一、什么是数据质量管理？
数据质量管理是一个集方法论、技术、业务和管理为一体的解决方案。通过有效的数据质量控制手段，进行数据的管理和控制，消除数据质量问题进而提升企业数据变现的能力。在
数据治理过程中，一切业务、技术和管理活动都围绕这个目标和开展。数据质量管理的目的是为了解决企业内部数据使用过程中遇到的数据质量问题，提升数据的完整性、准确性和真实性，为企业的日常经营、精准营销、管理决策、风险管控等提供坚实、可靠的数据基础。
二、数据质量问题盘点
数据准确性：用于分析和识别哪些是不准确的或无效的数据，不可靠的数据可能会导致严重的问题，会造成有缺陷的方法和糟糕的决策。
数据真实性：数据必须真实准确的反映客观的实体存在或真实的业务，真实可靠的原始统计数据是企业统计工作的灵魂，是一切管理工作的基础，是经营者进行正确经营决策必不可少的第一手资料。
数据完整性：不完整的数据所能借鉴的价值就会大大降低，也是数据质量问题最为基础和常见的一类问题。数据完整性问题包括模型设计不完整、数据条目不完整、数据属性不完整等。
数据唯一性：用于识别和度量重复数据、冗余数据。重复数据是导致业务无法协同、流程无法追溯的重要因素，也是数据治理需要解决的最基本的数据问题。
数据关联性：指存在数据关联的数据关系缺失或错误，例如：相关系数、函数关系、索引关系、主外键关系等。存在数据关联性问题，会直接影响数据分析的结果，进而影响管理决策。
数据及时性：指能否在需要的时候获到数据，数据的及时性与企业的数据处理速度及效率有直接的关系，是影响业务处理和管理效率的关键指标。
数据一致性：包括数据实体不一致、多源数据的数据模型不一致、命名及含义不一致、数据编码不一致、生命周期不一致、分类层次不一致等。相同的数据有多个副本的情况下的数据不一致、数据内容冲突的问题。
三、如何搭建数据质量管理平台
1、组织环境
一个强有力的数据管理组织的建设是数据治理项目成功的最根本的保证。其作业是两个层面：一是在制度层面，制定企业数据治理的相关制度和流程，并在企业内推广，融入企业文化。二是在执行层面，为各项业务应用提供高可靠的数据。
2、数据质量管理方针
数据质量问题影响的不仅仅是信息化建设的成败，更是影响企业降本增效、业务创新的核心要素，对于数据质量问题的管理，深度执行的总体策略“垃圾进，垃圾出（garbage in，garbage out）”，采用事前预防控制、事中过程控制、事后监督控制的方式进行数据质量问题的管理和控制，持续提升企业数据质量水平。
3、数据质量问题分析
1）定义阶段
通过使用
主数据识别法、专家小组法、问卷调查法、漏斗法等方法，定义出
数据治理的对象和范围。界定数据质量治理的范围，并将数据质量改进的方向和内容界定在合理的范围内。
2）测量阶段
选取数据唯一性、数据完整性、数据准确性、数据一致性、数据关联性、数据及时性等指标来作为数据质量评价指标，建立数据质量评估模型，对企业的数据进行评估和测量。
3）分析阶段
基于数据质量评估模型，执行数据质量分析任务，通过数据分析，找到发生数据质量问题的重灾区，确定出影响数据质量的关键因素。
4）改进阶段
通过制定改进管理和业务流程、优化数据质量的方案，消除数据质量问题或将数据质量问题带来的影响降低到最小程度。
5）控制阶段
固化数据标准，优化数据管理流程，并通过数据管理和监控手段，确保流程改进成果，提升数据质量。主要方法有：标准化、程序化、制度化等。
