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。相比那些不召开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。
数据质量管理的5个支柱
1、人
技术的效率取决于实施它的个人。我们可能在技术先进的商业社会中运作，但人类监督和流程实施尚未过时。因此，有几个数据质量管理角色需要填补，包括：
数据质量管理项目经理：项目经理的角色应由一名高层领导担任，该领导接受对商业智能计划的一般监督责任。他还应监督涉及数据范围、项目预算和计划实施的日常活动的管理。项目经理应该领导数据质量和投资回报的愿景。
组织变革经理：他顺利获得给予对高级数据技术解决方案的清晰和洞察力来协助组织。由于使用仪表板软件通常会突出质量问题，因此变更经理在数据质量的可视化中起着重要作用。
业务/数据分析师：此人从组织的角度定义质量需求。然后将这些需求量化为用于获取和交付的数据模型。这个人或一组人确保将数据质量背后的理论传达给开发团队。
2、数据分析
数据分析是数据质量管理生命周期中的一个基本过程。它涉及：
详细审查数据
将数据与元数据进行比较和对比
运行统计模型
报告数据质量
此过程的目的是深入分析现有数据，并将其与质量目标进行比较。帮助企业在数据质量管理流程中建立一个起点，并为如何提高其信息质量设定标准。完整和准确数据的数据质量指标对于这一步至关重要。准确的数据是寻找不成比例的数字，完整的数据是定义数据体并确保所有数据点都是完整的。
3、定义数据质量
数据质量管理的第三个支柱是质量本身。应根据业务目标和要求创建和定义“质量规则”。这些是数据必须遵守的业务/技术规则才能被认为是可行的。
业务需求可能会在这一支柱中占据首位，因为关键数据元素应取决于业务。质量规则的制定对于任何数据质量管理流程的成功都至关重要，因为这些规则将检测并防止受损数据感染整个数据集的健康状况。
就像抗体检测和纠正我们体内的病毒一样，数据质量规则将纠正有价值数据之间的不一致。当与BI工具结合使用时，这些规则可以成为预测趋势和报告分析的关键。
4、数据报告
数据质量管理报告是删除和记录所有受损数据的过程。这应该被设计为遵循数据规则执行的自然过程。一旦识别和捕获异常，就应该将它们汇总，以便识别质量模式。
应根据特定特征（例如，按规则、按日期、按来源等）对捕获的数据点进行建模和定义。统计完这些数据后，可以将其连接到在线报告软件，以报告质量状态和仪表板中存在的异常情况。如果可能，还应实施自动化和“按需”技术解决方案，以便实时显示仪表板洞察力。
报告和监控是数据质量管理投资回报率的关键，因为它们可以实时查看任何时候的数据状态。顺利获得识别数据异常的位置，数据专家团队可以制定补救流程的策略。
5、数据修复
数据修复是确定的两步过程：
修复数据的最佳方法
实施变更的最佳方式
数据修复最重要的方面是执行“根本原因”检查，以确定数据缺陷产生的原因、位置和方式。一旦实施了这项检查，就应该开始整治计划。
依赖于先前有缺陷的数据的数据流程可能需要重新启动，尤其是当它们的功能面临风险或受到缺陷数据的影响时。这些流程可能包括报告、活动或财务文件。
这也是应该再次审查数据质量规则的地方。审查过程将有助于确定规则是否需要调整或更新，并将有助于开始数据演化过程。一旦数据被认为是高质量的，关键的业务流程和功能就应该更高效、更准确地运行，从而取得更高的投资回报率和更低的成本。
