MISSION BRIEFING READY FOR LAUNCH

Datakvalitet och MQA

Guide till att förstå och förbättra datakvalitet enligt maturity och MQA-principerna.

datakvalitetmqametadata

Vad är datakvalitet?

Datakvalitet är inte svart eller vitt. Det finns många dimensioner: Riktighet (stämmer värdena?), Fullständighet (saknas kolumner, rader eller uppdateringar?), Aktualitet (hur ny är datan?), Konsistens (är formatet och strukturen stabil över tid?) och Tillgänglighet (kan användare faktiskt nå och förstå datan?).

Mycket högt fokus på datakvalitet kan bli kontraproduktiv och slösa resurser. Bättre att publicera “80%-datamängd” som faktiskt är brukbar än en “perfekt” som aldrig publiceras.

MQA: Maturity of Data Catalogues

MQA (Maturity of Data Catalogues) är en ramverk från European Data Portal för att bedöma och förbättra kvaliteten på datakatalogernas metadata, inte själva datan.

MQA fokuserar på fyra områden: Findability (kan man hitta datan?), Accessibility (kan man nå och förstå datan?), Interoperability (kan datan kombineras med annan data?) och Reusability (kan man faktiskt använda datan för sitt syfte?).

Praktisk tillämpning: fyra nivåer

MQA rangordnar datakatalogner (som dataportal.se) i fyra mognadsnivåer. Även enskilda datamängder kan bedömas på samma sätt:

Nivå 1: Börjar

  • Datamängder finns, men metadata är minimal
  • Oftast bara titel, ingen beskrivning
  • Ingen licens eller kontaktuppgift
  • Exempel: “data_v2.csv” med tom beskrivning

Riskfaktorer: Användare förstår inte vad datan är eller får inte svara på frågor.

Steg för att förbättra:

  • Lägg till beskrivning (vad? varför? hur ofta?)
  • Lägg till licens
  • Lägg till kontaktuppgift

Nivå 2: Välanvänd

  • Metadata är fylld enligt standard (DCAT-AP-SE obligatoriska fält)
  • Titel, beskrivning, licens, kontaktuppgift finns
  • Format är angett
  • Exempel: CSV-fil med titel “Lediga tomter” + beskrivning

Vad detta möjliggör:

  • Användare kan hitta och förstå datan
  • Data kan sökas på dataportal.se
  • Licensvillkoren är klara

Steg för att förbättra:

  • Lägg till nyckelord och tema
  • Dokumentera kolumner/fält
  • Lägg till exempel på användning

Nivå 3: Interoperabel

  • Metadata inkluderar rekommenderade DCAT-AP-SE-fält
  • Data följer gemensamma vokabulärer (begrepp)
  • Format är maskinläsbart (CSV, JSON, XML)
  • Uppdateringsfrekvens är tydlig
  • Exempel: Samma “tomt” definieras likadant som i andra datamängder

Vad detta möjliggör:

  • Data kan kombineras med annan data från andra organisationer
  • Automatiserade processer kan använda datan
  • Återanvänding ökar dramatiskt

Steg för att förbättra:

  • Definiera och publicera egna vokabulärer (begrepp)
  • Använd URI:er för identifiering (inte bara textnamn)
  • Mappa dina fält till gemensamma standarder

Nivå 4: Mogen

  • Alla rekommenderade DCAT-AP-SE-fält är ifyllda
  • Data är RDF/linked data-formaterad
  • Versionshistorik är tydlig
  • Validering sker automatiskt
  • Exempel: Dataset kan sökas, länkas och kombineras helt automatiskt med andra europeiska datakatalogner

Vad detta möjliggör:

  • Fullt interoperabel med EU:s datakatalog
  • Högsta grad av återanvänding
  • Automatiserade dataflöden över organisationsgränser

Krav: Mer resurser, specialistkompetens, långsiktig investering.

Praktisk framstegsvägledning för din organisation

Steg 1: Identifiera nuläge

Kolla några av dina datamängder på dataportal.se:

  • Kan någon utanför organisationen förstå vad datan är?
  • Är licensen tydlig?
  • Fungerar länkarna?

Om ja: Du är på nivå 1–2.
Om nej: Du är på nivå 1.

Steg 2: Sätt små, realistiska mål

Välj en datamängd, gärna din mest använd eller viktigaste, och förbättra den.

Målsättning för denna datamängd:

  • Obligatoriska fält (nivå 2): 1–2 veckor
  • Nyckelord + tema (nivå 2): 1 vecka
  • Dokumentation (nivå 3): 1–2 veckor

Totalförbrukad tid: 3–5 veckor per datamängd. Gör detta för 2–3 datamängder per år.

Steg 3: Lär från andras goda exempel

Dataportal.se visar “Goda exempel”. Se hur andra organisationer beskriver sin data:

👉 https://dataportal.se/goda-exempel

Vad ska du leta efter?

  • Hur är titel och beskrivning skrivna?
  • Vilka nyckelord använder de?
  • Vilka fält fylls i?
  • Hur beskriver de uppdateringsfrekvens?

Steg 4: Etablera routine

Datakvalitet är inte en engångsuppgift. Gör det till rutinen:

  • Varje gång du uppdaterar data: Uppdatera även metadata
  • Varje kvartal: Gå igenom ett par datamängder och förbättra
  • Varje år: Övergripande granskning

Specifika mått för datakvalitet

Du kan mäta och spåra dessa dimensioner över tid:

Metadata-täckning (%)

Hur stor andel av dina datamängder har:

  • Titel? (bör vara 100%)
  • Beskrivning? (bör sträva mot 100%)
  • Licens? (bör sträva mot 100%)
  • Kontaktuppgift? (bör sträva mot 100%)
  • Nyckelord? (bör sträva mot 80%+)

Target: Inte att alla är perfekta, utan att andelen förbättras över tid.

Länkfunktionalitet

  • Hur många accessURL:er fungerar? (bör vara 100%)
  • Hur många downloadURL:er fungerar? (bör vara 100%)

Mätning: Automatiserad crawl varje vecka. Några brutna länkar är normalt, men alla bör återställas inom dagen.

Aktualitet

  • Vilken % av datamängderna är uppdaterade enligt schema?
  • Hur många är äldre än sitt angivet uppdateringsschema?

Target: 95%+ följer sitt schema. Några kan ha fördröjningar.

Vanliga fallgropar

“Vi måste göra allt perfekt före publicering”
Resultatet: Inget publiceras. Börja med nivå 2, förbättra senare.

“Datakvalitet är IT:s ansvar”
Datakvalitet är en organisatorisk fråga. Kräver resurser, beslut och prioritering.

“Vi publicerar data för att det är lag, inte för att någon använder det”
Om ingen använder datan: varför publicera? Fokusera på datamängder med faktisk användning.

“Metadata är inte viktig, bara datan spelar roll”
Utan metadata är datan ofta värdelös. En användare spenderar 80% av tiden på att förstå vad datan är, 20% på att använda den.

De viktigaste åtgärderna för att förbättra datakvalitet

Om du har begränsade resurser, fokusera på detta, i ordning:

  1. Lägg till beskrivningar: har störst påverkan på sökarhet och förståelse.
  2. Lägg till licens: ger juridisk klarhet, och krävs för publicering.
  3. Lägg till kontaktuppgift: användare kan få hjälp när något är oklart.
  4. Lägg till nyckelord: gör datan lättare att söka på dataportal.se.
  5. Testa länkarna: två minuter per vecka sparar frustrationer senare.

Dessa fem åtgärder tar ~10 timmar per datamängd och dubblerar dess användbarhet.

Nästa steg

Vill du förstå DCAT-AP-SE bättre?
Se DCAT-AP-SE obligatoriska fält och Metadata-checklista.

Vill du publicera data?
Läs Att publicera data: steg för steg.

Vill du lära mer om MQA?
Kolla European Data Portal: https://data.europa.eu/sv/dashboard
DIGG:s vägledning: https://www.digg.se/kunskap-och-stod/oppna-och-delade-data/

Sitter du fast med din organisations datakvalitet?
Ställ frågor i communityt. Detta är en utmaning för många:
👉 https://github.com/MelissaSkywalkz/open-data-orbit/discussions

Datakvalitet är en process, inte ett tillstånd. Små steg över tid slår stora engångssatsningar varje gång.