到根本原因的改进。补救和改进计划应考虑可以快速实现的问题(可以
立即以低成本解决问题)和长期的战略性变化。这些计划的战略重点应
是解决问题的根本原因,并建立问题预防机制。请注意,许多事情都会阻碍改进工作:系统限制、数据龄期、正在
进行的使用有问题数据的项目、数据环境的总体复杂性、文化变革阻
力。为了防止这些限制阻碍质量改进工作的进行,须根据对数据质量改
进带来业务价值的一致性量化,设定具体的、可实现的目标。
例如,根据流程
可能是将客户数据的完整性
从90%提高到95%。显然,比较初始度量的结果和改进后的结果才能显
示改造的成效。但价值来自改进的好处:减少客户投诉、减少纠正错误
的时间等,通过测量这些东西来解释改进工作的价值。改善数据必须有
积极的投资回报,没有人关心字段完整性的级别,除非有业务影响。当
发现问题时,根据以下内容确定改进的投资回报率:
1)受影响数据的关键性(重要性排序)。
2)受影响的数据量。
剖析和分析数据的过程将帮助组织发现(或反向工程)业务和数据
质量规则。随着数据质量实践的成熟,对这些规则的获取应该构建到系
统开发和增强过程中。预先定义规则将:
1)对数据质量特征设定明确的期望。
2)提供防止引入数据问题的系统编辑和控制要求。
3)向供应商和其他外部方提供数据质量要求。
4)为正在进行的数据质量测量和报告创建基础。
简而言之,数据质量规则和标准是元数据的一种关键形式。为了提
高效率,需要将它们作为元数据进行管理。规则应该是:
1)记录的一致性。建立记录规则的标准和模板,使其具有一致的
格式和含义。
2)根据数据质量维度定义。质量维度帮助人们了解正在测量的内
容。维度的一致应用将有助于度量和管理问题的过程。
3)与业务影响挂钩。虽然数据质量维度能够帮助理解常见问题,
但它们本身并不是目标。标准和规则应该与它们对组织成功的影响直接
相关。不应采取与业务流程无关的度量。
4)数据分析支持。数据质量分析人员不应猜测规则,而应根据实
际数据测试规则。在多数情况下,规则将显示数据存在的问题,但有关
分析也表明规则本身通常并不完整。
5)由领域专家确认。规则的目标是描述数据的形态。通常,需要
通过组织过程的知识确认规则正确地描述了数据。当主题专家确认或解
释数据分析的结果时,知识就产生了。
6)所有数据消费者都可以访问。所有数据消费者都应该能够访问
记录的规则,这样既可以让他们更好地理解数据,同时也有助于确保规
则正确和完整,确保使用者能够就规则提出问题并提供反馈。
2.测量和监控数据质量
业务数据质量管理过程取决于测量和监控数据质量的能力。进行业
务数据质量度量的原因有两方面,它们同等重要:
1)向数据消费者通报质量水平。
2)管理业务或技术流程,改变引入的变更风险。有些测量方法同时适用于这两个目的,应