当前位置:首页 > 公司动态
数据治理:数据质量管理的细节
  • 发表时间:2022-12-19 点击数:145
  • 来源:未知

 

导读:现阶段,随着信息技术与经济社会的不断融合,数据已成为驱动数字经济发展的关键引擎。企业想要进一步激活数据要素潜能,解决企业内部的数据质量问题、做好数据质量管理是实现其数据战略的前提条件。企业内部的数据质量问题也是催生数据治理行业的重要因素。在实施数据治理时,如何才能在掌控大局的前提下,着眼于细节,切实提升数据质量管理工作的效率和完成度呢?

针对企业数据质量管理的细节问题,中翰结合多年工作实践心得,整合出以下几个方面的实施策略:

 

细节一:从细节入手寻找数据质量问题的来源

想要做好数据质量管理,首先要分析出企业现存数据质量问题有哪些、具体来源是什么。许多企业过分依赖购入工具,幻想企业数据质量能够从此开始
180°大转弯、扶助公司快速走上正轨。这种想法是绝对不现实的,要想切实解决企业的数据质量问题,企业必须切实认识到究竟是哪些原因造成了数据质量的下降,并有针对性地制定实施策略、流程、标准等。

比如,同一业务实体对象在不同业务系统和组织机构内信息内容不一致、数据对某实体对象的描述不符合业务规则和数据规范、人工新增审核有错误等问题,可以从分别企业内部数据交换、数据标准、数据权责等方面加以管理。

 

细节二:设置数据质量评估的细节化标准体系

数据质量标准体系,是指对数据质量进行约束的技术和行为标准集合。对数据质量进行评估时,除了从数据一致性、完整性、合规性、及时性、有效性、数据冗余等角度分析,还应结合更加具体细节的标准,以确保评估成果的科学性和可量化。

比如,技术标准可包括诸如针对单属性字段的格式、符号、取值上下限等规范,针对多属性间的关联验证规范等;行为标准可包括根据业务场景进行人为的数据质量判断的标准及数据生成后数据质量的日常监测标准等。

同时,中翰在进行数据质量评估工作时,还会注意以下细节:

1)借助专业的数据质量分析工具,确保数据质量评估结果的科学、准确性;

2)进行全部数据的质量分析,杜绝样本数据模式;

3)通过咨询专家全面总结描述各种问题,提出建设性指导意见;

4)出具《数据质量分析报告》,其内容包括:质量分析的数据类型、数据量、数据质量维度、各维度问题数据比例、各维度问题数据量、各维度问题原因、各维度问题解决建议等。

 

细节三:在细节处优化数据管理流程

企业数据质量要实现持续长久的改善,仅依靠工具支撑是远远不够的,应确立起科学的组织架构和制度流程,切实实现数据质量问题的认责和追责。在进行此项工作时,要注意根据企业数据管理的实际情况设计流程细节,以确保数据管理制度的有效、稳定运转。

比如,中翰在实践中发现,传统的‘点式新增’需要新增前收集全部所需信息然后再一次性录入,这样会不可避免的产生二次错误。于是,中翰引入‘线式数据新增’理念,在数据新增流程细节上加以改善,也就是把申请过程拉长,此过程根据字段级的权限控制每个数据新增人员的录入内容,明确相关责任,强化管控力度,最大化规避二次错误的发生。


图片2

图一 数据采集阶段的行为管控流程

 

细节四:有选择性地实施数据质量管理

在企业内部实施数据治理项目,势必不可能事事都按照最理想的态势发展。项目的实施过程,往往会受到企业内环境、人事、政策等各种各样的限制。为了保证最终的实施效果,在企业利益最大化的前提下,咨询方应对数据质量管理流程、不同类的数据质量管理方式进行选择取舍。

根据企业性质、内部环境不同,数据质量管理流程的力度和具体流程可有选择性地实施;对于不同种类的数据,应选择更恰当有效率的治理模式,比如进行数据清洗时,可根据企业情况,选择整改存量数据、提供行业标准数据、自动化改造数据三种模式。