数据质量管理系统

不论在哪个行业或背景下，企业步入信息化数字化阶段后，都会遇到数据质量问题。没有哪个能拥有完美的业务流程、技术流程或数据管理实践，数据质量问题是普遍存在的。

相较于不重视数据质量管理的，那些实施了正式数据质量管理的企业，所面临的问题更少。要确保企业数据质量较高或逐步上升，一个重要的保障措施是建立数据质量管理制度。这些制度应涵盖数据质量管理办法、规范及绩效考核等方面。

在构建管理制度的过程中，规范与办法之间的关系常常让人困惑。规范是对某一工程作业或行为进行的信息规定，因无法精准定量而相对笼统。而办法则是根据规范的要求，提出具体、可落地、可执行的实施措施，需具体可量化。例如，在规范中可以强调数据的及时性，而在管理办法中则需要明确量化这一指标，如规定获取数据后多少个工作日内需录入，数据变更时同样需在规定时间内完成更新等。

细分来看，数据质量管理制度主要应由以下部分组成：

需要明确什么样的数据才是高质量的数据。高质量并不意味着数据越高越好，而是需要满足企业业务管理的实际需要。要明确哪些数据属于数据质量管理的范畴，如核心、重要数据，并确定这些数据的生成规则和维护流程。

至于如何判断数据的高质量程度，例如数据的及时性，需要明确具体的标准，是获取数据的时效、分发到下游的时效，还是接受数据的时效。针对已识别的数据及其生成规则，需要确定稽查监控的措施，并针对错误数据进行修复和改进。

还需明确岗位对应的职能和数据质量管理原则。各在数据质量流程中的职责也需要明晰，如谁生产、谁使用、谁负责、谁改进等。

评价标准需要量化，常见的考核计算方法包括员工和团队的数据质量综合得分。例如，以员工录入维护的相关数据质量项为范围，以数据质量检查项的单条数据为检查单元，计算得分并得出综合得分。团队的综合得分则是以团队成员的得分平均计算。

在国际上，对于数据质量维度有着成熟的框架，如Strong-Wang框架、Redman的“可表示的三元组”以及Larry Englist的固有特征和实用特征。企业可根据自身业务场景和管控要求选择框架。本文主要围绕DAMA UK提出的六个核心维度进行解释，包括完整性、及时性、准确性、一致性、唯一性和有效性。

最后要强调的是，企业数据质量管理体系的搭建并非一蹴而就的事情。本文仅就管理制度的编写进行了详细阐述，如何为管理制度提供、资金和人力保障等措施将在后续章节中详细讨论。