- 数据分析
- 数据治理
- 产品解决方案
- 行业解决方案
- 案例
- 数据资产入表
- 赋能中心
- 伙伴
- 关于
时间：2023-12-28来源：蹦擦擦浏览数：18次
数据质量是数据管理的核心，只有高质量的数据才能为数据消费者应用，助力企业更好的使用数据来获得洞察力、做决策和服务业务。而企业许多直接的成本，也与质量问题相关，如错误数据驱动的错误业务决策造成损失、因缺乏良好信誉而导致业务损失等等。
然而，没有一个企业能拥有完美的业务流程、完美的技术流程或完美的数据管理实践，所有组织都会不可避免的遇到与数据质量相关的问题。因此，需要行之有效的问题管理措施，如进行数据质量问题处理、进行数据质量问题分析、进行数据质量问题验收等。
1数据质量改进方法论
PDCA循环是质量最常用的方法论中，又称戴明环，是全面质量管理的思想基础和方法依据。PDCA循环的含义是将质量管理分为四个阶段，即Plan（计划）、Do（执行）、Check（检查）和 Act（处理）。在质量管理活动中，要求把各项工作按照作出计划、计划实施、检查实施效果，然后将成功的纳入标准，不成功的留待下一循环去解决。
而处理阶段，就主要包括质量问题记录、分析、处理。找出影响质量问题的主要原因。并且针对主要原因，提出解决的措施并执行。而随着问题原因的评估和解决方案的提出，循环也将重新开始。
2数据质量问题产生的原因
数据质量问题在数据生命周期的任何节点都可能出现，原因多种多样。有如下常见原因：
（1）缺乏系统的数据管理和治理。如领导和员工缺乏质量意识、缺乏治理手段、缺乏领导力和管理能力、没有选择合适的质量工具；
（2）数据输入过程引起的问题。如数据输入接口问题、字段重载、业务流程的变更、业务流程执行混乱等；
（3）数据处理功能引起的问题。如没有定义正确的业务规则、变更数据结构等；
（4）系统设计引起的问题。如由于丢失的数据被分配为默认值而导致数据准确性、未执行唯一性约束、编码不准确等。
3数据质量问题管理两个典型场景
高质量的数据是为了满足业务的需求，而业务的规则是数据质量规则的重要输入，因此，需要业务人员与技术人员一起，承担起质量问题管理的责任。
场景一：由业务人员在使用数据时发现数据质量问题
场景二：现有数据质量规则定期监控发现问题
4数据质量问题管理工具实践
进行行之有效的数据质量问题管理和跟踪需要做到以下几点：
（1）标准化数据质量问题和活动。统一企业/组织内部描述数据问题的术语以及定义，以简化问题的分类，上下游人员沟通更加通畅。
（2）提供数据问题的分配过程。数据质量问题发生后，可以由数据治理专员分配给具体责任人或专家进行诊断，并提供解决方案，可下发给具有特定专业领域知识的人员推动问题解决。
（3）管理问题分级机制。数据质量问题处理能通过分级分类，区分问题影响，需要根据问题的影响、持续时间或紧急程度制定明确的升级机制，明确不同问题在数据质量SLA中的地位。
（4）管理数据质量解决方案工作流。制定数据质量SLA规范，规定监控、控制和解决的目标，所有这些定义了操作工作流的集合。能通过事件跟踪系统支持工作流管理，以跟踪问题诊断和解决的进度。
