如何为企业制定有效的数据质量政策

太多的组织未能实施有效的数据质量和风险管理政策。当数据进来时，他们通常会先验证和清理它，然后再更广泛地分发它。重点是防止下游系统接收错误数据。这很重要——但是通过专注于临时事件解决方案，组织很难以结构化的方式识别和解决重复出现的数据质量问题。

为了纠正这一点，他们需要能够持续进行分析，旨在了解他们的数据质量并随着时间的推移对其进行报告。目前整个行业中很少有组织这样做，这是一个重大问题。毕竟，无论一个组织做了多少数据清理，如果它无法跟踪过去所做的事情，它就不会知道特定数据项包含差距、完整性或准确性问题的频率，也不会了解这些问题最密集地聚集在哪里。

仅将数据质量工作集中在日常数据清理上也可能导致组织难以了解数据质量错误的发生频率，或者快速批量验证替换更彻底分析的频率。对于许多人来说，他们对日常数据清理的关注掩盖了这样一个事实，即他们对数据质量没有清晰的了解，更不用说如何衡量它或制定更全面的数据质量政策了。当消防以正确理解潜在质量驱动因素为代价时，这是一个大问题。

特别是在对正当程序和适用数据的监管越来越规范的行业中，未能实施数据质量政策和数据风险管理流程的风险可能是深远的。

实施框架

为了解决这个问题，组织需要建立一个数据质量框架。这意味着要确定关键数据元素是什么、这些数据中的风险和可能的错误或差距是什么，以及哪些数据流和控制措施到位。到目前为止，很少有组织实施了这样的框架。他们之前可能已经实施了严格的 IT 控制，但这些控制往往侧重于流程而不是数据质量本身。

通过使用数据质量框架，组织可以概述一项政策，该政策建立了数据质量的明确定义以及该方法的目标是什么。它还记录了数据治理方法，不仅包括流程和程序，还包括责任和数据所有权。

该框架还将帮助组织建立数据质量的维度——例如，数据应该是准确、完整、及时和适当的。对于所有这些领域，需要制定关键绩效指标 （KPI），以使组织能够衡量数据质量在每种情况下的含义。需要实施和监控关键风险指标 （KRI），以确保组织了解其风险所在，并具有有效的控制措施来应对这些风险。应与所有利益相关者共享 KPI 和 KRI，以进行定期评估。

数据质量智能的作用

数据质量框架将不可避免地关注组织数据质量工作的运营方面。为了将数据质量提升到一个新的水平，企业可以采用数据质量智能方法，使他们能够获得更广泛的洞察力、分析、报告和警报。

反过来，这将使组织能够捕获和存储有关数据质量的历史信息，包括修改项目的频率以及错误标记数据的频率——错误级别以及验证规则质量的良好指标。更广泛地说，它将启用对这些异常的关键分析能力；出现的任何数据问题；数据质量 KPI、供应商和内部数据源性能、控制有效性和 SLA 的关键数据控制和报告功能的有效性。

简而言之，数据质量智能有效地在框架提供的操作数据质量功能之上形成了一层，这有助于可视化该框架已实现的目标，确保所有数据控制都是有效的，并且组织正在实现其 KPI 和 KRI。它不是一种操作工具，而是一种商业智能解决方案，可提供有关组织如何针对其关键数据质量目标和目标执行的关键洞察。CEO 和首席风险官 （CRO） 将从该功能中受益，合规和运营风险部门也将受益。

虽然数据质量框架有助于组织数据质量工作的运营方面，但数据质量情报让关键决策者和其他利益相关者深入了解该方法，帮助他们衡量其成功并证明组织符合其自己的数据质量政策并符合相关行业法规。

最终，这种方法的好处是多种多样的。当然，它通常会提高数据质量。除此之外，它还可以帮助组织证明其数据的准确性、完整性和及时性，从而帮助他们满足相关的监管要求并评估是否符合他们自己的数据质量目标。

对于所有此类企业来说，确定其数据质量流程的时机显然已经成熟。

审核编辑：郭婷