dataforudsætninger

Dataforudsætninger er de krav eller antagelser, der ligger til grund for indsamling, behandling og analyse af data. De beskriver, hvilken slags data der forventes at være tilgængelig, i hvilken kvalitet og i hvilken kontekst, og de påvirker hvilke konklusioner der kan drages. Dataforudsætninger kan være både eksplorative (research design) og tekniske (dataformat, enheder) og bør oplyses upfront i projekter og modeller.

Typiske forudsætninger inkluderer dataens tilgængelighed og tidsrækkefølge (faktiske tidsstempler og opdateringsfrekvens), fuldstændighed og dækning (missingness og geografi), nøjagtighed og ensartethed (kvalitet og fejlregistreringer), konsistens i måleenheder og kodning (standardisering af enheder og kategorier), samt dataens størrelse og sampling (repræsentativitet). Yderligere overvejes dataprivatliv og licens (GDPR, anonymisering) og tilgængelighed af metadata og data lineage. Ofte antages også stabilitet over tid i tidsserier og reproducerbarhed af dataindsamling og behandlingsprocesser.

Brud på forudsætningerne kan medføre skæve resultater, biased variationer, fejlagtige konklusioner samt udfordringer med generalisering, reproducibilitet og overholdelse af regler. God praksis omfatter dokumentation af dataforudsætninger, data profiling og løbende kvalitetsovervågning, samt tydelig kommunikation af usikkerheder og antagelser. Dataforudsætninger hænger tæt sammen med data governance, datakvalitet og en robust dokumentationskultur i organisationer.