数据质量：以过程管理的确定性应对数据质量的不确定性

在各大企业积极推进数字化转型的过程中，业务数据随着信息化系统的不断建设也在逐渐积累。当有了大量的数据，企业自然而然地希望通过对数据进行分析，以辅助决策。

但在真实的工作场景中，我发现很少有企业能把业务系统里的数据直接拿出来就能用的，为什么呢？因为数据质量有问题，糟糕的数据质量会导致数据分析的结果与实际情况南辕北辙，这与企业数字化转型的初衷大相径庭。

数据质量对于很多企业来讲是个玄学问题，因为在系统里，业务都能跑通了，企业就默认为数据没什么大问题，但是，一旦想利用数据进行分析就发现数据质量问题一大堆。

影响数据质量的原因多种多样，比如：

录入方面：漏录引起的空数据，输入错误引起的错数据，重复录入引起的重复数据问题；

指标方面：制定的指标维度在业务系统里没有相应的数据对应；

数据源方面：同一个数据多个地方录入，引起的数据冲突问题……

林林总总，在数据的产生、存储、流动、计算、应用等过程中，任何一个地方出现问题，都会造成数据的质量问题，所以数据质量管理是一个非常困难的工作，其结果往往有很大的不确定性。

那么，有什么办法对数据的质量进行综合的管理呢？那就是数据治理。

数据治理是一项综合性的工作，通过管控体系、技术体系、质量体系、安全体系等综合体系管理对数据的全生命周期进行管控，从而，以过程管理的确定性应对了数据质量结果的不确定性。

数据治理管控体系

数据管理的组织架构、职责分工

数据管理的制度体系：政策、制度、流程、管理办法等

数据治理技术体系

数据分类方法、数据分层办法、业务术语管理、数据编码规范、数据模型设计规范、数据源认证规范、数据资产目录、数据标准模型、数据标准体系…

数据治理质量体系

预防手段：组织保障、制度保障、流程保障、

控制能力：数据标准输入、数据质量维度、数据质量规则、质量预警

改进措施：质量监控与评估、质量问题分析、质量问题修复与优化

数据治理安全体系

数据安全认责制度、敏感数据识别、数据分级管理办法、用户身份认证、系统授权管理、定期合规性检查、用户行为审计、数据动态防护、数据备份…

现在，各大企业的数字化转型工作已经从系统建设向数据应用方面迈进。前期，大家的关注点是在业务拉通，而到了数据应用阶段，数据质量问题会立即凸显，要想把企业前期积累的数据资源变为真正的数据资产，那么就必须把数据的价值发挥出来，在这个过程中，数据质量是大家绕不过去的坎，只有通过系统化的数据治理才能为企业打通数字化的经脉，让企业的数字化成果真正展现出来。