![]()
导读：无论是任何行业或者何种背景下的企业，在步入信息化数字化阶段后，都会面临数据质量问题。没有一个组织拥有完美的业务流程、完美的技术流程或完美的数据管理实践，所有组织都会遇到与数据质量相关的问题。
相比那些不开展数据质量管理的组织，实施正式数据质量管理的组织碰到的问题会更少。如何确保自己企业的数据质量比较高，或者是逐步提高。一个很重要的保障措施就是颁布管理制度。数据质量管理制度需要包含数据质量管理办法，数据质量管理规范，数据质量绩效考核方面的内容。值得大家注意的是，管理制度搭建的过程中，往往很难区分规范、办法两者之间的关系。
办法 是指对于某一工程作业或者行为进行定性的信息规定。主要是因为无法精准定量而形成的标准。所以相对笼统。
规范 是按照规范制度的要求提出具体可落地、可执行的实施措施。所以一定是很具体可量化的细则。例如：我们在规范中可以强调数据的及时性，但是在具体的管理办法中需要明确、量化及时性这一指标概念。如：获取数据后X个工作日内录入数据，发生变更时X个工作日内完成数据更新等。细分来讲，数据质量管理制度应该由以下几个关键部分组成：
一、规范定义：
1、首先定义清楚什么样的数据称之为高质量的数据，高质量数据并不是越高越好，因为学过质量成本控制的都清楚，数据质量并不存在绝对的，而只要满足企业业务管理需要，即可认为数据质量达标的数据。2、明确什么样的数据属于数据质量管理的范畴。比如核心，重要的数据，所以识别关键数据重要数据，并且还要确认该类数据的生成规则和维护流程。2、达到什么程度才算高质量。例如：确保数据的及时性，究竟怎么才算及时性，是获取数据的时效？还是分发到下游的时效？还是接受数据的时效？
二、稽查监控措施：
1，针对我们已经识别的数据及其对应生成规则，我们需要确定稽查监控的措施。（提升数据质量的关键是预防，而不是事后修正）
2，对于产生问题的错误数据，我们如何去修复改正的相应流程。
3、数据稽查的频率和问题反馈频率，以及反馈渠道或稽查工具平台需要明确清楚。
1、重点描述组织岗位对应的职能，定义需要执行遵守的数据质量管理原则。2、各组织对数据质量流程中的职责权利需要明确清楚，例如谁生产，谁使用，谁负责，谁改进等权责。
评价标准需要量化：一般情况下， 以单条数据为单位，通过数据质量巡检规则，从完整性、及时性、准确性、一致性、唯一性、有效性等六个维度进行检查，根据计算规则得出各区域的数据质量综合得分。常见的数据质量考核计算方法如下： 1）员工数据质量综合得分：以该员工录入维护的相关数据质量项为范围，以数据质量检查项的单条数据质量规则为检查单元，先计算正确记录数占比作为该条数据质量规则对应的得分，再加权计算该数据项的所有数据质量规则得分作为该数据项的得分，最后取所有数据项得分的平均值作为员工的数据质量综合得分，计算过程及计算公式如下：数据质量规则得分=(1-数据质量规则检查的问题数/数据质量规则检查的总数)*100
数据质量规则名称 | 问题记录数 | 记录总数 | 数据质量规则得分 |
规则 A1 | 10 | 100 | 90.00 |
规则 A2 | 50 | 200 | 75.00 |
规则 B1 | 10 | 1000 | 99.00 |
规则 B2 | 20 | 1000 | 98.00 |
规则 C1 | 10 | 1000 | 99.00 |
… | … | … | … |
数据质量规则的得分表（示例）
![]()
备注：n 为数据项的数据质量规则总数。数据项名称 | 数据质量规则名称 | 数据质量规则得分 | 权重 | 数据项得分 |
数据项 A | 规则 A1 | 90.00 | 50% | 82.50 |
规则 A2 | 75.00 | 50% |
数据项 B | 规则 B1 | 99.00 | 60% | 98.60 |
规则 B2 | 98.00 | 40% |
数据项 C | 规则 C1 | 99.00 | 100% | 99.00 |
… | … | … | … | … |
数据项的得分表（示例）
![]()
备注：n 为员工的数据项总数。
员工名称 | 数据项名称 | 数据项得分 | 项目得分 |
张三 | 数据项 A | 82.50 | 93.37 |
数据项 B | 98.60 |
数据项 C | 99.00 |
李四 | 数据项 A | 80.00 | 80.00 |
数据项 B | 70.00 |
数据项 C | 90.00 |
… | … | … | … |
员工的得分表（示例）
2）团队数据质量综合得分：以该团队的全体成员为范围，统计每个团队的数据质量综合得分，取所有项目得分的平均值作为该团队的综合得分，计算公式如下：备注：n 为数据对象总数。
团队名称 | 员工名称 | 员工数据质量综合得分 | 区域数据质量综合得分 |
数据管理团队 | 张三 | 93.37 | 80.84 |
李四 | 80.00 |
数据执行团队 | 王五 | 99.00 | 96.20 |
赵六 | 90.00 |
… | … | … | … |
区域的得分表（示例）
统计各团队的综合得分，并根据各团队的综合得分从高到低进行排名，由数据管理团队负责人进行有效奖惩排名。如果对数据质量评价结果有意见，可向数据管理团队提出。团队 | 综合得分 | 排名 |
数据对象录入方 A | 100.00 | 1 |
数据对象录入方 B | 96.20 | 2 |
数据对象录入方 C | 90.00 | 3 |
数据对象录入方 D | 80.84 | 4 |
… | … | … |
团队数据质量综合评价表（示例）
五、附则-数据质量衡量维度
在DAMA体系中，数据质量维度是指数据的某个可测量的特性。国际上较为成熟的框架包括：Strong-Wang 框架、Redman的“可表示的三元组”还有Larry Englist的固有特征和实用特征。各个企业公司可以根据自身的业务场景、管控要求选择不同的质量维度框架，本篇文章只针对DAMA UK提出的六个核心维度进行阐述解释：完整性：指数据在创建、传递过程中无缺失和遗漏。包括实体完整、属性完整、记录完整和字段值完整四个方面，完整性是数据质量最基础的评判维度。及时性：指及时记录和传递相关数据，满足业务对信息获取的时间要求。数据交付的及时性，及时抽取、及时展现，如果数据交付时间过长，可能导致分析结论失去参考意义。准确性：指真实、准确记录原始数据，无虚假数据及信息。数据准确反映其所建模的“真实世界”实体。例如：员工的身份信息必须与身份证件上的信息保持一致。一致性：指遵守统一的数据标准，记录和传递数据和信息。主要体现在数据 记录的规范和数据是否符合逻辑。例如：同一工号数据在不同系统的员工姓名不一致。唯一性：指同一数据只能有唯一的标识符。体现在一个数据集中，没有实体多余一次出现，并且每个唯一实体有一个键值且该键值只指向该实体。例如：员工有且仅有一个有效工号。有效性：指数据的值、格式和展现形式符合数据定义和业务定义的要求。描述数据格式、数据类型、值域和相关业务规则的有效性。例如：员工的国籍类型必须存在于国家基础数据中定义的允许值。企业数据质量管理体系的搭建并非一朝一夕的事情，本文只是针对管理制度的目录编写进行了详细阐述。如何针对管理制度进行组织保障、资金项目保障、人力保障等措施在后续章节会再详细讲到。本公众号所有分享的软件和资料来自网络收集和整理，所有文字和图片版权归属于原作者所有，且仅代表作者个人观点，与数据工匠俱乐部无关，文章仅供读者学习交流使用，并请自行核实相关内容，如文章内容涉及侵权，请联系后台管理员删除
(欢迎大家加入数据工匠知识星球获取更多资讯。)
我们的使命：发展数据治理行业、普及数据治理知识、改变企业数据管理现状、提高企业数据质量、推动企业走进大数据时代。
我们的愿景：打造数据治理专家、数据治理平台、数据治理生态圈。
我们的价值观：凝聚行业力量、打造数据治理全链条平台、改变数据治理生态圈。
了解更多精彩内容
长按，识别二维码，关注我们吧！
数据工匠俱乐部
微信号：zgsjgjjlb
专注数据治理，推动大数据发展。