什么是数据质量？

数据质量标准可确保公司做出以数据为导向的决策，从而实现业务目标。如果重复数据、缺失值、异常值等数据问题没有得到妥善解决，企业就会增加产生负面业务结果的风险。根据 Gartner 的一份报告，数据质量不佳导致企业每年平均损失1,290 万美元¹。因此，出现了数据质量工具来减轻与数据质量差相关的负面影响。

当数据质量达到其预期用途的标准时，数据消费者便可以信任这些数据。这种信任有助于他们改进决策，进而制定新的业务策略或优化现有的策略。 但是，当无法达到标准时，数据质量工具会通过帮助企业诊断基础数据问题来提供价值。根本原因分析使团队能够快速有效地纠正数据质量问题。

数据质量不仅仅是日常业务运营的重点。随着企业将人工智能 (AI) 和自动化技术集成到工作流程中，高质量的数据对于有效采用这些工具将变得至关重要。正如老话所说：“垃圾进，垃圾出”，这一原则同样适用于机器学习算法。如果算法正在学习根据不良数据进行预测或分类，我们可以预期它将产生不准确的结果。

数据质量、数据完整性和数据剖析都是相互关联的。数据质量是一个更广泛的类别，组织用来评估其数据的准确性、完整性、有效性、一致性、唯一性、及时性和适用性。

数据完整性关注这些属性的一部分，特别是准确性、一致性和完整性。它还从数据安全的角度更多地关注这个概念，实施保障措施以防止恶意参与者损坏数据。

相比之下，数据剖析侧重于审查和清洗数据的过程，旨在维护组织内部的数据质量标准。这一实践也可以涵盖支持这些过程的技术。

数据质量可根据不同维度进行评估，这些维度可能因信息来源的不同而有所不同。这些维度用于对数据质量指标进行分类：

• 完整性：此指标代表可用或完整的数据量。如果缺失值的百分比很高，且数据不具有典型数据样本的代表性，则可能会导致分析偏差或误导性。
• 唯一性：该度量衡量数据集中重复数据的数量。例如，在查看客户数据时，每个客户都应有唯一的客户 ID。
• 有效性：该维度衡量数据与业务规则所需格式的匹配程度。格式化通常包括元数据，如有效数据类型、范围、模式等。
• 及时性：该维度是指数据在预期时间范围内的就绪情况。例如，客户希望在购买后立即收到订单号，而该数据需要实时生成。
• 准确性：该维度是指基于商定的“真实来源”的数据值的正确性。由于可能有多个数据源报告同一指标，因此指定一个主数据源非常重要。其他数据源随后可用于确认主数据源的准确性。例如，一些工具可以检查每个数据源是否以同一方向为发展趋势，从而增强对数据准确性的信心。
• 一致性：该维度评估来自两个不同数据集的数据记录。如前所述，可以识别多个来源来报告单个指标。使用不同的来源来确认一致的数据趋势和行为，可以让组织信任其分析得出的任何可操作的见解。这种逻辑也可以应用于数据之间的关系。例如，一个部门的员工人数不应超过公司的员工总数。
• 目的适用性：最后，目的适用性有助于确保数据资产满足业务需求。该维度可能难以评估，尤其是在面对新兴数据集时。这些指标可帮助团队在整个组织中进行数据质量评估，以评估数据针对 特定目的的信息量和有用性。

这些指标可帮助团队在整个组织中进行数据质量评估，以评估数据针对 特定目的的信息量和有用性。

在过去十年中，混合云、人工智能、物联网 (IoT) 和边缘计算 的发展导致大数据呈指数级增长。因此，主数据管理 (MDM) 的实践变得更为复杂，需要更多的数据管家和严格的安全保障来确保良好的数据质量。

企业依靠数据质量管理来支持其数据分析计划，如商业智能仪表板。如果缺乏这种监督，可能会产生毁灭性的后果，甚至是伦理层面的后果，具体取决于行业（例如医疗保健）。数据质量解决方案可帮助企业最大限度地利用数据，并带来以下主要优点：

• 更好的业务决策：高质量的数据可让组织确定关键绩效指标 (KPI) 来衡量各种项目的绩效，这使团队能够更有效地改进或发展这些项目。优先考虑数据质量的组织无疑会比竞争对手更具优势。
• 改进业务流程：良好的数据还意味着团队可以识别运营工作流程中的故障所在。这一 要求在供应链行业同样适用，该行业依赖实时数据来确定合适的库存及发货后的位置。
• 提高客户满意度：高质量的数据可让企业，尤其是营销和销售团队，深入了解目标买家。他们能够跨越销售和营销漏斗整合不同数据，从而更有效地销售他们的产品。例如，人口统计数据和 Web 行为的结合可以告知组织如何创建消息、投资营销预算或为销售团队配备人员来为现有或潜在客户提供服务。