数据质量构建10误区

当你说某个数据库的记录比较糟糕时，数据库的管理员可能会觉得你是冲着他来的。 因此，数据质量措施常常遭到抵制―因为数据所有者认为提供质量糟糕的数据会让人觉得他们的个人绩效很差。结果信息被保护起来。

为了避免此问题，必须消除信息质量的人格化特征。 在可用于评估业务规则符合度的声明中，你要简明扼要地说明业务期望，从而消除数据中的价值判断。 反过来，这个方法提供了对信息有效性进行量化的方法，即运用意在鼓励信息开放的相关业务指标对信息有效性进行量化。

3. 未能打造主动的工作氛围

如果数据危机发生在被动的工作氛围中，引发错误的数据先是被找出来、纠正，崩溃的流程又重新启动，然后每个人都叹了口气，从恐慌中放松下来，直到下一次危机的爆发。但是，这不是一个合理的流程。原因在于未能将形成一个成熟的、主动应对问题的工作氛围。在主动的工作氛围里，相关人员会在信息流的最初阶段就度量数据质量目标的符合度，从而在信息缺陷恶化为严重问题前发现这些缺陷。

以下原则可以帮助企业将被动的工作氛围变得主动：第一，确定关键的业务数据质量预期;第二，清晰确定上述预期作为业务规则存在的身份;第三， 度量数据与所定义业务规则的符合度，从而提供关键数据质量指标。

4. 先采购软件

虽然数据质量软件工具是数据质量计划中的关键组成部分，但在采购之前还是应该问一下以下问题：采购的动机是什么?目前的流程是什么?在提高数据质量计划有效性方面有什么改进潜力?

成功的企业在获得数据质量工具之前都会采取两项重要措施。 首先，进行业务需求评估，了解企业内普遍存在的数据质量问题。团队成员在企业内部收集各种需求和愿望，并根据所需对这些需求和愿望排定优先级，从而反映出业务采购需求。其次，为了在采购完成后尽快部署资源，成功的企业制定了所需技术的使用策略和使用流程。

5. 忽视数据

如今，企业通常都会管理千兆、兆兆规模的数据系统，并且数据的规模仍不断增长。但是，由于缺少全面的数据分析，这些组织很难发现潜在的数据质量问题。 如果无法了解存在何种问题，改进数据质量又从何说起呢?

为了了解存在的问题，你需要将有效的分析、评估流程与数据剖析、数据标准化、数据匹配等工具结合使用。数据剖析工具可以帮助分析师发现妨碍业务目标达成的信息缺陷。

全面的数据分析有助于提高数据质量问题识别的效率，以及制定消除这些问题的规则。

微信扫一扫实时了解行业动态

微信扫一扫分享本文给好友