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

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