如何提高数据质量

每年，糟糕的数据质量平均让组织损失1290万美元。除了对收入的直接影响外，从长期来看，低质量的数据增加了数据生态系统的复杂性，并导致糟糕的结果决策．

下载路线图:数据治理最佳实践

强调数据质量随着组织越来越多地使用数据分析来帮助驱动业务决策，企业系统中的DQ也增加了。Gartner预测，到2022年，70%的组织将通过指标严格跟踪数据质量水平，并将其提高60%，以显著降低运营风险和成本。

“数据质量与决策质量直接相关，”他说旋律简， Gartner的高级总监分析师。“高质量的数据提供了更好的线索，更好地理解客户和更好的客户关系。数据质量是一项竞争优势，D&A领导者需要持续改进。”

No. 1:确定改进的数据质量如何影响业务决策

确定业务流程、关键性能指标(kpi)和数据资产之间的明确链接。列出组织面临的现有数据质量问题，以及这些问题如何影响收入和其他业务kpi。在作为资产的数据和改进需求之间建立了明确的联系之后，数据和分析领导者可以开始构建有目标的数据质量改进计划，该计划明确定义了范围、利益相关者名单和高级投资计划。

第二:定义什么是“足够好”的数据标准

要提高数据质量，首先要了解什么是最适合组织的。描述可以定义为“好”的内容的责任在于业务。数据和分析(D&A)领导者需要定期与业务涉众进行讨论，以获取他们的期望。使用相同数据的不同业务线(例如，客户主数据)可能有不同的标准，因此对数据质量改进计划的期望也不同。

第三:在整个组织内建立DQ标准

D&A领导者需要建立组织中所有业务部门都可以遵循的数据质量标准。企业中不同的涉众很可能具有不同的业务敏感性、文化和成熟度水平，因此满足DQ启用需求的方式和速度可能不同。

Chien说:“这将使整个企业的利益相关者能够根据定义和商定的DQ标准来理解和执行他们的业务操作。”企业范围的DQ标准将有助于教育所有相关方，并使采用无缝对接。

第四点:尽早并经常使用数据分析

数据质量分析是检查来自现有数据源的数据并总结有关数据的信息的过程。它有助于确定要采取的纠正措施，并提供有价值的见解，可以向业务部门提出，以推动改进计划的想法。数据分析有助于识别哪些数据质量问题必须在源头上修复，哪些可以在以后修复。

然而，这不是一次性的活动。根据资源的可用性、数据错误等，应该尽可能频繁地进行数据分析。例如，概要分析可能会揭示一些关键的客户联系信息丢失。这些信息的缺失可能直接导致大量的客户投诉，并使良好的客户服务变得困难。在这种情况下，DQ改进现在成为一项高度优先的活动。

第5点:设计和实现用于监视关键数据资产(如主数据)的DQ仪表板

一个DQ指示板向所有涉众提供数据质量的全面快照，包括来自过去的数据，以确定可以帮助设计未来流程改进的趋势和模式。它可以用于比较对关键业务流程至关重要的数据随时间变化的性能。这使组织能够基于可信的质量数据做出正确的业务决策，以实现预期的业务目标。

DQ仪表板还反映了改进活动的影响，例如将新的数据实践合并到运营业务流程中。它们可以被定制，以满足业务的特定需求，这显示了您对数据的信任程度。

6 .从基于真相的语义模型转移到基于信任的语义模型。

数据的来源并不总是内部的，从一开始就可以控制和维护数据的质量。在某些情况下，数据资产是从外部来源获得的，其中DQ规则、作者身份和治理级别通常是未知的。因此，“信任模型”比“真相模型”更有效。

这意味着，与其认为关键的企业数据是绝对的，组织还必须考虑它的来源、管辖权和治理——以及在决策中使用它的程度。当信任水平没有维持时，D&A领导者可以实施缓解措施。

第七:将DQ作为D&A治理委员会会议的议程项目

D&A领导者需要将DQ计划与业务结果联系起来，这将有助于跟踪针对业务目标的DQ改进投资。“为了引起董事会的注意，重要的是要用他们最理解的语言向董事会传达DQ改进的影响——业务和收入的影响，”钱说。的董事会需要清楚地了解DQ改进的进展和挑战，并且他们需要定期获得这些信息。

第8点:将DQ职责和操作流程作为数据管理员角色的一部分

数据管理员负责确保组织的数据资产(包括用于这些数据资产的元数据)的质量和适用性。在更成熟的组织中，数据管理员的角色还包括支持良好的数据管理实践，并在发生DQ问题时监视、控制或升级问题。

D&A领导者需要在他们的D&A战略中包含这一角色，这样DQ才能以系统的方式被定期测量和维护。创建治理范围和涉众地图，以便清晰地理解DQ问题是如何管理的。