsumen data. Intrinsik DQ menunjukkan bahwa data memiliki kualitas dalam hak mereka sendiri. Kontekstual DQ menyoroti persyaratan bahwa kualitas data harus dipertimbangkan dalam konteks tugas di tangan. Representasi DQ dan aksesibilitas DQ menekankan pentingnya peran sistem. Temuan ini konsisten dengan kami memahami bahwa data berkualitas tinggi harus intrinsik baik, kontekstual sesuai untuk tugas itu, jelas mewakili, dan dapat diakses oleh konsumen data.Kerangka kami telah digunakan secara efektif dalam industri dan pemerintah. Menggunakan kerangka kerja ini, adalah manajer mampu untuk lebih memahami dan memenuhi kebutuhan kualitas data konsumen data mereka. Fitur yang menonjol dari penelitian ini adalah bahwa atribut kualitas data yang dikumpulkan dari data konsumen daripada didefinisikan secara teoritis atau berdasarkan pengalaman para peneliti. Meskipun eksplorasi, penelitian ini menyediakan dasar bagi studi di masa depan yang mengukur kualitas data sepanjang dimensi kerangka kerja ini.

Results (Indonesian) 2:

Kualitas data yang buruk (DQ) dapat memiliki dampak sosial dan ekonomi yang besar. Meskipun perusahaan-perusahaan meningkatkan kualitas data dengan pendekatan praktis dan alat-alat, upaya perbaikan mereka cenderung berfokus sempit pada akurasi. Kami percaya bahwa data konsumen memiliki lebih luas konseptualisasi kualitas data dari IS profesional menyadari. Tujuan dari makalah ini adalah untuk mengembangkan suatu kerangka kerja yang menangkap aspek kualitas data yang penting bagi konsumen data.

Sebuah survei dua tahap dan menyortir studi dua tahap dilakukan untuk mengembangkan kerangka hirarkis untuk mengatur dimensi kualitas data. Kerangka kerja ini menangkap dimensi kualitas data yang penting bagi konsumen data. DQ intrinsik menunjukkan bahwa data memiliki kualitas di kanan mereka sendiri. Kontekstual DQ menyoroti persyaratan bahwa kualitas data harus dipertimbangkan dalam konteks tersebut yang tugas di tangan. DQ representasional dan DQ aksesibilitas menekankan pentingnya peran sistem. Temuan ini konsisten dengan pemahaman kita bahwa data berkualitas tinggi harus intrinsik baik, kontekstual sesuai untuk tugas, diwakili jelas, dan dapat diakses oleh konsumen data.

Framework kami telah digunakan secara efektif dalam industri dan pemerintah. Menggunakan kerangka kerja ini, IS manajer mampu untuk lebih memahami dan memenuhi kebutuhan kualitas data data konsumen. Fitur yang menonjol dari penelitian ini adalah bahwa atribut kualitas data dikumpulkan dari konsumen data, bukan didefinisikan secara teoritis atau berdasarkan pengalaman peneliti. Meskipun eksplorasi, penelitian ini memberikan dasar untuk studi masa depan yang mengukur kualitas data sepanjang dimensi kerangka ini.