{"id":272731,"date":"2024-06-12T12:49:13","date_gmt":"2024-06-12T12:49:13","guid":{"rendered":"https:\/\/www.ninjaone.com\/?post_type=content_hub&p=272731"},"modified":"2024-06-12T12:49:13","modified_gmt":"2024-06-12T12:49:13","slug":"cosa-sono-i-dirty-data","status":"publish","type":"content_hub","link":"https:\/\/www.ninjaonesandbox.dev\/it\/it-hub\/sicurezza-degli-endpoint\/cosa-sono-i-dirty-data\/","title":{"rendered":"Cosa sono i dirty data?"},"content":{"rendered":"

I dirty data<\/strong>, o dati non puliti, sono qualsiasi tipo di dati che contengono informazioni imprecise, incomplete, incoerenti o non aggiornate. Sebbene queste informazioni errate siano di solito molto piccole (si pensi a “Mr. Smith” e \u201dMr. Smyth, nel titolo) e causate da errori umani<\/a>, i dirty data possono avere conseguenze di vasta portata, soprattutto per i settori critici per i dati, come quello finanziario e sanitario.<\/p>\n

Si stima che i dati errati costino ogni anno all’economia statunitense circa 3,1 miliardi di dollari <\/em>(Forbes<\/a>) in termini di perdita di produttivit\u00e0, interruzioni di sistema e maggiori costi di manutenzione. Gli esperti prevedono che questo numero sia destinato ad aumentare nei prossimi anni, soprattutto perch\u00e9 si stima che entro il 2025 verranno creati 463 exabyte di dati<\/em> al giorno a livello globale (World Economic Forum<\/a>).<\/p>\n

Per chiarire, un exabyte \u00e8 un miliardo di miliardi o un quintilione di byte. Per mettere questi dati in un’ulteriore prospettiva, il Commonwealth Scientific and Industrial Research Organisation (CSIRO) in Australia sta pianificando di aggiornare il suo Square Kilometre Array (SKA), un radiotelescopio di nuova generazione, per generare 300 petabyte di dati all’anno<\/a> n<\/em>el prossimo decennio<\/em>. Considerando che 1 petabyte equivale a soli 0,01 exabyte e che ci stiamo riferendo a oggetti celesti lontani anni luce, anche questo dato impallidisce rispetto all’infinita quantit\u00e0 di dati che produciamo (e produrremo) ogni giorno sulla Terra.<\/p>\n

Cos\u00ec, mentre un errore ortografico pu\u00f2 sembrare innocuo, i milioni di Mr. Smith che ricevono dalle loro aziende una fattura o una lettera indirizzata a un Mr. Smyth potrebbero avere un’opinione diversa, e in ultima analisi potrebbero perdere vendite.<\/p>\n

Acquisisci preziose nozioni sul settore IT, compresi i termini essenziali da conoscere.<\/p>\n

Iscriviti alla nostra newsletter per professionisti IT<\/a>.<\/p>\n<\/div>\n

Come si sporcano i dati?<\/h2>\n

1. Errore umano<\/h3>\n

Il motivo pi\u00f9 comune per cui i dati si sporcano \u00e8 l’errore umano. Sebbene l’amata frase “Nessuno \u00e8 perfetto<\/em>” serva a tranquillizzare le persone che commettono errori nella vita, questo approccio potrebbe anche contribuire a un errore nell’inserimento dei dati, come ad esempio un errore di battitura. Con il tempo, questi errori umani possono accumularsi e compromettere lentamente l’integrit\u00e0 di dati altrimenti affidabili. L’errore umano \u00e8 anche una delle principali cause di vulnerabilit\u00e0 della sicurezza informatica<\/a>.<\/p>\n

Vale la pena notare che non \u00e8 possibile eliminare l’imperfezione umana, ma ci sono molti modi per ridurre i rischi correlati. Per esempio, puoi insegnare ai tuoi dipendenti a ricontrollare sempre il loro lavoro prima di consegnarlo. Anche in questo caso, \u00e8 consigliabile creare processi per garantire che un redattore o un correttore di bozze controlli le stesse cose per assicurarne la validit\u00e0.<\/p>\n

2. Inserimenti di informazioni false da parte dei clienti<\/h3>\n

Hai mai inserito intenzionalmente un nome o un indirizzo e-mail sbagliato perch\u00e9 non volevi che un’azienda ottenesse informazioni private? Non siete soli. I tuoi clienti non ti devono le loro informazioni e molti non ti daranno volentieri i loro dati sensibili se non si fidano di te.<\/p>\n

Il modo migliore per ridurre questo rischio \u00e8 costruire un rapporto di fiducia con i clienti. Ricordati di essere trasparente con loro il pi\u00f9 possibile e non utilizzare mai pratiche “black-hat” per manipolare le informazioni dei potenziali clienti. Sii sincero: Questo \u00e8 il modo pi\u00f9 efficace per migliorare il tuo indice di fiducia.<\/p>\n

3. Nessuna strategia o mancanze nella strategia<\/h3>\n

\u00c8 importante che i tuoi reparti non siano isolati, soprattutto se condividono data point. La mancanza di una strategia di raccolta dei dati pu\u00f2 portare a un approccio pigro al trattamento dei clienti e dei dati. Per esempio, se il team di marketing deve fare colloqui alle stesse persone del team di vendita, entrambi i team devono coordinarsi per evitare ridondanze. In questo modo garantisci anche di comunicare una messaggio coerente con la tua strategia di branding.<\/p>\n

Potrebbe essere una buona idea assegnare un controllore di dati all’interno dell’organizzazione per ricontrollare tutti i data point, anche tra i vari team.<\/p>\n

4. Nessun audit dei dati<\/h3>\n

La verit\u00e0 \u00e8 che tutte le organizzazioni possono avere un certo livello di dati errati a un certo punto, soprattutto se la loro azienda \u00e8 in rapida espansione. Il tuo sito web ne \u00e8 un esempio perfetto. Per esempio, potresti affermare di collaborare con un numero X di persone sul tuo sito web, e sarebbe un dato perfettamente corretto quando viene inserito nel sito. Tuttavia, se la tua azienda cresce, questo numero potrebbe diventare impreciso dopo due, sei o magari molti mesi.<\/p>\n

La verifica proattiva dei dati \u00e8 fondamentale per mantenere registri affidabili. Nell’era della GDPR<\/a>, della conformit\u00e0 HIPAA<\/a> e di altre leggi sempre pi\u00f9 severe sulla privacy dei consumatori, non si pu\u00f2 sottovalutare l’importanza di condurre regolari verifiche dei dati.<\/p>\n

I dirty data sono una delle tante sfide IT per il 2024.<\/p>\n

Scopri le altre sfide IT affrontate dai leader aziendali scaricando questa guida<\/a>.<\/p>\n<\/div>\n

Esempi di dirty data<\/h2>\n

1. Dati duplicati<\/h3>\n

Si tratta di dati che condividono parzialmente o totalmente le stesse informazioni. Ci\u00f2 si verifica in genere quando le stesse informazioni vengono inserite pi\u00f9 volte, di solito in formati diversi. Per esempio, se un cliente chiama pi\u00f9 volte e viene ricevuto da un tecnico informatico diverso che ogni volta digita il suo nome in modo leggermente diverso. I dati duplicati possono apparire come segue:<\/p>\n