核心观点与关键数据
数据质量管理的重要性
质量管理技术应用于数据，以减少浪费、提高效率、提升客户满意度。差数据导致效率低下和风险，而高质量数据创造知识和机会。据估计，差数据成本占公司收入的15%-25%，包括合规成本、罚款、公关成本、决策失误、流程失败等。
数据质量管理的目标
定义高质量数据的含义，检测低质量数据，采取行动改进数据质量，并持续监控和改进数据质量水平。数据质量管理的核心是应用常识，关注数据消费者需求，并量化数据质量管理的价值。
数据质量否认主义分析
研报分析了四种常见的否认主义类型及其背后的原因：
-
直截了当的否认者：
- 认为数据没有问题，但未从数据消费者视角审视数据。
- 启示：数据消费者是质量的仲裁者，需倾听客户需求。
-
技术人员：
- 认为数据质量问题可通过技术解决，但忽视人员、流程的影响。
- 启示：数据质量管理需结合人员、流程和技术。
-
完美主义者：
- 追求100%准确，但这是不可能的任务。
- 启示：需定义可管理的范围，优先改进最关键数据。
-
科学怀疑论者：
- 认为数据“适合用途”即高质量，但忽视实际应用场景。
- 启示：需关注常识需求，而非理论化定义。
数据质量管理的关键问题
- 如何检测低质量数据？
- 高质量数据的标准是什么？
- 如何采取行动改进数据质量？
- 如何持续监控和改进数据质量？
数据质量管理的方法
- 定义数据质量标准并沟通。
- 提高全员对数据质量的认知，责任到人。
- 量化数据质量管理的价值，关注成本效益。
- 应用SAILA原则：从小事开始（Small）、持续学习（Learn）、应用常识（Apply）。
研究结论
数据质量管理并非抽象目标，而是直接影响企业底线和目标达成的关键能力。通过解决否认主义问题，明确数据质量标准，并关注数据消费者的实际需求，企业可有效提升数据质量，创造价值。
