数据质量塑造10误区

    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。

    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。

（编辑：核心网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!