1、数据治理体系保障
由前面可知，数据质量管理要高效推进，不仅仅是个技术问题，更是管理问题，依赖于公司的组织、制度、流程的配合，有赖于公司数据治理保障体系的建立，我曾经在《怎样画一张人见人爱的数据治理框架图？by 傅一平》提出过“一体两翼“数据治理体系框架，见下图：
可以看到，数据质量管理作为数据管理活动的一种，需要数据治理体系的保障，包括战略管理、政策原则、组织文化、制度规范、监督控制、变革管理、项目推动、问题管理及法规遵从。
下面举例说明：
针对数据质量管理本身，要加强顶层设计，明确数据质量管理的原则，建立数据质量管理制度，明确数据质量管理流程，约束各方加强数据质量意识，督促各方在日常工作中重视数据质量，在发现问题时能够追根溯源、主动解决。
在数据质量需求阶段，只有业务部门的充分参与，才能明确业务问题和优先级，确保数据质量改进具有较大的价值，而要做到这点，离不开企业数据战略的指导，离不开企业级数据治理组织的保障（比如企业级数据治理委员会和办公室的设置），确保拉通业务和技术，确保足够的资源投入（比如各部门数据质量管理专员的设置）。
在数据质量检查阶段，规范标准的有效执行和落地是数据质量管理的必要条件，包括数据模型标准、主数据和参考数据标准、指标数据标准等，有了规范标准，数据质量规则的制定才有据可依。
在预防未来数据错误阶段，往往需要通过对人员进行管理和培训，对业务流程进行优化，对系统问题进行修正，对制度和标准进行完善才能彻底解决问题，这些都离不开数据治理的组织文化、制度规范，监督控制等的支持。
2、数据环境分析保障
数据是一种质量管理的对象，数据本身也是一项业务，对数据这项业务的的理解越透彻，我们前面采取的那些数据质量提升方法和步骤就越有针对性，也会越有效，而所谓数据的业务就是数据从规划（Plan）、获取(Obtain)、存储和共享(Store and Share)、维护(Maintain)、应用(Apply)再到报废(Dispose)的全数据生命周期（简称POSMAD）这个流程。
比如理解了数据的应用场景，就可以有效判断业务问题的价值，从而更好的明确数据质量需求和评估业务影响程度；理解了数据模型和业务场景，就可以制定更合理的数据质量规则，更高效的进行数据质量检查；理解了数据的全流程，就可以实现数据的血缘分析，这是确定数据问题根本原因的一种有效方法，而通过流程优化往往又能预防数据质量问题的再次发生，诸如此类。
下图的麦吉利夫雷的信息质量框架【1】为理解数据业务流（简称POSMAD）提供了一个逻辑框架，可以帮助理解造成数据质量问题的复杂环境，一旦理解了这个框架，可将其用于理解下列事项：
（1）诊断：评估实践和流程，了解哪里出了故障，并确定是否提供了数据质量需要的所有要素，识别遗漏的要素，将其作为项目优先级和初始根本原因分析的依据。
（2）规划：设计新的流程，确保影响数据质量的所有要素已经解决，确定时间、金钱和资源的投资方向。
（3）沟通：解释数据质量所需的和影响数据质量的要素。
这里以地址主数据为例，说明地址相关流程（应用阶段）的理解对地址主数据建设的重要性，下面第一张图展示了所有涉及地址数据使用的流程全景，这是实现地址主数据统一管理的前提，第二张图针对其中的驻地网资源入网流程进行了详细的说明：
下面以供应链数据为例，从技术角度说明供应链系统各个模块是如何获取、存储和共享及维护相关实体的，这对于评估供应链数据的使用和变更情况至关重要，如下图所示：
应该来讲，虽然数据质量管理涉及的功能模块和步骤很多，但在实践中，只要按需挑选必需的模块和步骤即可，同时各个步骤间也不是严格的前后关系，会有反复，比如在推进到预防未来数据错误这个步骤时，往往要回到根因分析这一步骤去进一步核实。
免责申明：
本文系转载，版权归原作者所有，如若侵权请联系我们进行删除！
数据质量管理两大保障 
522
0
