数据质量管理的数据质量管理评估维度

熟悉六西格玛管理的人应该知道，六西格玛强调以事实驱动管理。但事实是用数据说话。映射到六西格玛管理方法，MTC-DQM推荐采用十步数据质量管理方法。1. 定义和商定问题、时机和目标，以指导整个数据质量管理的工作。2. 收集、汇总、分析有关形式和信息环境。设计设计捕获和评估的方案。3. 按照数据质量维度对数据质量进行评估。4. 使用各种技术评估劣质数据对业务产生的影响。5. 确定影响数据质量的真实原因，并区分这些原因的影响的数据质量的级别。6. 最终确定行动的建议，为数据质量改善制定方案，包括数据级和组织级的。7. 建立数据错误预防方案，并改正当前数据问题。8. 通过改进组织管理流程，最大限度控制由管理上的缺陷造成的数据质量问题。9. 对数据和管理实施监控，维护已改善的效果。10.沟通贯穿管理始终，循环的评估组织管理流程，以确保数据质量改善的成果得到有效保持。

软件质量的度量有26个度量方法，每个度量都可以成为一个指标，也可以成为一个维度。

由于数据清洗（DataCleaning）工具通常简单地被称为数据质量（Data Quality）工具，因此很多人认为数据质量管理，就是修改数据中的错误、是对错误数据和垃圾数据进行清理。这个理解是片面的，其实数据清洗只是数据质量管理中的一步。数据质量管理（DQM），不仅包含了对数据质量的改善，同时还包含了对组织的改善。针对数据的改善和管理，主要包括数据分析、数据评估、数据清洗、数据监控、错误预警等内容；针对组织的改善和管理，主要包括确立组织数据质量改进目标、评估组织流程、制定组织流程改善计划、制定组织监督审核机制、实施改进、评估改善效果等多个环节。
任何改善都是建立在评估的基础上，知道问题在哪才能实施改进。通常数据质量评估和管理评估需通过以下几个维度衡量。 完整性 Completeness：完整性用于度量哪些数据丢失了或者哪些数据不可用。
规范性 Conformity：规范性用于度量哪些数据未按统一格式存储。
一致性 Consistency：一致性用于度量哪些数据的值在信息含义上是冲突的。
准确性 Accuracy：准确性用于度量哪些数据和信息是不正确的，或者数据是超期的。
唯一性 Uniqueness：唯一性用于度量哪些数据是重复数据或者数据的哪些属性是重复的。
关联性 Integration：关联性用于度量哪些关联的数据缺失或者未建立索引。 配置管理 Config Management：此维度用于度量数据在其生命周期内的一切资源是否得到了控制和规范，即数据的计划、产生、变更直至消亡的过程中，与数据相关的计划、规范、描述是否收到控制。评估指标包括：评估配置项的细化粒度、评估基线准确度和频度以及变更流程是否合理完善等。
培训 Training：此维度用于度量数据的生产和使用者在数据生命周期内的一切活动中是否经过了知识和技能的培训、培训效果是否满足岗位需要；受训的知识和技能是否经过审核和确认，受训的内容是否与企业文化和价值观一致；培训流程是否合理完善等；
验证和确认 Verify & Validation：此维度用于度量数据在其生命周期内是否得到验证和确认。评估内容包括是否通过验证流程确保工作产品（数据）满足指定的要求、是否通过“确认”流程保证工作产品（数据）在计划的环境中满足使用的要求；“验证”和“确认”的流程是否完善；
监督和监控 Monitoring：此维度用于度量产生和使用数据的流程在数据的整个生命周期内是否真正受控。脱离监控的信息、技术、计划、流程、制度，会导致数据质量低下。监督和监控的流程是否完善。