論文の概要: Data Quality Taxonomy for Data Monetization

• arxiv url: http://arxiv.org/abs/2510.00089v1
• Date: Tue, 30 Sep 2025 12:42:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-03 16:59:20.176097
• Title: Data Quality Taxonomy for Data Monetization
• Title（参考訳）: データ収益化のためのデータ品質分類
• Authors: Eduardo Vyhmeister, Bastien Pietropoli, Andrea Visentin,
• Abstract要約: この章では、データ収益化の文脈でデータ品質を評価するための包括的な分類法を提示します。 フレームワークの相互接続された"メトリクス層"は、ひとつの次元のカスケードの改善を他のものに保証し、戦略的影響を最大化します。 この全体論的アプローチは、粒度の技術的な評価と高いレベルの意思決定のギャップを埋める。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: This chapter presents a comprehensive taxonomy for assessing data quality in the context of data monetisation, developed through a systematic literature review. Organising over one hundred metrics and Key Performance Indicators (KPIs) into four subclusters (Fundamental, Contextual, Resolution, and Specialised) within the Balanced Scorecard (BSC) framework, the taxonomy integrates both universal and domain-specific quality dimensions. By positioning data quality as a strategic connector across the BSC's Financial, Customer, Internal Processes, and Learning & Growth perspectives, it demonstrates how quality metrics underpin valuation accuracy, customer trust, operational efficiency, and innovation capacity. The framework's interconnected "metrics layer" ensures that improvements in one dimension cascade into others, maximising strategic impact. This holistic approach bridges the gap between granular technical assessment and high-level decision-making, offering practitioners, data stewards, and strategists a scalable, evidence-based reference for aligning data quality management with sustainable value creation.
• Abstract（参考訳）: 本章では、系統的な文献レビューを通じて開発されたデータ収益化の文脈におけるデータ品質を評価するための包括的分類について述べる。 100以上のメトリクスとキーパフォーマンス指標(KPI)を、Ba balanced Scorecard(BSC)フレームワーク内の4つのサブクラスタ(Fundamental, Contextual, Resolution, Specialised)に編成する。 データ品質をBSCの財務、顧客、内部プロセス、および学習と成長の観点から戦略的コネクタとして位置づけることで、品質指標が評価精度、顧客の信頼、運用効率、イノベーション能力をどのように支えているかを示す。 フレームワークの相互接続された"メトリクス層"は、ひとつの次元のカスケードの改善を他のものに保証し、戦略的影響を最大化します。 この全体論的アプローチは、詳細な技術的評価と高いレベルの意思決定のギャップを埋め、実践者、データスチュワード、ストラテジストに、データ品質管理と持続可能な価値創造を整合させるスケーラブルでエビデンスベースのリファレンスを提供する。

関連論文リスト

• KAHAN: Knowledge-Augmented Hierarchical Analysis and Narration for Financial Data Narration [21.210770737963085]
  KAHANは知識を付加した階層的なフレームワークで、エンティティ、ペア、グループ、システムレベルの生データから洞察を抽出する。 DataTalesの財務報告ベンチマークでは、KAHANは既存のアプローチよりも20%以上優れた物語品質(GPT-4o)を実現している。 以上の結果から, 蒸留によるモデル性能の向上, 階層分析のメリットは市場の複雑さによって異なり, フレームワークは医療領域に効果的に移行することが明らかとなった。
  論文  参考訳（メタデータ） (2025-09-21T11:15:43Z)
• AI Data Development: A Scorecard for the System Card Framework [3.0723404270319685]
  本稿では,AIデータセットの開発を評価するために設計されたスコアカードを紹介する。 この手法は、データセットの品質と完全性を評価するために、取り込み形式と評価基準を用いて構造化されたアプローチに従う。 スコアカードは、技術的および倫理的な側面に対処し、データプラクティスの全体的評価を提供する。
  論文  参考訳（メタデータ） (2025-06-02T06:35:45Z)
• Scaling-up Perceptual Video Quality Assessment [54.691252495691955]
  マルチモーダル・イン・ループ型VQAマルチモーダル・インストラクション・データベースを効率的に構築する方法を示す。 我々の焦点は、微細なVQAの知識を提供するために、多くのコンテキスト内インストラクションデータを持つ技術と美的品質の次元である。 この結果から,我々のモデルは,品質理解と評価の両タスクにおいて,最先端のパフォーマンスを達成できることが示唆された。
  論文  参考訳（メタデータ） (2025-05-28T16:24:52Z)
• Enhancing Machine Learning Performance through Intelligent Data Quality Assessment: An Unsupervised Data-centric Framework [0.0]
  不適切なデータ品質は機械学習(ML)の有利なパワーを制限する 本稿では,高品質なデータを特定し,MLシステムの性能を向上させるインテリジェントなデータ中心評価フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-02-18T18:01:36Z)
• Elevating Information System Performance: A Deep Dive into Quality Metrics [0.43533652831655184]
  本研究では、システム品質(SQ)、情報品質(IQ)、サービス品質(SerQ)の関係について検討する。 その結果,SQが高いとIQが向上し,SerQが向上し,ユーザ満足度が向上することが示された。 SerQは、システム全体のパフォーマンスを示す最も関連性の高い指標として現れます。
  論文  参考訳（メタデータ） (2024-12-24T15:50:57Z)
• Enhancing Data Quality in Federated Fine-Tuning of Foundation Models [54.757324343062734]
  本稿では,基礎モデルのファインチューニングのためのデータ品質制御パイプラインを提案する。 このパイプラインは、トレーニングデータの質を反映したスコアを計算し、統一された標準のグローバルしきい値を決定する。 実験の結果,提案した品質制御パイプラインはモデルトレーニングの有効性と信頼性を向上し,性能が向上することが示された。
  論文  参考訳（メタデータ） (2024-03-07T14:28:04Z)
• Beyond Accuracy: Measuring Representation Capacity of Embeddings to Preserve Structural and Contextual Information [1.8130068086063336]
  埋め込みのテキスト表現能力を測定する手法を提案する。 この研究の背後にある動機は、埋め込みの強さと限界を理解することの重要性にある。 提案手法は, 埋込評価の分野の進展に寄与するだけでなく, 研究者や実践者に定量的な測定力を与える。
  論文  参考訳（メタデータ） (2023-09-20T13:21:12Z)
• QI2 -- an Interactive Tool for Data Quality Assurance [63.379471124899915]
  欧州委員会による計画されたAI法では、データ品質に関する法的要件が規定されている。 複数のデータ品質面におけるデータ品質保証プロセスをサポートする新しいアプローチを導入する。
  論文  参考訳（メタデータ） (2023-07-07T07:06:38Z)
• QAFactEval: Improved QA-Based Factual Consistency Evaluation for Summarization [116.56171113972944]
  QAベースのメトリクスのコンポーネントを慎重に選択することは、パフォーマンスにとって重要であることを示す。 提案手法は,最良性能のエンテーメントに基づく測定値を改善し,最先端の性能を実現する。
  論文  参考訳（メタデータ） (2021-12-16T00:38:35Z)
• Towards Question-Answering as an Automatic Metric for Evaluating the Content Quality of a Summary [65.37544133256499]
  質問回答(QA)を用いて要約内容の質を評価する指標を提案する。 提案指標であるQAEvalの分析を通じて,QAに基づくメトリクスの実験的メリットを実証する。
  論文  参考訳（メタデータ） (2020-10-01T15:33:09Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。