DQMIS | 第三方数据质量管理模型和实践经验分享

2024年01月13日，“DQMIS 2024第七届数据质量管理论坛”于深圳成功召开。论坛聚焦数据质量行业趋势洞察与前瞻研判，连续多年站在中国数据质量管理探讨前沿。会上，龙石数据创始人兼总经理练海荣，发布并解读了《第三方数据质量管理模型》。

---------------以下为演讲实录---------------

大家中午好，我是苏州龙石数据创始人，今天很荣幸能够在这里跟大家分享，第三方数据质量管理模型与实践。

大家都知道，生活用水的加工过程是将水从干净的水源抽到水厂，加工成各类水产品供市民和企业使用。

整个过程中，我们需要检测水源的工业污染和农药残留情况，水产品加工好后，针对生活用水，需要检测大肠杆菌情况；针对芯片制造场景，需要检测粒子和离子含量；针对工业水冷场景，需要检测酸碱度和软硬度，防止腐蚀和积垢；针对纯净水，需要检测矿物质含量对口感的影响。

数据质量管理也是一样，需要对数据源头、加工治理过程，以及数据产品进行数据质量监测和管理。

与水质管理不同，数据行业仍然处于发展的初级阶段，质量管理的体系尚不成熟，也就导致了数据质量问题肉眼可见、标准规范形同虚设，甚至缺失，数据责任主体不明确，当数据质量问题被发现时，找不到修复责任人。

因此，我们从四个方面来解决数据质量问题，包括数据溯源、标准管理、质量管理和考核评价。数据溯源就是要找到每一个数据的源头，数据源头也就是数据责任人。标准管理就是在国家标准、行业标准和地方标准的基础上，制定组织内部的数据标准，指导我们的数据采集、治理和质量管理工作。质量管理则是在标准管理的基础上，发现问题和解决问题，如果只是发现问题，不能解决问题，数据质量的评测是没有意义的。考核评价则是对标准管理和质量管理的工作进行考核评价和晾晒，从而推动数据标准管理和数据质量管理的落地。

我们基于多年数据质量管理实践，将数据质量管理过程抽象成这样一个模型，包括“1个目标，3个准备，4个活动和N个相关方”，我们首先明确质量管理的目标，制定相关的管理制度，收集质量管理的需求，并且明确质量管理的范围。这里有一个重点，质量管理的投入较大，因此应当重点关注核心数据的质量管理。质量管理的具体工作则包括数据质量评测、修复和评价。这个过程中，主要的参与方包括数据治理团队和业务部门，需要通过沟通协调会、座谈会、培训会等方式加强沟通协调。因为，数据质量管理工作本质上是一个管理工作，因此管理制度的建立和各个相关方的沟通协调就显得尤其重要。

我们从19年开始实践数据质量管理，现在已经占到我们一半的业务量以上。我们经历了这5个场景来实践数据质量管理。第一个是高频共享数据质量管理，高频共享数据就是用得多的数据，所以，这一部分数据的质量提升，会立竿见影，效果明显，会大大提高业务部门的满意度。第二个是重点专题数据质量管理，重点专题数据包括重点项目相关的数据，也包括组织内部的核心数据，例如政务场景下的人口库和法人库，企业场景下的客户数据和产品数据。第三个是异议核实，用数部门在提出数据异议时，我们有一套机制来解决用数部门的问题。并且在发现一个问题时，我们则将同一类问题一起解决掉。这个场景的最大好处是有需求引领的，是由用数部门发起的，而不是由数据管理部门主动发起的，所以推动起来会更顺利。第四个是源头自评，由于数据质量管理的工作量非常大，我们希望能引入一套机制，让源头部门参与数据质量的管理，从而降低后期的数据治理成本。最后一个是数据交易过程中的数据质量评估，我们之前也提过一个“基于支付宝模式的可信数据交易方案”，这里由于时间原因就不展开了。

最后，我们经常遇到一个疑问，第三方数据质量管理服务与现有大数据平台的关系是什么？我们总结下来，现有大数据平台主要负责归集、治理所有的数据，并将治理后的数据共享给业务部门使用。而第三方数据质量管理服务则侧重于监测源头的数据质量，发现源头问题，并推动源头解决问题。业务部门解决掉质量问题后，数据再归集到大数据平台。所以，数据质量管理做得越好，大数据平台的工作成效越好，这是一个相互监督、相互促进的关系。