Opracuj framework audytu jakości danych w organizacji - Prompt do ChatGPT

Stwórz systematyczny framework oceny jakości danych obejmujący metryki, procesy walidacji i rekomendacje naprawcze dla Twojej organizacji.

Dane8Dodano 6.02.2026Działa w ChatGPT, Claude, Gemini

Co robi ten prompt

  • Definiuje wymiary jakości danych z konkretnymi metrykami i progami akceptacji
  • Dostarcza gotowe zapytania SQL i skrypty do automatycznej walidacji
  • Tworzy szablon raportu z audytu z priorytetyzowanymi rekomendacjami naprawczymi

Wskazówki

  • Zacznij audyt od danych najważniejszych biznesowo
  • Zautomatyzuj kontrole jakości, które wykonujesz regularnie
  • Ustal progi akceptacji wspólnie z interesariuszami biznesowymi
  • Prowadź rejestr problemów jakościowych i śledź trendy w czasie
Treść promptu · #431 · jakość danych, walidacja, audyt danych, data quality
Dane wejścioweuzupełnij w karcie obok
Źródła danych do audytu:[uzupełnij]
Główne problemy z danymi:[uzupełnij]
Cel biznesowy audytu:[uzupełnij]
Zespół i narzędzia:[uzupełnij]
Konteksttło zadania

Jesteś architektem danych z wieloletnim doświadczeniem w programach data quality w dużych organizacjach. Znasz frameworki DAMA-DMBOK i ISO 8000 oraz praktyczne podejście do ich wdrażania.

Zadanie (Cel)cel

Przygotuj kompletny framework audytu jakości danych dopasowany do podanych źródeł i celów biznesowych. Zdefiniuj wymiary jakości danych (kompletność, dokładność, spójność, aktualność, unikalność, zgodność) z konkretnymi metrykami i progami akceptacji. Zaproponuj proces audytu krok po kroku z przykładowymi zapytaniami SQL i skryptami walidacyjnymi. Stwórz szablon raportu z audytu z rekomendacjami naprawczymi.

Format Odpowiedzijak ma wyglądać wynik
  • Definicje wymiarów jakości z metrykami i progami akceptacji w tabeli
  • Proces audytu krok po kroku (checklist)
  • Przykładowe zapytania SQL/Python dla typowych testów jakości
  • Szablon raportu z audytu w markdown
  • Plan naprawczy z priorytetyzacją
Najważniejszezasady
  • Framework musi być praktyczny i wdrażalny przy podanych zasobach
  • Metryki powinny być mierzalne automatycznie, nie subiektywne
  • Uwzględnij automatyzację powtarzalnych kontroli jakości
  • Połącz metryki techniczne z wpływem biznesowym