数据质量构建10误区

9. 没有储备适合的专业人才

制定数据质量计划是一项战略性工作―其成功同时依赖于业务和技术专业人才。由于数据质量管理很大程度上，尤其是在企业级别，其性质是建议性的，因此数据质量计划的作用就更为复杂。

不难想见，大家都期望一旦数据质量计划启动，数据质量就一定会有明显的改善。流程工具间的紧密结合使问题更趋复杂。如果你认为数据质量管理员应当为一些行动负责，但是他却不一定拥有实施这些行动所需的知识或权限，这就导致了潜在的两难境地。这让人不知该从何入手来解决问题。

构建数据质量计划时，应该实施以下措施：

首先，在计划开始时，招募一些在数据质量计划管理方面有经验的专业人士。这些人能抓住战术上取得成功的机会，从而使计划获得战略上的成功。

其次，邀请外部专家帮助启动改进流程。 这样做可以让你的团队明白，你们的问题不是特例，同时可以学习他人的最佳实践。

然后，利用顾问的角色及内部流程，将数据质量改进的责任分摊到现有的信息管理部门。

最后，不要忘记实施有关策略和流程的培训―尤其是要培训如何使用所采购的工具。

10. 未能建立企业数据质量卓越中心

再开明的企业都曾犯过的错误是，不能抓住最佳实践并将其移植到企业的各个层级。对于数据质量来说，与工具相关联的数据如果没有整合到卓越中心，其负面影响可能翻倍。

卓越中心是一个负责部署企业数据质量战略的组织级工作小组。其职能包括制定指导原则，协助评估业务需求，推荐可采购的工具，创建充分利用这些工具的流程，并提供分享数据质量改进经验的方法。建立卓越中心将带来以下回报：

第一，标准化解决特定问题所需的方法和工具;第二，在软硬件采购上实现规模经济;第三，为数据质量改进提供业务模型;第四，将质量改进计划所需投资分摊到不同部门;第五，记录企业不同部门的最佳实践，使每个人从共同的经验中受益;第六，建立开发数据标准的论坛;第七，在工具和方法的使用方面组织专业培训;第八，减少总的项目管理成本。

数据质量改进是结合了业务敏感性、高科技工具和良好定义流程的一个过程。 你也许认为自己遇到的问题与众不同，实际上这些问题与很多其他企业所遇到的问题很相似。

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了，这不会推动与业务相关的可度量的质量改进。

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