数据治理与数据质量有何不同？

当我们听到数据管理这些词时，“ 数据质量 ”和“数据治理” 这两个术语出现了很多，它们应该是因为这些是确保组织以最佳方式利用其信息的重要功能。

问题是，这些术语经常互换使用。更糟糕的是，他们习惯于在数据操作中建议可能实际上不存在的层次结构。例如，有些人认为数据质量仅仅是数据治理的一个组成部分，它无法使质量得到应有的重视。

当然，数据质量和治理在数据驱动的组织中起着至关重要的作用。然而，他们的角色和责任是完全不同的。

数据质量旨在确保组织拥有的所有数据完整，准确，并为业务用户分析，共享，转化为决策洞察力等做好准备。数据质量始终非常重要。但随着公司从越来越多的来源以及各种格式收集越来越多的数据，数据质量的战略价值也急剧上升。

如今，组织从多个企业应用程序，网站，移动设备和社交网络收集数据。随着物联网（IoT）的增长及其无数连接对象的产生和共享信息，数据量可能会进一步增加。最近的一项研究测到2020年将有204亿个连接设备，因此组织必须拥有强大的数据质量流程，以确保数据的海啸保持清洁和最新。

数据治理与创建组织将使用数据的框架和规则有关。因此，其目的与数据质量完全不同。虽然数据治理在某些企业仍被视为基于IT的功能，但其当前的主要作用是确保必要的数据通知关键业务功能。

一种简单的方法来区分两者之间的关系，看看它们是否可以是一个独立的功能。数据质量有一个基本目的：收集和清理数据并确保数据的完整性，及时性和准确性。如果没有质量数据来构建框架，就没有理由拥有数据治理流程。实质上，如果没有稳定的质量数据供应，数据治理就变得毫无意义。

数据质量和治理是具有根本不同职责的补充功能。真的没有理由混淆两者。可以肯定的是，数据治理对于组织来说非常重要，特别是随着数据和数据源的数量不断增长，信息资源在业务运营和成功中发挥着越来越重要的作用。忽略数据治理是为了欢迎诸如对数据资源缺乏控制，数据滥用，安全和隐私漏洞，集成问题，不遵守法规等问题。

除了理解两个以数据为中心的学科之间的差异之外，组织必须真正掌握数据质量对其成功的重要性。

数据质量应该是任何企业的战略重点。进入组织的大部分数据都是不完整或不准确的，因此在将数据用于分析之前，公司必须采用流程和工具来清理数据，尤其是在最终用于客户约束时。忽视数据质量有一个巨大的缺点。这可能导致收入大幅下降，客户服务质量下降，竞争优势丧失，品牌受损以及其他负面影响。

 可靠的数据质量管理战略应包括三个主要组成部分：获得业务规则的组织一致性; 采用正确的技术来管理数据质量; 并投入所需的时间和人力资源来维持数据质量。

对于希望利用客户数据作为战略优势的公司而言，这些都非常重要。需要进行组织协调，因为高质量的数据对组织的不同部分意味着不同的东西，无论是销售、人力资源、产品开发还是其他领域。整个组织应就在确定数据质量时使用哪些业务规则达成一致。

拥有合适的技术可以使数据质量管理更容易，成本更低。令人惊讶的是，许多组织继续使用电子表格和数据管理流程手动管理数据质量，这些流程需要大量的人工输入，因此是劳动密集型且成本高昂的。如今，要在许多公司所需的水平上有效地进行数据质量管理，需要自动化，而这需要使用正确的技术。

尽管许多数据质量任务都可以自动化，但组织仍然必须投入成功管理流程所需的时间和资源。人们需要定义业务规则，选择和使用正确的软件，并监督整个过程。

管理数据质量是IT组织目前面临的最具挑战性的过程之一，鉴于数据量和数据来源不断增长，这一过程并不容易。许多企业面临数据质量问题，其特征是数据冗余，数据不完整或缺失，数据过时，缺乏数据标准，以及不同系统的记录字段解析不当。

这些都是重大挑战。质量差的数据可能会破坏业务计划，并导致整个组织的生产力下降。如果未解决数据质量问题，分析师，管理人员和其他业务用户将无法从数据中获得最佳价值，也无法从数据中获得洞察力。

幸运的是，通过适当的流程，技术和资源，组织可以增强其数据质量工作。鉴于他们在数据管理，挖掘和分析工具方面所做的重大投资，提高数据质量是一项合理的商业决策，应该能够提供可靠的回报。