请输入
菜单

数据管理能力成熟度评估模型-数据质量

数据质量需求 概述 数据质量需求建立数据质量管理制度，分析数据质量需求，明确数据质量管理目标的过程。数据质量需求包括制定数据质量管理制度、分析业务需求、数据质量管理范围、分析信息环境和数据质量评价指标等活动。
过程描述 a）制定数据质量管理制度，明确数据质量管理策略，建立数据质量管理流程和数据质量评价体系，指导数据质量工作的开展；
b）分析业务需求，收集高发的数据质量问题及各部门的数据质量需求，分析数据质量管理的业务需求；
c）数据质量管理范围，依据组织业务发展的需求及常见数据问题的分析，明确组织数据质量管理的范围，梳理各类数据的优先级及质量需求；
d）分析信息环境，分析数据所处上下文环境，包括数据相关组织、系统、制度和标准等；
e）数据质量评价指标，依据组织的数据质量管理需求及目标，识别数据质量特性，设定各类数据的质量评价指标。
过程目标 a）建立数据质量管理机制，规范数据质量管理工作；
b）明确数据质量管理目标，提升数据质量管理工作效率。
初始级 在项目中分析数据质量需求并进行管理。
受管理级 1）在部门层面制定数据质量需求相关模板，明确管理要求；
2）在部门层面开展数据质量需求的管理工作；
3）在部门层面根据数据质量需求设计数据质量评价指标。
稳健级 1）在组织层面建立统一的数据质量管理制度及流程，明确各类数据质量管理人员及相关职责，制定统一数据质量需求模板；
2）在组织层面收集高发的数据质量问题及各部门的数据质量需求，分析数据质量管理的业务需求，明确数据质量需求的优先级；
3）在组织层面收集并明确高质量数据集在数据内容、规范等方面的需求；
4）在组织层面明确统一的数据质量管理范围和目标，符合外部监管和合规方面的要求；
5）在组织层面分析数据所处上下文环境，包括数据相关组织、系统、制度和标准等，编制数据相关的数据质量需求矩阵；
6）在组织层面设计组织统一的数据质量评价指标，保障数据质量符合业务需求。
量化管理级 1）设定量化指标，监控并持续优化数据质量需求管理过程；
2）采用人工智能技术自动开展数据所处信息环境的分析，实现数据质量需求矩阵的自动识别、分析；
3）采用人工智能技术，提升数据生存周期各阶段的数据质量需求管理水平，实现数据质量需求闭环管理；
4）参与数据质量需求相关国家标准制定，主导行业标准制定。
优化级 1）参与数据质量需求相关国际标准，主导国家标准的制定；
2）在国际和国家层面分享最佳实践，成为行业标杆。
数据质量检查 概述 数据质量检查是基于数据质量需求定期开展数据质量检查，发现数据质量问题的过程。数据质量检查包括制定数据质量检查计划、数据质量剖析、设计数据质量规则、实施数据质量检查、数据可信度分析和数据质量问题管理等活动。
过程描述 a）制定数据质量检查计划，根据组织数据质量管理目标的需要，制定统一的数据质量检查计划；
b）数据质量剖析，定期开展数据质量剖析工作，掌握数据的现状和问题；
c）设计数据质量规则，基于组织数据质量需求，识别数据质量特性，明确各类数据的检查规则与方法，建立数据质量检查规则库，对数据质量检查规则进行持续维护与更新；
d）实施数据质量检查，依据预先配置的规则和算法，按数据质量检查计划定期对数据质量进行检查；
e）数据可信度分析，依据数据质量检查结果，综合各类数据质量评价指标，定期生成各类数据的可信度；
f）数据质量问题管理，建立包括问题发现、问题记录、问题查询、问题分发和问题跟踪等管理机制，规范管理数据质量问题。
过程目标 a）全面监控组织数据质量情况，掌握数据可用情况；
b）建立数据质量问题管理机制，提升数据质量问题处理效率。
初始级 在项目中开展数据质量检查工作。
受管理级 1）在部门层面分别制定数据质量检查计划，明确数据质量工作的分工和工作计划；
2）在部门层面分别建立开展数据质量特性分析，建立数据质量检查规则库；
3）在部门层面分别根据业务需要进行数据质量检查。
稳健级 1）在组织层面建立统一的数据质量检查制度、流程和工具，界定相关人员的职责和考核要求；
2）在组织层面制定统一的组织级的数据质量检查计划；
3）在组织层面定期开展数据质量剖析工作，分析数据的现状和问题；
4）在组织层面设计统一的数据质量检查规则，建立并维护数据质量检查规则库；
5）在组织层面统一开展数据质量的检查，建立数据质量问题发现、告警机制和明确数据质量责任人员；
6）在组织层面按高质量数据集要求定期开展高质量数据集的评价，分析高质量数据集对需求的符合度；
7）在组织层面根据数据质量检查结果，定期分析各部门数据的可信度，掌握各部门数据的可用情况。
量化管理级 1）设定量化指标，监控数据质量检查管理过程，优化相关制度、流程和规则；
2）采用人工智能技术开展数据质量剖析，自动分析数据质量情况；
3）采用人工智能技术分析数据特性，自动生成数据质量规则；
4）参与数据质量检查相关国家标准制定，主导行业标准制定。
优化级 1）参与数据质量检查相关国际标准，主导国家标准的制定；
2）在国家和行业层面分享最佳实践，成为行业标杆。
数据质量分析 概述 数据质量分析是对数据质量检查过程中发现的数据质量问题及相关信息进行分析，找出影响数据质量的根本原因，分析数据质量问题的优先级，作为数据质量提升的参考依据。数据质量分析包括数据质量分析方法、数据质量根因分析、数据质量问题影响分析、数据质量分析报告和数据质量知识库等活动。
过程描述 a）数据质量分析方法，整理组织数据质量分析的常用方法，明确数据质量分析的具体要求；
b）数据质量根因分析，深入分析数据质量问题产生的根本原因，为数据质量提升提供参考；
c）数据质量问题影响分析，根据数据质量问题的描述及数据价值链的分析，评估数据质量对组织业务开展、应用系统运行等方面的影响，形成数据质量问题影响分析报告；
d）数据质量分析报告，结合各类数据质量分析方法，定期开展数据质量问题分析，分析热点问题的原因、影响，推动数据质量问题的处理；
e）数据质量知识库，基于数据质量分析报告编制各类数据质量管理案例，总结数据质量经验和知识，形成组织的数据质量知识库。
过程目标 a）建立常态数据质量问题分析方法，分析数据质量问题产生的根本原因，推动从源头解决问题；
b）建立持续更新的数据质量知识库，提升全员的数据质量意识。
初始级 在项目中开展数据质量问题分析和评估。
受管理级 1）在部门层面建立数据质量问题分析方法，制定数据质量问题分析报告模板；
2）在部门层面对数据质量问题进行分析，明确数据质量问题的原因和影响；
3）在部门层面根据数据质量问题分析并出具分析报告。
稳健级 1）在组织层面制定统一的数据质量问题分析方法，设计统一的数据质量问题分析报告模板，清晰界定数据质量问题分析维度及要求；
2）在组织层面定期对关键数据质量问题开展根因分析，剖析数据质量问题产生的根本原因，指导数据质量提升工作；
3）在组织层面定期对关键数据质量问题开展影响分析，确定数据质量问题优先级；
4）在组织层面定期编制数据质量问题分析报告，发送至利益相关者进行审阅；
5）在组织层面建立数据质量知识库，归纳共性问题和处理经验。
量化管理级 1）建立数据质量问题的经济效益评估模型，分析数据质量问题的经济影响；
2）通过数据质量分析报告及时发现潜在的数据质量风险，预防数据质量问题的发生；
3）采用人工智能技术开展数据质量影响分析、根因分析，提升数据质量问题分析效率；
4）参与数据质量分析相关国家标准制定，主导行业标准制定。
优化级 1）参与数据质量分析相关国际标准，主导国家标准的制定；
2）在国际和国家层面分享最佳实践，成为行业标杆。
数据质量提升 概述 数据质量提升是基于数据质量检查和数据质量分析的结果，开展数据质量问题更正和提升，持续优化数据质量管理机制的过程。包括数据质量提升方案、数据质量问题校正、数据质量问题验证、数据质量提升和数据质量实施控制等活动。
过程描述 a）数据质量提升方案，基于数据质量问题分析报告，制定数据质量提升方案，明确数据质量提升重点工作任务和计划；
b）数据质量问题校正，采用人工或工具的方式对不符合质量要求的数据进行处理，纠正数据质量问题；
c）数据质量问题验证，记录质量问题处理进度，验证数据质量问题校正的有效性；
d）数据质量提升，对业务流程进行优化，对系统问题进行修正，对制度和标准进行完善，防止同类问题的发生；
e）数据质量实施控制，将数据质量提升过程中的关键措施通过制度方式进行固化，持续迭代更新数据质量管理机制。
过程目标 a）建立数据质量持续改进机制，降低数据质量问题发生率；
b）持续优化数据质量管理机制，不断提升数据质量。
初始级 在项目中开展数据质量提升工作。
受管理级 1）在部门层面根据数据质量问题分析结果，制定并实施数据质量提升方案；
2）在部门层面明确数据质量提升的利益相关者及其职责；
3）在部门层面进行数据质量问题更正，建立数据质量问题跟踪记录。
稳健级 1）在组织层面针对数据质量问题分析结果，制定数据质量提升计划，编制数据质量提升方案，指定数据质量提升责任方；
2）在组织层面采用人工或工具的方式对不符合质量要求的数据进行处理，纠正数据质量问题；
3）在组织层面建立数据质量问题验证机制，记录质量问题处理进度，验证数据质量校正的有效性；
4）在组织层面建立源头管控机制，从业务流程优化、系统改进、制度和标准完善等层面开展数据质量提升并持续跟踪；
5）在组织层面将数据质量提升过程中的关键措施通过制度的方式进行固化，持续迭代更新数据质量管理机制。
量化管理级 1）设定量化指标，跟踪评价数据质量提升过程并持续改进；
2）采用人工智能技术开展数据质量问题更正，提升数据质量问题处理效率；
3）参与数据质量提升相关国家标准制定，主导行业标准制定。
优化级 1）数据质量提升工作能有效支撑高质量数据集建设工作；
2）参与数据质量提升相关国际标准，主导国家标准的制定；
3）在国际和国家层面分享最佳实践，成为行业标杆。
分享文章
最近修改: 2026-01-24