一文说明数据质量与数据治理的关系

发布时间：2020.07.09来源：浏览量：217次标签：数据治理

数据作为一种资产，对于一个公司来说，数据的核心价值可以理解为核心商业价值，我个人认为是体现在两方面，一是能为企业带来更多的盈利，二是能为企业规避风险。
实现数据价值就需要进行业务数据分析和价值挖掘，对于大多数数据分析师来说，数据分析方法和技术都不存在问题，只要有干净完备的数据，数据价值都可以得到呈现，但是如果数据本身是错的，分析出来的结论未必有用，保证数据质量是大数据为企业带来价值的先决条件。但是大部分企业尤其是传统型企业，对于数据资源没有质量管理意识，也不懂得如何进行数据治理，导致数据质量很差，主要体现在以下几方面：数据缺失、数据孤岛、数据失真等，导致无法利用数据资源获取更多的商业价值。

数据是资源、数据分析是工具、数据结论是价值。工欲善其事必先利其器，同样，资源不储备好，再牛逼的工具也无从下手，下文重点讨论企业如何做数据质量管理和数据治理。

如何做数据质量控制和数据治理
首先说一下怎么评估企业数据质量好坏呢？从数据分析的角度或者叫数据价值的角度理解，优质数据需要在任何时候都可以被企业所信任，并且满足所有业务需求。

重点在于两点：第一是可被信任的，要求数据必须真实可靠，能够真实的记录企业运营情况；第二是可以满足需求，要求数据服务于业务，从最基础的业务监控到商业决策，都可以通过数据给出答案。

数据质量评估六要素：完整性、规范性、一致性、准确性、唯一性、关联性；

数据质量控制和数据治理就是以元数据为基础，实现企业数据优化的循环管理过程，起点是业务需求，重点是满足业务需求。
数据质量控制与治理方法论：

质量问题来源
任何质量问题改善都建立在评估的基础上，知道问题在哪里才能实施改进。数据质量问题来源按照不同的分类有不一样的问题定位，本文中关于数据质量控制与数据治理借助数据流图来说明。

数据流图也称为数据流程图date flow diagram , DFD，是一种便于用户理解和分析系统数据流程的图形工具，他摆脱了系统和具体内容，精确的在逻辑上描述系统的功能、输入、输出和数据存储等，是系统逻辑模型的重要组成部分。它从数据传递和加工的角度，以图形的方式刻画数据流从输入到输出的移动变换过程，所以它可以用来做数据质量问题定位。

标准化的系统设计，数据流图会在系统需求分析阶段完成，但是大部分的系统开发都没有进行标准化的数据流图，需求后期进行完善，具体的数据流图画法不做赘述。

数据质量评估，客户行业数据一致性不足40%，无法确定哪个步骤的行业输入更加准确，数据分析可信度不高，业务影响大；问题定位在一个属性数据多个输入，无修改纠正，多个数据并存；整改方案经过沟通确定如下，通过市场部获取的客户已市场部输入为准，后续步骤默认填充，销售自己渠道获取的客户以销售输入为准，后续步骤默认填充。方案实施改进，宣导至所有干系人；对历史数据经过数据加工进行处理，后续数据采用新逻辑，评估改进后的数据一致性，确认能否满足业务需求。

（部分内容来源网络，如有侵权请联系删除）

立即免费申请产品试用免费试用

睿治智能数据治理平台

数据采集

数据集成管理

数据交换管理

数据存储

实时计算存储

数据管理

元数据管理

数据标准管理

数据质量管理

主数据管理

数据服务

数据资产管理

大数据治理方案

大数据资产管理方案

主数据管理方案

数据标准化及质量管控方案

数据资产盘点方案

指标体系建设方案

数据仓库及商业智能方案

仓湖一体化数据中心建设方案