江苏龙网

  1. 主页 > 生活百科 > >

品质数据管理中心 数据质量管理( 三 )


②监控数据中心的质量:经过各种采集、清理和处理过程后，数据存储在数据仓库中，这些数据也会被业务部门使用，因此对这些数据的质量进行监控和修复仍然很重要 。对于这样的数据问题，我们可以使用简单的规则，如空值检查、规范性检查、值范围检查、逻辑检查、一致性检查等 。，或者我们可能需要多源比较、数据确证、数据探索、波动检查、异常值检查等方法 。
③反馈数据质量问题:在数据质量监控过程中，会发现两类问题，一类是源数据质量问题，另一类是数据中心的数据质量问题，数据质量团队需要及时将这些问题反馈给源部门和数据仓库建设团队 。
④数据质量评估:数据质量评估的目的是引起各参与部门和团队对数据质量的重视，需要及时对各种数据质量问题进行统计分析，制定相应的对策 。
(3)事后改进 。
①修复数据质量问题:发现质量问题不是最终目的 。我们仍然需要建立相关的流程和工具，通过人工、工单、自动化等手段修复质量问题，为业务创新提供可靠的数据支持 。
②采集数据的质量要求:数据中心的建设和质量问题的修复必将促进数据的应用 。我们还需要建立畅通的数据质量反馈渠道，让各部门都能参与到数据质量的再提升中来，从而形成建设、应用、反馈的良性循环 。
③完善质量管理体系:体系和流程的建设不是一蹴而就的 。要结合自身组织架构和业务特点，在数据建设和质量提升过程中不断完善工作体系 。
④完善数据质量标准:各行各业新的业务形态不断涌现，原有业务不断变化 。要紧跟业务变化，不断完善符合业务需求的数据标准 。
⑤完善质量监控模型:如上所述，监控模型所代表的业务需求、业务形式的变化、数据标准的变化以及新的质量需求的出现，也要求监控模型做出相应的改变 。
⑥完善质量监控规则:同样，今天的信息技术日新月异，需要不断引入各种新技术，更智能地发现和修复数据质量问题 。
2.根据数据质量问题所依赖的知识进行管理 。
(1)数据梳理 。
数据梳理是理清企业数据现状，了解整体数据质量，提取具有共性特征的数据，按照主题领域的方式进行划分，便于后续数据管理 。首先，明确企业数据的类型，根据不同的数据分类选择不同的方法提高数据质量 。
梳理企业目前的数据情况，了解企业现阶段有哪些数据，数据来自什么业务系统，数据在哪里使用，数据是如何存储的，数据安全和数据隐私是什么；企业可以收集哪些数据；哪些数据缺失以及企业数据建设的现状，要做好数据评估分析报告，为数据质量提升提供全方位的参考 。
我们从业务的角度，梳理企业数据、数据分类、数据分类之间的流动关系，明确什么数据是基础数据，什么数据是从基础数据中衍生出来的 。只有梳理当前的企业数据，才能对企业数据有清晰的认知，找到提高数据质量的关键突破点 。
俗话说，如果一个工人想做好工作，他必须先磨工具 。以全面质量管理的PDCA循环管理方法为指导，宜华晨睿智数据管理平台的数据质量管理模块充分结合国内数据质量管理的特点，最终利用元数据管理、数据挖掘、数据分析、工作流、记分卡、可视化等技术，帮助企业和政府建立数据质量管理体系，全面提升数据的完整性、规范性、及时性、一致性和逻辑性，降低数据管理成本，减少数据不可靠带来的决策偏差和损失 。
(2)数据规范 。
主要从数据模型和数据标准两个方面来定义数据规范:
①数据模型:是数据特征的抽象，是获取和明确企业数据需求的方法，是数据需求分析和建模的基础 。通过对表现客观事物的信息进行抽象、综合和分类，将其组织成具有一定结构的数据，并描述这些数据结构及其逻辑关系、数据运行模式和约束条件 。在实际的建模过程中，数据模型描述了三个部分:数据结构、数据操作和数据约束 。
②数据标准:是数据模型的又一次延伸，是数据资产管理的核心基础，是准确重新定义企业数据资产化的过程 。数据标准可以促进企业数据模型的落地，对企业业务系统中关键数据的标准化起到关键作用 。然而，真正的数据标准不是标准文档、过程文档、系统文档等 。，而是通过由管理标准、控制流程和技术工具组成的体系逐步实现数据信息化标准的过程 。
在数据模型的落地和推广过程中，由于不同组织的人员认知不同、对问题的视角不同等内外部原因，资源网络在集成和互操作时往往会遇到数据不一致的问题 。因此，在设计业务系统的数据模型之前，企业应该设计一套相对标准的数据规范 。通过数据标准规范，反向推动业务采集数据，解决数据不一致的问题 。


推荐阅读


上一篇：蛙泳的技巧与方法视频 蛙泳技巧

下一篇：瓦特的故事100字 瓦特的故事