CMMIVLOG实践域简要指南：数据质量（DQ）

 在今天的CMMI Tech Talk中，我们将一起了解CMMI模型实践域中的另一个新成员：数据质量，简称DQ。这个实践域的重点是维护组织数据资产的完整性或总体健康状况。与它相关的数据管理实践域DM，则关注数据的结构、存储和处理。

数据质量实践域着眼于数据的有效性，旨在确保它为实现组织的使命提供必要的支持。它的意图和价值陈述如下：

意图：制定、遵循并不断更新实施数据质量标准的方法；

价值：最大限度地提高数据的价值和准确性，以实现有效的业务运营和决策的一致性。

价值陈述表明，在当今世界，数据质量是组织决策和保持运营能力的内在因素。然而，值得注意的是，附加所需信息中还强调需要了解哪些数据质量标准适用于我们的情况。我们是否处于强监管运营环境需要遵循特定数据质量要求？我们的产品特性是否需要强制执行特定数据标准？组织如何实现数据质量流程与组织的环境紧密挂钩，不存在一个放之四海皆准的解决方案。

实践总结表高度概括和反映了过程能力的典型进化过程。我们可以概括如下。

第1级，介绍了基本的数据质量活动，包括数据清理；

第2级，对这些活动的管理进行了规划和固化；

第3级，包含在了解数据质量环境的基础上如何进行改进。

组织在利用这些最佳实践时，需要注意的一个关键陷阱是不要假定所有报告的数据都是100%完整和准确。例如，如果某个特定的数据值没有被报告，它可能在报告中会显示为零或空白。在同行评审中发现零缺陷的情况与没有正确报告缺陷数量的情况截然不同，因为数据没有及时或准确地输入同行评审系统，从而报告生成了零而不是空白。重要的是要确保制定正确的检查和平衡机制或质量参数，来评估和管理数据的整体健康状况，尤其是当高管和经理可能正在利用这些数据做出业务决策的时候。

让我们仔细看看这是如何通过实践本身实现的。

实践DQ 1.1：旨在确定哪些数据质量参数对业务很重要

这显然受到我们所做工作的性质和我们需要实现的目标的影响。如果我们行动的性质是时间敏感的，那么当我们需要数据时，数据的准确性和可用性可能是数据质量的最重要参数。在DQ 1.1中的示例活动中，你会看到一个需要考虑的潜在参数列表。这个列表可能不一定详尽。当需要清理数据的时候，这些数据质量参数自然会起到作用。DQ 1.1 和DQ1.2这两个实践确立了数据质量的基本原则。从根本上讲，你应该建立对业务很重要的数据质量维度，然后根据业务优先级开展数据清理等活动，确保数据满足这些要求。

在第1级，组织实现这些原则的方式相对比较简单。而第2级的实践则是建立在这些基本活动的基础上。

实践DQ 2.1：在识别数据质量基本参数的基础上，要求组织建立数据清理标准

例如，在第1级，组织可能将数据的及时性确定为数据质量的关键参数。到了实践DQ 2.1，要求组织确定及时性的可度量因素，这些是实现数据质量目标的关键。因此，它可能与数据的年龄或数据提供的速度有关。

实践DQ 2.2：涉及数据质量方法的开发和使用，与计划我们将如何进行数据质量活动有关

当然，上一级实践中的标准是该计划的重要输入，但该方法还需要考虑在进行数据质量活动时谁做什么、何时做以及如何做。

实践DQ 2.3：侧重于根据实践DQ 2.2概述的方法进行数据清理活动

请注意，在附加解释信息中建议应在数据源或尽可能靠近原始数据创建点进行数据清理。在尽可能靠近数据源的地方进行数据清理可以降低发生错误的可能性，并且总体上最具成本效益。

同样地，第3级实践可以被视为引入了全组织范围的视角，也为过程增加了复杂程度。

实践DQ 3.1：引入了数据质量评估的概念

这些与前面提到的数据清理活动不同。数据清理活动是对特定数据或数据元素的直接处理，而数据质量评估则是一项更为普遍的活动，包括审查这些活动的结果。通常，这需要提供某种形式的度量及结果的报告或仪表板。这也涉及到数据质量如何影响业务目标的实现。当然，它往往站在全组织范围的高度，可能涉及不同于那些生成和使用数据的群体，这也提供了一定程度的客观性。这些数据质量评估的结果为实践DQ 3.2的活动提供了信息。

实践DQ 3.2：要求对组织数据质量活动的有效性进行定期审查

学习总结通常会带来改进活动，有助于提高组织的数据质量。

总结一下，数据质量实践域可以概括为：

对数据质量参数有明确的定义，这些参数对组织的业务和运营绩效至关重要；

使用这些确定的参数进行数据清理活动；

总结一套开展数据质量活动的一致、可靠的方法；

使用可度量的标准进行数据质量评估；

评估数据质量活动的有效性，实施改进，最终提高整个业务运营中使用的数据准确性。