对企业的IT部门来说，提升和维护数据的质量是一个永恒的挑战。与此同时，数据的爆发式增长使这一任务变得越来越困难。此外，企业越来越依赖数据来获取新的见解并为决策提供合理的建议。数据质量，已成为IT部门的一个重要战场。

但对于很多IT部门来说，对数据质量的改进往往是被动性的，就像是救火：在数据质量问题出现后，我们才进行响应，从一个危机跳到另一个危机。往往是大的问题最受关注。如果没有一个积极的数据质量过程，数据问题就会开始增加。所以我们应制定主动数据质量改进计划，其目标是在数据质量问题成为问题之前识别它们。  

数据是任何企业的资产之一，其中的区别在于负责确保整个企业数据质量的团队的规模。很大一部分数据不是闲置的，它们会进入多个不同的数据存储系统。不正确的数据值就像是病毒:一旦出现，它可能就会传播到整个组织的数据报告和其他数据存储中。  

这里有一些建议可以帮助您开始构建一个主动的数据质量改进计划，当然这些建议并不是绝对的，但会帮助你开始思考这个过程。该计划的目标是确保企业数据的准确性和一致性。  

建立一个数据质量理念体系  

像所有的组织计划一样，创建一个数据质量改进的理念体系，需要从组织结构的顶部开始，让高层管理人员参与进来至关重要。需要确定负责数据质量的团队成员，并向IT人员和业务部门宣传数据质量改进计划的好处，其目标是将数据质量集成到组织结构中。  

合适的人掌握合适的技能  

数据质量专家很难找到，而且成本可能很高，但这并不妨碍你“自我成长”。在公司里找一些对此有兴趣的人员，并为他们提供学习数据质量科学的时间和相关培训。您可以根据预算限制和您所拥有的人力资源来构建相应的项目。  

没钱没工具？没有关系  

没有足够的预算来购买主数据管理(MDM)产品或数据质量工具？这当然是个很大的挑战，但不能成为借口。笔者回顾了几家初创公司的数据质量项目，几乎可以称作是文档、流程、程序库和开源产品的大杂烩。如果组织需要，您也可以通过使用一些开源的MDM和数据质量工具，如Talend、Pimcore和OS DQ等等，创建一个强大的、主动的数据质量改进计划。  

数据质量始于产生和获取  

为了开发高质量的数据集，您必须在产生或从外部数据源获取数据时遵循最佳实践方法。与信息使用者沟通，确定他们如何使用数据，并确定治理数据的业务策略。然后，您可以开发一个标准，并构建数据定义规则来保证一致性。   大多数数据库提供一组约束来强制执行数据一致性。对于以编程方式执行数据一致性的非数据库平台，建议研究其他一些存储公共代码、数据质量规则和最佳实践的机制。   强烈建议各种规模的组织认真评估MDM产品套件。MDM平台的流程框架和工具将成为数据质量程序的基础，帮助您更快地建立和实施企业范围内的单一事实来源。

维持数据质量  

执行前瞻性的数据质量检查，将成为改进计划的核心部分。

其过程应该是(1)识别、(2)优先级、(3)评估、(4)纠正，即:识别数据和主体，对数据的重要性进行优先级排序，评估最重要的数据资产，纠正不准确的数据值。   当您识别出不正确的数据值时，您的目标应该是确定可能造成的影响的严重程度和影响范围，并确定问题的根源。然后采取必要的步骤来修复不正确的数据值，并解决产生问题的根本原因。   目前市面上有许多数据质量产品可以帮助您进行分析，建议在选型之前结合权威机构的调查报告了解每家提供商的优劣。   构建具有前瞻性数据质量计划，永远都不算晚。如果计划合理且完善，就能很大程度上减少数据质量问题，更好地保护和使用企业的数据资产。