第一步：数据质量还是数据治理？

在当今的互联世界中，组织正以加速的速度生成天文数据。但无论包含所有这些数据的数据环境大小如何-无论是传统的数据仓库还是像数据湖这样的大数据环境-常见的分母都是原始数据，从多个内部和外部来源摄取，通常质量未知。由于组织优先考虑数据管理任务和可交付成果，因此许多企业在数据环境的数据质量或数据治理方面需要先采取哪些步骤。

在数据管理领域，有许多术语可以在员工之间互换使用，这通常是由于生态系统中功能和使用的相似性。数据质量和数据治理当然不是同义词，但有时可能会因为充分的理由而混淆或混淆，因为数据质量水平通常依赖于数据治理的强度。但即使良好质量和良好治理之间的区别是明确的，没有治理，数据的质量往往被误解，因此也不信任。因此，组织应确保在其环境中进行可靠的数据治理，以应对数据质量的挑战。

对于质量数据，您需要治理标准

在稳固的数据治理计划框架内改进数据质量时，它不仅可以确保数据的准确性，完整性和相关性，还可以解决数据可信度问题。数据质量工具可能包括解析和标准化，清理，分析和监控以提高数据质量，但它们需要在可靠的数据治理框架内进行。您必须首先建立对数据资产的清晰理解和所有权，包括数据来自何处以及如何在企业的所有方面使用它。必须根据监管和合规规则确定和处理敏感数据，并且必须建立责任和问责制。数据资产是有价值的，而这种价值只能通过组织人力资本中的专业知识来媲美。将这些结合起来并识别可以定义使用情况并充当业务用户资源的数据管理员，所有者和利益相关者至关重要。所有这些都构建了协作文化，并提高了数据的理解和利用率。

数据治理提供许多功能，包括建立业务词汇表和数据字典，跟踪数据沿袭，确保合规性，防止数据泄露和保护数据资产，并制定统一的政策和程序。但从根本上说，它是为数据理解奠定基础。数据理解可确保数据得到适当使用，以最大化价值并降低风险，同时还鼓励业务用户越来越多地利用这些数据资产进行分析，从而获得关键业务洞察力。业务用户只有在不仅了解这些资产，而且还要信任其质量时才会提高利用率。这也是数据质量的来源。数据质量可以作为综合数据治理解决方案的一部分进行跟踪，评分和监控。

保护数据供应链

数据治理在明确的职责，政策和标准框架中提供数据组织和理解。但是，数据资产需要在整个数据供应链中持续管理，因为数据可以转换，数据的新用途将随着时间的推移而发展。数据沿袭和定义不是静态的，当数据从源通过系统移动时，数据质量通常会受到影响。

“保护”数据资产不仅指数据安全性，还指保护和改善数据完整性的承诺。具有数据控制和质量监控的综合治理计划可以防止许多与下游数据相关的问题，并有助于减少数据误解和滥用。明确定义的工作流程和用户友好的可视化也将增加问责制并提供顺利的问题升级和解决方案。

组织应如何处理数据治理

正确的数据治理方法需要以业务为中心的企业级战略，以最大限度地提高组织数据的质量及其提供的洞察力。该解决方案应有助于全面了解组织的数据格局，使数据所有者，数据管理员和数据使用者能够有效地管理，共享和利用数据，从而获取最大的业务价值。此外，该解决方案应结合分析并应用机器学习算法来识别整个企业的数据质量差距。

最终，提高数据质量是实施综合数据治理框架的关键优势。但数据治理包括更广泛的战略性企业愿景，即将数据识别和管理为有价值的企业资产。