如果想要加速企业的数字化转型速度，D&A领导者必须采取务实及有针对性的行动来提高企业数据质量。

企业机构每年因糟糕的数据质量而造成的平均损失达到1290万美元。除了直接影响收入外，从长远来看，质量差的数据还会增加数据生态系统的复杂性，进而导致决策失误。

随着企业越来越多地使用数据分析来帮助推动业务决策，企业日益重视其系统中的数据质量（DQ）。预测到2022年，70%的企业机构将通过指标来严格追踪数据质量水平并将数据质量提高60%，以此显著降低运营风险和成本。

数据质量直接关系到决策的质量。高质量的数据能够提供更好的客户线索、对客户的更深入了解和更好的客户关系。数据质量是数据和分析（D&A）领导人需要不断提升的竞争优势。

1.确定数据质量改进将如何影响业务决策

确定业务流程、关键绩效指标（KPI）和数据资产之间的明确联系。列出企业机构所面临的现有数据质量问题以及它们如何影响收入和其他业务关键绩效指标。在建立了作为资产的数据和改进要求之间的明确联系后，数据和分析领导人可以开始制定有针对性的数据质量改进计划，明确定义范围、利益相关者名单和初步的投资计划。

2. 定义“足够好”数据的标准

为了改进数据质量，首先要了解企业机构如何定义“最适合”的数据质量。企业机构应负责定义什么是“好”。数据和分析（D&A）领导人需要通过与业务利益相关者定期开展讨论来掌握他们的期望。使用相同数据（例如客户主数据）的不同业务线可能有不同的标准，因此对数据质量改进计划也有着不同的期望。

3. 建立全企业机构数据质量标准

数据和分析领导人需要建立企业机构所有业务部门都遵守的数据质量标准。企业内的不同利益相关者很可能有不同的业务敏感度、文化和成熟度，因此他们满足数据质量实施要求的方式和速度可能也不同。

这将使整个企业的利益相关者能够按照定义和商定的数据质量标准来理解和执行他们的经营活动。企业级别的数据质量标准将有助于教育所有相关方并实现无缝采用。

4. 尽早并且经常使用数据剖析

数据质量剖析是一个检查现有来源的数据并总结数据信息的流程。它有助于确定需要采取的纠正措施并提供可以提交给企业以推动改进计划构思过程的宝贵洞见。数据剖析有助于确定哪些数据质量问题必须在源头解决，哪些可以在晚些时候解决。

但这不应该是一项一次性活动。企业机构应根据资源的可用性、数据错误等尽可能频繁地进行数据剖析。例如通过分析可能会发现一些关键客户联系信息缺失，而这些缺失的信息可能直接导致大量客户投诉并使企业机构难以提供良好的客户服务。此时，数据质量改进活动的优先级别会非常高。

5. 设计和实施用于监测主数据等关键数据资产的数据质量仪表盘

数据质量仪表盘为所有利益相关者提供包含过去数据在内的全方位数据质量快照，通过确定趋势和模式帮助设计未来的流程改进。它可以用于比较对关键业务流程至关重要的数据在一段时间内的表现，使企业机构能够做出正确的业务决策，基于可信的高质量数据实现预期业务目标。

6. 从基于真实的语义模型转向基于信任的语义模型

数据并不总是来源于可以从一开始就控制和维护数据质量的内部。在某些情况下，数据资产来源于数据质量规则、创作者和治理水平常常未知的外部。因此，“信任模型”比“真实模型”更好。

这意味着关键企业数据并不是绝对的，企业机构还必须考虑其来源、管辖权和治理，从而考虑其在决策中的可用程度。当无法维持可信度时，数据和分析领导人可以采取缓解措施。

7. 将数据质量列为数据和分析治理委员会会议的议程

数据和分析领导人需要将数据和治理倡议与业务成果相联系，这将有助于根据业务目标追踪数据治理改进方面的投资。为了引起治理委员会的重视，必须用他们最能理解的语言，也就是对业务和收入的影响向治理委员会传达数据质量改进的影响。治理委员会需要对数据质量改进流程和挑战有清晰的认识，而且他们需要定期获得这些信息。

8. 规定数据管理员角色的数据质量责任和操作步骤

数据管理员负责确保企业机构数据资产的质量和对用途的适用性，包括这些数据资产的元数据。在成熟的企业机构中，数据管理员角色还包括倡导良好数据管理实践并在发生数据质量问题时进行监测、控制或升级。

数据分析领导人需要将这一角色纳入他们的数据和分析战略中，从而系统地定期衡量和维护数据质量。应创建一个便于清楚了解如何管理数据质量问题的治理范围和利益相关者示意图。

9. 在首席数据官团队或同等机构的领导下，建立一个跨业务部门和IT部门的数据质量专项工作组

企业机构可以投入大量时间和资源组建一个由业务部门、IT部门和首席数据官办公室代表所组成并且为了改进数据质量而开展协作的专项小组。此类协作可以使企业机构更好地管理风险，同时也为降低运营成本创造更多的机会，并通过共享、统一的最佳实践促进增长。

10. 建立数据质量审核作为发布管理的“关口”

通过审核和更新进度及时进行纠正和检查，随着企业机构处理数据质量倡议成熟度的提高，确认并传播有影响力的最佳实践。

11. 定期向业务部门传达改进数据质量所带来的收益

数据和分析领导人需要衡量改进计划的影响并定期沟通结果。例如由于有了高质量、可信的数据，客户服务高管可以更好、更快地服务于客户，因此客户数据质量每提高10%，客户响应性就将提高5%。

数据和分析领导人不仅要引起治理委员会对数据质量改进的关注，而且要把这变成一项长期实践。更重要的是，要定期向治理委员会传达它所带来的收益。

12. 充分发挥外部/业内同行团体的作用，例如来自厂商、服务提供商和其他老牌论坛的用户团体

数据和分析领导人可以连接企业与数据质量同行团体并促进企业机构在该领域的成熟度，使双方能够交流关于最佳实践的其他观点以及关于其他人如何解决类似挑战的洞见。