数据质量构建10误区

6. 不了解员工行为

如果不能正确认识体系内员工的行为，世界上任何技术都无法消除数据质量问题。 你可能会遇到以下一些常见问题：

第一，如果没有上游系统所有人的合作，数据仓库管理员在控制输入数据质量方面往往束手无策。 为了满足数据仓库级别严格的数据质量需求，需要从上游管理员处获得额外的资源分配。 不幸的是，上游管理员会认为这种强加的需求不合理，因为他们所管理的应用并不会从期望的质量改进中直接获益。

第二，在一组操作流程中寻找数据质量缺陷无异于揭发流程相关人员的工作低效。大家对于数据质量评估的自然反应就是，掩盖与个人绩效有关的任何潜在问题，而不是向别人暴露这些问题(以及任何可能的后果)。

第三，由接入呼叫中心员工收集的数据可以应用于多个应用程序。企业可以将其劳动报酬与工作量以及所收集数据的准确性挂钩。

了解员工的行为对于构建数据质量计划具有重要意义。 在潜在问题全面爆发之前，企业就应当采取积极主动的态度来应对这些问题。

7. 未能管理好主参考数据

如果企业未能准确定义业务术语，数据质量将会受到影响。在标准化常见业务术语的管理及其相应数据元素的表示方法中，如果不能保持精确就会引发问题。

为了避免发生问题，可以运用某个流程来鼓励专业领域专家与信息架构师进行结构化合作。 企业可以从该方法中获得两方面的收益。首先，该方法帮助建立了常用术语库，澄清了业务定义。其次，在它的指导下，建立了在元数据框架内集中管理这些定义的框架。

因此，你可以在业务规则符合度方面阐明数据质量预期。此外，你还可以获得关于数据质量的认定断言，作为企业知识在企业元数据框架内进行管理。

8. 将数据质量工作孤立在IT部门

说到底，数据质量主要还是与业务相关，如果让IT员工负责数据质量计划就大错特错了。 其结果就是支持数据质量措施的业务案例经常充满大量技术内容，并且强调要购买工具，而不是推动与业务相关的可度量的质量改进。

即便是计划得到批准，过分关注技术也会导致业务影响方面的评估被忽略掉。 更重要的是，人们会认为数据质量改进是一个成本中心而非利润中心。

所以，企业要调整与数据质量所有权相关的思想过程。如果数据缺陷反映的是与业务预期不符而产生的业务影响，那确认这些预期的规则应该是业务客户制定的。之后 IT部门才可以参与部署工具，以确定哪些方面不符合预期。这样就制造了IT与业务合作的机会。

微信扫一扫实时了解行业动态

微信扫一扫分享本文给好友