数据质量提升的必要性

俗话说，“失之毫厘，差之千里”。 在数据来源多样化的情况下，数据的可靠性和实用性，直接影响到统计分析是否得到正确的结论，所以说数据的质量尤为重要。数据分析和数据挖掘都离不开数据的质量，如果数据不具备完整性、规范性以及一致性，那么最后我们看到的本质，得到的结论是有所偏失的。

俗话说，“失之毫厘，差之千里”。 在数据来源多样化的情况下，数据的可靠性和实用性，直接影响到统计分析是否得到正确的结论，所以说数据的质量尤为重要。数据分析和数据挖掘都离不开数据的质量，如果数据不具备完整性、规范性以及一致性，那么最后我们看到的本质，得到的结论是有所偏失的。不仅如此，数据的质量问题从一定的角度反映出组织当中存在的一些问题，而问题的来源可能是数据流动，可能业务流程也可能源于管理问题等等。高质量的数据对管理决策，业务支撑都有极其重要的作用。数据质量是数据治理中重要的一把标尺，而数据治理又是当今企业组织的首要战略重点之一，只有持续的数据质量改进才能推动数据治理体系的完善，为企业数据战略提供坚实的保障。
一、数据质量的重要性

大数据的概念正在进一步渗透到各个行业与领域当中，数据中蕴藏的商业价值也逐渐被人们挖掘出来：数据驱动创新促进发掘新的需求和商业模式、客户群体细分提供个性化服务和精准营销、数据互联互通打破了组织边界提高管理效率和产业效率以及降低服务成本。伴随着数据量的增长，与大数据相关的技术也在不断成熟，包括数据采集、数据处理、数据挖掘、数据分析、数据传输、数据存储等一系列环节。技术更迭带来的实施成本降低，越来越多的企业开始利用数据创新业务，提供数据服务，由原来的业务驱动渐渐转型数据驱动业务的增长。大数据类的项目都是以数据为核心的， 数据将作为产生业务价值和实现业务目标的基石，那么数据的质量就变成了这类项目的一个极其重要的因素。如果项目初期不考虑数据质量的因素，会存在由于数据质量问题所带来的项目失败的风险。在项目的各个环节当中，我们都应当关注数据质量的管理。

二、如何做好数据质量管理
1、从数据的整个生命周期来管理
数据生命周期总的来说将其分为事前预防、事中监控、事后改善三个阶段。在数据生命周期的任何一个阶段都要进行严格的数据规划和约束来防止脏数据产生。
事前预防：根据组织特点，制定符合自身环境的工作制度，制定每个环节的工作流程，规定各个参与方的责任，确定各项数据的权威部门，制定数据质量指标，制定数据质量修复流程等等。
事中监控：在数据采集过程中将数据分为“好数据”“坏数据”，“好数据”入库，“坏数据”则反馈给源头修复，在源头上把数据问题彻底修复掉。
事后改善：建立相关的流程和工具，通过手工、工单、自动化等等手段将质量问题修复掉，从而为业务创新提供可靠的数据支撑。
2、从数据质量问题解决依赖的知识来管理
数据梳理：先明确企业数据的种类，根据数据的不同分类。知道整体数据质量情况，将具有共同的特征数据提取出来，按照主题域的方式进行划分，方便后续的数据管理。
数据规范：在数据模型的落地和推动过程当中，往往会遇到由于各组织人员认知不同、看待问题的角度不同以及其他内外部原因等限制，导致数据在集成与互通的时候会遇到数据不一致的问题。所以，在做业务系统的数据模型设计之前，企业要设计一套相对标准的数据规范。通过数据标准规范来反向推动业务进行数据收集，解决数据不一致的问题。

三、睿治平台如何帮助企业治理数据
亿信华辰睿治数据治理平台的数据质量管理模块以全面质量管理PDCA循环管理方法为指导，充分结合国内数据质量管理工作的特点，运用元数据管理、数据挖掘、数据分析、工作流、评分卡、可视化等技术最终帮助企业和政府建立数据质量管理体系，全面提升数据的完整性、规范性、及时性、一致性、逻辑性等，降低数据管理成本，减少因数据不可靠导致的决策偏差和损失。