在执行了一系列的举措来提高数据质量后，如何来验证数据质量的治理效果呢？
根据企业本身的数据特点，设计并构建了一个数据质量七维评价模型：
数据质量评价模型，分别从数据完整性、监控覆盖率、告警响应度、作业准确性、作业稳定性、作业时效性、作业性能分等七个维度来考量平台的数据质量，基于该模型，还设计了“数据质量分”这个指标，来直观地反映平台数据质量的建设水平及健康状况。
数据质量七维模型的评价视角及其计算口径：
1数据完整性
☆ 考量数据项信息是否全面、完整、无缺失
★ 指标公式：表完整性和字段完整性的平均值
2监控覆盖率
☆ 确保数据遵循统一的
数据标准或规范要求
★ 指标公式：监控的高价值作业个数/高价值作业总个数
其中，高价值作业是指作业价值分在80分以上的作业
3告警响应度
☆ 通过日常管理、应急响应，降低或消除问题影响，避免数据损毁、丢失
★ 指标公式：已处理告警个数(本周)/告警总个数(本周)
4作业准确性
☆ 考量数据是否符合预设的质量要求，如唯一性约束、记录量校验等
★ 指标公式：1 - 告警作业个数(本周)/监控作业总个数
5作业稳定性
☆ 考量作业的运行稳定性，是否经常报错，导致数据事故
★ 指标公式：1 - 错误作业个数(本周)/作业总个数
6作业时效性
☆ 考量数据项信息可被获取和使用的时间是否满足预期要求
★ 指标公式：1 - 延迟的高价值作业个数(本周)/高价值作业总个数
其中，基准时间为作业近30天平均完成时间加30分钟，作业晚于基准即延迟
7作业性能分
☆ 考量作业的执行效率和健康度，诊断作业是否倾斜等性能问题
★ 指标公式：1 - 危急作业个数(本周)/作业总个数
从各质量维度的评价视角和指标公式可以发现，虽然
数据质量监控的是表及字段的质量情况，但我们的质量分是设定在库这个层级。这么设计主要是为了更好地责任划分、统筹治理。
比如在银行业，每个库都有其对应的所属分层（如明细层、汇总层、应用层等），且每个库都有对应的库负责人，所以到库这个层级，我们能更好的分而治之，由库负责人对库的质量水平负责。
基于数据质量模型，我们还配套对应的数据质量监控报告。在报告中我们不仅能看到数据平台的整体质量评分，了解质量发展趋势，更能通过多维分析、单维深钻来了解平台的质量问题根源。
多维分析：详细展示七个质量维度的评分及趋势变化，每个维度下还配有TOP榜，用来展示低质量的库排名，督促库负责人进行优化、治理；
单维深钻：每一个质量维度都能从整体下钻到具体库及表，深入了解该维度质量评分低的具体原因，以便针对性地解决问题、提高质量；
综上，就是在数据质量治理方面的一些具体实践。数据质量治理是一个长期的、持续性的工作，不可能期望一蹴而就。
在治理过程中，需要不断优化质量短板，夯实质量基石。设目标、定责任，积极配合与行动，充分利用平台工具，共同建设一个数据乌托邦，让
数据价值发挥耀眼光芒。
数据质量治理仅仅是
数据治理的一个小环，而企业内部的数据质量问题并非不治之症，根据行业最佳实践开展管理体系提升，配备必要的软件，总能把这个问题解决掉，所谓企业内部的数据质量问题最终会消弭于无形。
（部分内容来源网络，如有侵权请联系删除）
