您有多少个数据质量维度?
你是如何达到这些维度的?
他们如何满足公司的需求?
作为一名前数据管理顾问，我发现数据质量战略既包括数据治理的谍报技术，也包括对复杂行业动态的破坏。前者是谍报技术(tradecraft)，它是一个技术过程，挑战领导者优先考虑数据治理，使其与任何其他珍贵商品同等重要。后者，管理企业文化，代表了咨询最佳实践的基石。
可能是企业文化抛弃了通用的数据质量维度。考虑到Collibra亚愽视频分解在这些维度中，准确性和及时性等术语代表了在数据质量领域帮助“向上管理”的好方法。这些术语是在数据程序中分解数据质量维度的好方法。人们可以在任何DQ计划的“咨询MECE”框架(互斥集体穷尽)上下文中考虑这些术语。
虽然这些维度有助于理解DQ程序，但它们真的有助于企业理解自己的数据吗?它们是简化了DQ的“核心竞争力”，还是引发了关于分类法的争论?这些维度对业务域重要吗?考虑下面的图表，了解这些维度如何转化为领域示例。业务域所有者最关心的是DQ维度、适用的DQ检测特性、它的失败示例，还是受影响的域?
以数据完整性为例。完整性通常被定义为“确保所有数据都存在”。他说，如果我们的首席执行长基于不完整的数据做出了一项商业决策，并称该数据不准确，那么她的这种标签是错的吗?如果不是，那么可以说准确性(另一个常见的DQ维度)和完整性是严重交织在一起的概念，而不是相互排斥的。进一步复杂的分类，新的DQ问题经常显示我们的列表不是全面的。对DQ问题的持续根本原因分析产生了新的主题，从而不断扩展DQ维度列表(今天的趋势是7-8个主题，而历史上是5-6个主题)。
数据质量维度和业务相关性
如果有人考虑了上面的图表，也许我们的CEO更愿意说我们缺少姓氏，这导致我们在广告活动中出现了6位数的错误支出。不管是否完整或准确，CEO更关心的是DQ事件和受影响的业务，而不是我们所说的。
我敢断言，DQ维度框架虽然是一个很好的开始，但可能会导致数据冲突，因为组织在他们的分类法上存在分歧，在已经具有破坏性的谍报技术中造成混乱。除了在数据办公室中封装思想之外，这些维度还有什么用途呢?我们如何使DQ成为组织的一部分，以简化其概念，并在数据办公室之外显示真正的影响?
标准数据质量维度很难考虑业务影响，这对任何组织都是至关重要的。高德纳公司注意到了这个问题，认为这些维度需要彻底改革从数据消费者的角度来看．亚愽视频Collibra还认识到数据办公室需要DQ维度在传统意义上。
不要将维度与数据质量的主题联系在一起
此外，我还注意到DQ维度的一个新趋势。不要将维度与数据质量的主题联系起来，而是将异常与它们的源系统和/或业务领域联系起来——将它们纳入讨论。
考虑这个例子，CDO的任务是激励组织关注于解决不完整的数据。你更愿意听到“我们有100个完整性规则，其中有200个错误”，还是更愿意听到“我们已经确定了200个来自内部CRM的数据输入错误?”DQ团队已经为销售数据标记了100多条规则，并将为该业务线提出基于源的DQ措施。”
第二种说法推动治理。它暗示了对规则的需要，并将破坏与潜在的根本原因联系起来。由于CRO可能决定弃用遗留CRM，因此它甚至可以通过创建问题的问责制来帮助从源头上增强修复。
如果我们考虑我们的行业规范，数据间谍技术对我们所颠覆的行业起着咨询作用。DQ维度是一个很好的开始，我希望您将重点扩展到传统的6个DQ维度之外。我建议您关注与您的行业领域相关的维度。
