تُقدِّم كثير من الجهات الحكومية للمقيّمين بياناتٍ تقنيًا “موجودة” ومُخزَّنة على أنظمتها، غير أنها تخرج من دورة القياس بنتائج متواضعة في مجال جودة البيانات (DQ)؛ والسبب ليس غياب البيانات، بل غياب المنظومة الموثَّقة التي تُثبت أن هذه البيانات دقيقة ومكتملة ومُدارة باحترافية وفق معايير مكتب إدارة البيانات الوطنية (NDMO). يرتكز مؤشر “نضيء” — الصادر عن الهيئة السعودية للبيانات والذكاء الاصطناعي (سدايا) — على ثلاثة مكوّنات رئيسية: قياس نضج الممارسات، وقياس الامتثال للضوابط والمواصفات الوطنية، وقياس التميّز التشغيلي. وعند الحديث عن جودة البيانات تحديدًا، فإن المقيِّم لا يبحث عن جداول “نظيفة”، بل يبحث عن نظام عمل كامل يُثبت عبر الأدلة الداعمة أن الجهة تُدير جودة بياناتها بمنهجية مستدامة لا بحملات تصحيحية موسمية.
Blog Body
ما الذي يقيسه مؤشر “نضيء” فعليًا في مجال جودة البيانات؟
يغطي مجال جودة البيانات (DQ) في مكوّن النضج أربعة أسئلة نضج رئيسية (DQ.MQ.1 إلى DQ.MQ.4)، وكل سؤال منها يقيس بُعدًا مختلفًا من أبعاد المنظومة. وكي تُدرك الجهة مواطن الفجوة الحقيقية، ينبغي مراجعة هذه الأسئلة بعناية:
هل طوّرت الجهة ونفّذت خطة جودة البيانات (DQ.MQ.1)؟
لا يكفي وجود نية أو توجّه؛ إذ يشترط المؤشر وجود خطة تنفيذية معتمدة تحتوي على خارطة طريق واضحة، وقائمة بالأنشطة والموارد والميزانية، حتى تُعدّ الجهة قد تجاوزت المستوى الثاني (التعريف). وبمجرد بلوغ المستوى الثالث (التفعيل)، يُصبح الأمر أشمل؛ إذ تُطلب تقارير حالة التنفيذ الفعلي، وتعريف الأدوار والمسؤوليات ضمن هيكل تنظيم إدارة البيانات.
هل وضعت الجهة ونفّذت ممارسات لإدارة وتحسين جودة بياناتها (DQ.MQ.2)؟
يُعدّ هذا السؤال الأثقل وزنًا من الناحية العملية، وهو الأكثر تفصيلًا في الدليل الرسمي. ويشترط عند المستوى الثاني تقديم قائمة أولويات عناصر البيانات مرتّبة وفق متطلبات العمل، وتحديد أبعاد جودة البيانات الستة، وتوثيق قواعد جودة البيانات (DQ Rules) مع مالكها وأبعادها وآليات التحقق. أما عند المستوى الثالث، فيُطلب تقرير التقييم الدوري المنفّذ فعليًا، وتقرير حالة إصلاح المشكلات، وأدلة على أدوات جودة البيانات المؤتمتة التي تشمل Data Profiling وإدارة قواعد الجودة وأتمتة مسارات الإبلاغ والحل.
هل وضعت الجهة ممارسات لمراقبة جودة بياناتها وإعداد تقاريرها (DQ.MQ.3)؟
يُفرّق هذا السؤال بين الجهة التي “تراقب عند الحاجة” كردّة فعل (وهو المستوى الأول فحسب)، وبين الجهة التي طوّرت خطة رسمية للمراقبة، ونفّذت سير عمل مؤتمتًا للإبلاغ عن مشكلات الجودة عبر دليل البيانات (Data Catalog)، وتُوثّق نتائج المراقبة كبيانات وصفية. ومن هنا تتضح الفجوة الكبرى: كثير من الجهات تراقب لكنها لا تُوثّق، وكثير منها تُوثّق لكنها لا تربط التوثيق بالمنصات الوطنية.
هل طوّرت الجهة معايير لجودة البيانات ورفعت تعريفات مجموعات البيانات على فهرس البيانات الوطني (NDC) (DQ.MQ.4)؟
يمثّل هذا السؤال بوابة التميّز التشغيلي المرتبطة بمعيار (DQ.OE.02) الذي يقيس مؤشر جودة بيانات الجهة في بحيرة البيانات الوطنية (NDL). فالجودة الداخلية وحدها لا تكفي؛ بل يُقاس أثرها على المنصات السيادية الوطنية.
الأبعاد الستة لجودة البيانات: كيف تترجمها إلى أدلة داعمة؟
يحدّد الدليل الرسمي لمؤشر “نضيء” ستة أبعاد لجودة البيانات يجب توثيقها وتطبيقها على مجموعات البيانات ذات الأولوية:
الاكتمال (Data Completeness): ويقيس مدى اكتمال سجلات البيانات دون فجوات. ويتطلب هذا البُعد تعريف قواعد صريحة تحدّد الحقول الإلزامية وما يُعدّ سجلًا مكتملًا في سياق كل مجموعة بيانات.
الانفراد (Data Uniqueness): ويقيس مدى تكرار السجلات، وهو بُعد يظهر أثره الأشدّ على منصة التكامل الحكومية (GSB) حين تُرسَل بيانات مكرّرة عبر الخدمات المشتركة.
التوقيت (Data Timeliness): ويقيس مدى حداثة البيانات وتوافرها في الوقت المناسب. وهنا يظهر معيار التميّز التشغيلي (DQ.OE.01) بوضوح، إذ يقيس استجابة الجهة على قناة التكامل الحكومية وأثر ذلك على مؤشر الجودة الكلّي.
الصلاحية (Data Validity): وتقيس مدى مطابقة السجلات للصيغ والأنواع والتركيبات المقررة، وهو ما يتحقّق منه المقيِّم من خلال أدلة قواعد التحقق المعرَّفة والمؤتمتة.
الدقة (Data Accuracy): وتقيس مدى مطابقة قيم البيانات للقيم الحقيقية. وهذا البُعد هو الأصعب في الإثبات التلقائي، لذا تلجأ الجهات الرائدة إلى Data Profiling بتقنيات الذكاء الاصطناعي لتحديد مجموعات البيانات المهمة واستباق المشكلات.
الاتساق (Data Consistency): ويقيس مدى اتساق البيانات في كل أعمال الجهة وعبر مختلف المصادر. وهو الدليل الأكبر على وجود “مرجع موحّد للحقيقة” (Single Source of Truth)؛ فإذا اختلفت بيانات نظام الموارد البشرية عمّا تعرضه منصة البيانات المرجعية (RDP)، فإن ذلك يُضعف تقييم النضج مباشرة.
فجوة الإثبات: المشكلة التي تُهدر الجهود التقني
تكشف التجربة الميدانية عن نمط متكرّر: تبذل الفرق التقنية جهودًا حقيقية في تحسين جودة بياناتها، وتُطبّق أدوات قياسية فعّالة، ثم تتفاجأ بأن درجتها في مؤشر “نضيء” لم ترتفع بالقدر المأمول. وعلّة ذلك أن معايير القبول تُطالب بأكثر من مجرّد وجود جودة جيدة؛ إذ تشترط إثبات ذلك عبر سلسلة موثَّقة من التقارير والأدلة المتراتبة:
- تقرير قواعد جودة البيانات (DQ Rules) مع مالك كل قاعدة وأبعادها ومستوى التصعيد (Escalation Threshold)
- العمليات المعتمدة لإدارة ومعالجة مشكلات الجودة مع تحليل السبب الجذري
- تقرير التقييم الدوري المنفّذ والمخطَّط له
- اتفاقيات مستويات الخدمة (SLAs) المحدّدة لجودة البيانات
- تقرير مراقبة مؤشرات الأداء الرئيسية (KPIs) المعرَّفة مسبقًا
ومن هنا تظهر “فجوة الإثبات”: الجهة تُنجز العمل لكنها لا تترك الأثر الموثَّق الذي يتحقّق منه المقيِّم.
من المستوى الثاني إلى المستوى الخامس: ما الذي يُحدث الفارق؟
يُميّز مؤشر “نضيء” بين ستة مستويات للنضج (من صفر إلى خمسة)، وكل مستوى يبني على ما قبله تراكميًا. وإليك المسار الأمثل لمن يستهدف بلوغ مستويات التمكّن والريادة:
المستوى الثالث (التفعيل): يتطلّب تنفيذ أدوات جودة بيانات موحّدة (Standardized DQ Tools) تشمل مسارات عمل مؤتمتة وقواعد معرفة، إلى جانب تقرير التقييم الدوري الفعلي وتقرير حالة إصلاح المشكلات.
المستوى الرابع (التمكّن): يُضاف اشتراط المراقبة عبر KPIs محدّدة مسبقًا، وتقرير مراقبة قيم عتبات الجودة (DQ Threshold Values)، فضلًا عن تقرير مراقبة عملية حل المشكلات يُبيّن عدد المشكلات المحلولة مقابل المُبلَّغ عنها والوقت المستغرق في كل حالة.
المستوى الخامس (الريادة): يشترط تنفيذ تنميط استباقي (Proactive Profiling) بأساليب الذكاء الاصطناعي والتعلّم الآلي، وتحسين مستمر للأدوات والممارسات، بل يصل الأمر إلى تبنّي معايير قطاعية لجودة البيانات أو تطوير معايير خاصة بالجهة، حتى تُغرس إدارة جودة البيانات في دورة حياة البيانات الكاملة ودورة حياة تطوير البرمجيات (SDLC).
التميّز التشغيلي في DQ: الجانب المُهمَل
يقيس مؤشر “نضيء” في مكوّن التميّز التشغيلي معيارَين لجودة البيانات مرتبطَين بالمنصات الوطنية مباشرة:
- DQ.OE.01: مؤشر جودة بيانات الجهة في قناة التكامل الحكومية (GSB)
- DQ.OE.02: مؤشر جودة بيانات الجهة في بحيرة البيانات الوطنية (NDL)
وهذا يعني أن جودة البيانات لم تعد شأنًا داخليًا بحتًا؛ بل أصبحت مرئية ومقيسة على المنصات السيادية. وبالتالي، فالجهة التي تُحسّن جودتها الداخلية دون ربط هذا التحسين بما يظهر على GSB وNDL ستجد أن درجة تميّزها التشغيلي لا تعكس جهودها الحقيقية.
كيف يدعمك نظام قيمة (QIMA) من RMG في هذه الرحلة؟
طوّرت شركة ريناد المجد (RMG) — المصنّفة ذهبيًا من هيئة الحكومة الرقمية (DGA) والحاصلة على التصنيف المزدوج من EDM Council — نظام قيمة (QIMA) تحديدًا لعلاج هذه الفجوات العملية. ولا يقتصر دور الفريق على الاستشارة النظرية، بل يرافق خبراؤنا الجهات في:
- بناء خطة جودة البيانات المعتمدة مع خارطة الطريق المطلوبة في معيار (DQ.MQ.1)
- تعريف أبعاد الجودة الستة وقواعد (DQ Rules) وربطها بالأنظمة الفعلية للجهة
- تفعيل أدوات المراقبة المؤتمتة عبر شركاء تقنيين معتمدين كـ Informatica وMicrosoft وOracle
- ضبط مؤشرات الجودة على قناة التكامل الحكومية (GSB) وبحيرة البيانات الوطنية (NDL)
- إنتاج الأدلة الداعمة المطلوبة في كل مستوى من مستويات النضج عبر منهجية مُختبَرة في أكثر من 713 مشروعًا
وبدلًا من أن تكتشف الجهة فجواتها بعد إصدار نتائج المؤشر، يُمكّنها نظام قيمة من قياس مستوى نضجها الراهن قبل دورة القياس الرسمية، والانطلاق بخطة واضحة نحو المستوى المستهدف.
ابدأ بتقييم مستوى جودة بياناتك مع فريق RMG ←
أسئلة شائعة حول جودة البيانات في مؤشر “نضيء”
ما الفرق بين جودة البيانات (DQ) وحماية البيانات الشخصية (PDP) في تقييم المؤشر؟ يُعالج كلٌّ منهما مجالًا مستقلًا ضمن الـ 14 مجالًا التي يغطيها مؤشر “نضيء”. تركّز الحماية (PDP) على الامتثال لضوابط البيانات الشخصية الصادرة من NDMO ومعالجة الوصول إليها، بينما تركّز الجودة (DQ) على محتوى البيانات ومدى صلاحيتها للاستخدام وفق الأبعاد الستة الموثَّقة. وتحقيق الأداء في أحدهما لا يُغني عن الآخر، ولا تُعوَّض درجة مجال بدرجة مجال آخر.
هل يكفي وجود أداة جودة بيانات (DQ Tool) تجارية لإثبات الامتثال؟ لا تكفي الأداة وحدها؛ إذ يشترط المؤشر إثبات أن الأداة تُنفّذ قدرات بعينها: Data Profiling على مستويات صفات البيانات والجداول والأنظمة المختلفة، وإدارة قواعد الجودة، وأتمتة مسارات عمل الإبلاغ والحل. ويتطلّب ذلك تقريرًا موثَّقًا يُظهر هذه القدرات في سياق بيانات الجهة الفعلية لا في بيئة تجريبية.
لماذا تختلف درجات الجودة بين الجهات رغم استخدامها أنظمة مشابهة؟ يعكس الفارق في الدرجات عادةً مدى عمق التوثيق لا مدى تطوّر الأداة. فالجهة التي تُوثّق قواعد الجودة وتربطها بأبعادها وتُعرّف مالكيها وتضع اتفاقيات مستويات خدمة واضحة ستُسجّل نضجًا أعلى حتى مع أدوات أقل تعقيدًا، مقارنةً بجهة تمتلك أدوات متقدّمة لكنها لا تُنتج الأدلة الداعمة المطلوبة.
كيف يؤثر وجود البيانات القديمة (Legacy Data) على تقييم الجودة؟ يؤثّر مباشرةً إذا كانت هذه البيانات مفتقرة للتصنيف أو تُضعف اتساق التقارير على المنصات الوطنية. وتبرز أهمية تطبيق سياسات دورة حياة البيانات التي تُنظّم الأرشفة والإتلاف الآمن، وهو ما يقيسه المؤشر صراحةً في سياق الاستدامة والتحسين المستمر.
هل تربط نتائج جودة البيانات الداخلية بما يظهر على المنصات الوطنية تلقائيًا؟ لا تلقائيًا؛ بل يتطلّب ذلك جهدًا هندسيًا لضبط مؤشرات الجودة الخاصة بالبيانات المرسَلة عبر GSB والمُودَعة في NDL. والجهة التي تتجاهل هذا الجانب ستجد أن معايير التميّز التشغيلي (DQ.OE.01 وDQ.OE.02) لا تُمثّل جهودها الداخلية، مما يُخفّض درجتها الكلية في مؤشر “نضيء” بصورة غير عادلة.
تستعدّ جهتك لدورة قياس “نضيء” القادمة؟ يبدأ الفريق المتخصّص في RMG بتقييم مستوى نضجك الراهن في مجال جودة البيانات ويضع معك خطة عمل مفصّلة قبل أن تُفتح المنصة. تواصل معنا الآن.
