基于数据决策的前提是数据可靠且相关，数据必须是“真实可信的”，否则“输出将是误导和无效的”。但是学校所收集的数据可能不完全，或者更新不及时。不完全的数据，特别是不准确的数据，可能会带来更危险的决策。但是，所收集的数据来源多样，种类丰富，也很容易出现同一个数据（比如一所高校的在校生人数） 从不同的部门得到的数值不一样的情况。IBM 认为，高质量的数据具有以下四个特征：
完整性（Completeness）： 要从所有可能的来源中关联相关的数据。
准确性（Accuracy）： 数据必须是正确的、一致的，没有输入错误。
可用性（Availability）： 数据必须在需要时可以获得。
时效性（Timeliness）： 当下的数据必须可以获得。
为了提高数据的质量，可能需要多管齐下。
首先要制订
数据治理政策，其次要开发和部署专门的工具来简化数据收集过程。美国的大多数高校会选择
数据质量工具通过数据清理、匹配、监控和其他方式， 让质量保证过程自动化。
2013年圣母大学(University of Notre Dame)建立了
商业智能（business intelligence）项目dataND ，经过摸索，发现制订数据治理政策非常有必要，即要定义数据是什么，如何使用这些数据，谁应该有权访问这些数据。其经验总结如下：
1.如何统一数据定义：雇佣了一个数据治理管家（a campus data steward）在部门之间协调，建立关于数据的共识。
2.如何确定谁能访问什么数据：正确的问题不是这个业务是否需要这个数据，而是获取这个数据是否会给大学带来风险，因为数据治理的目的是为了支持更广泛地使用数据，为了避免使用数据带来的风险，要加强对能够获得数据的人进行培训。当数据可能对大学造成重大伤害时，要有严格的限制。
2013年圣母大学(University of Notre Dame)建立了商业智能（business intelligence）项目dataND ，经过摸索，发现制订数据治理政策非常有必要，即要定义数据是什么，如何使用这些数据，谁应该有权访问这些数据。其经验总结如下：
1.如何统一数据定义：雇佣了一个数据治理管家（a campus data steward）在部门之间协调，建立关于数据的共识。
2.如何确定谁能访问什么数据：正确的问题不是这个业务是否需要这个数据，而是获取这个数据是否会给大学带来风险，因为数据治理的目的是为了支持更广泛地使用数据，为了避免使用数据带来的风险，要加强对能够获得数据的人进行培训。当数据可能对大学造成重大伤害时，要有严格的限制。
（部分内容来源网络，如有侵权请联系删除）
