Am Ende dieses zweiten Kurses in der Total Data Quality Specialization werden die Teilnehmer in der Lage sein: 1. Verschiedene Metriken zur Bewertung der totalen Datenqualität (Total Data Quality, TDQ) auf jeder Stufe des TDQ-Frameworks kennenlernen. 2. Eine Qualitätskonzeptkarte zu erstellen, die relevante Aspekte der TDQ einer bestimmten Anwendung oder Datenquelle aufzeigt. 3. Denken Sie über relative Kompromisse zwischen Qualitätsaspekten, relativen Kosten und praktischen Beschränkungen nach, die durch ein bestimmtes Projekt oder eine Studie auferlegt werden. 4. Identifizieren Sie relevante Software und zugehörige Tools zur Berechnung der verschiedenen Metriken. 5. Verstehen der Metriken, die sowohl für entworfene als auch für gefundene/organische Daten berechnet werden können. 6. Wenden Sie die Metriken auf reale Daten an und interpretieren Sie die sich daraus ergebenden Werte aus der TDQ-Perspektive. Die gesamte Specialization zielt darauf ab, das Total Data Quality Framework zu vertiefen und den Lernenden mehr Informationen über die detaillierte Bewertung der gesamten Datenqualität zu geben, die vor der Datenanalyse erfolgen muss. Ziel ist es, dass die Lernenden die Bewertung der Datenqualität als kritische Komponente in alle Projekte einbeziehen. Wir hoffen aufrichtig, das Wissen über die gesamte Datenqualität an alle Lernenden, wie z.B. Datenwissenschaftler und quantitative Analysten, weiterzugeben, die in den ersten Schritten des datenwissenschaftlichen Prozesses, die sich auf die Datenerfassung und die Bewertung der Datenqualität konzentrieren, nicht ausreichend geschult wurden. Wir sind der Meinung, dass ein umfangreiches Wissen über datenwissenschaftliche Techniken und statistische Analyseverfahren einer quantitativen Forschungsstudie nicht weiterhilft, wenn die gesammelten Daten nicht von ausreichend hoher Qualität sind. Diese Specializations konzentrieren sich auf die wesentlichen ersten Schritte bei jeder Art von wissenschaftlicher Untersuchung, bei der Daten verwendet werden: entweder die Generierung oder die Sammlung von Daten, das Verständnis dafür, woher die Daten stammen, die Bewertung der Datenqualität und die Ergreifung von Maßnahmen zur Maximierung der Datenqualität, bevor irgendeine Art von statistischer Analyse durchgeführt oder datenwissenschaftliche Techniken zur Beantwortung von Forschungsfragen angewendet werden. Angesichts dieses Schwerpunkts wird es nur wenig Material über die Analyse von Daten geben, die in unzähligen bestehenden Coursera Specializations behandelt wird. Das Hauptaugenmerk dieser Specialization liegt auf dem Verständnis und der Maximierung der Datenqualität vor der Analyse.