数据管理知识体系将数据质量 (DQ) 定义为“将质量管理技术应用于数据的活动的规划、实施和控制，以确保其适合消费并满足数据消费者的需求。”

由于对 DQ 的期望并不总是口头表达和为人所知，因此需要进行持续的讨论。DQ 取决于上下文和数据消费者的要求。实施有效的 DQ 管理使用 DQ 工具可帮助组织将 DQ 维持和改进到可接受的水平。业务领导者使用数据质量维度来衡量 DQ 并建立对数据的更多信任。

数据质量维度的简短列表：准确性完整性一致性正直合理性及时性唯一性/重复数据删除有效性辅助功能其他定义包括：“适合一个目的。满足其作者、用户和管理员的要求。”(Peter Aiken 博士，改编自 Martin Eppler)“依赖数据的准确性、一致性和完整性才能在整个企业中发挥作用。”(米歇尔奈特)用于解析和标准化、广义“清理”、匹配、分析、监控和丰富的工具和过程（高德纳)Strong-Wang框架：（麻省理工学院的 Wang 和 Strong和大马DMBoK)

辅助功能

【资料图】

访问安全

可解释性

易于理解

表征一致性

简明表示

附加值

关联

完整性

适当的数据量

准确性

客观性

可信度

名声

内在的 DQ：

上下文 DQ：

代表性 DQ：

辅助功能 DQ：

一些用途包括：增加的价值组织数据以及使用它的机会减少风险和成本与低质量数据相关改善组织效率和生产力保护和提高组织的声誉数据剖析（建立趋势并发现数据中的不一致）数据标准化（确保数据使用相同、一致的格式）数据监控（当未达到 DQ 阈值时提醒数据管理员）数据解析（发现数据是否符合可识别的模式）数据清理

标签：