數據治理中的數據質量影響因素分析

鄭威

關鍵詞：數據質量，因素分析，關鍵成功因素，信息系統。

一、引言

數據質量

隨著數據倉庫的擴散，通信和信息技術在組織中對高數據質量（DQ）的認識和需求日益增加。

二、數據質量關鍵成功因素的研究模型

信息系統的成功措施包括：信息系統使用、用戶滿意度、個人影響和組織影響。根據先前的研究建模，以下是假設：

·1）：數據質量與感知的凈效益呈正相關。

·2）：系統質量與感知的凈效益呈正相關。

數據質量和先決條件

1、數據質量維度

為了提高整體數據倉庫成功模型中數據質量構造的解釋力，該模型從三個維度度量數據質量：準確性、相關性和可訪問性。

2、數據質量先決條件

根據之前的研究，數據質量系統分為兩個主要類別：管理基礎設施和技術基礎設施，其中包含15個技術基礎設施元素。這些數據質量程序元素如下面的表1所示。

本研究提出數據倉庫數據質量的先決條件除了包括與大多數成功的數據質量程序相同的那些因素，還應包括另外四個因素：創新、標準化、培訓和教育，以及在數據倉庫中顯得特別相關的檢查和測試。

我們分別重新命名了主要類別：組織基礎設施和數據質量系統實施。這些數據質量元素類別定義如下：

組織基礎設施：高級管理層對數據質量的承諾和參與程度，以及促進或阻礙數據質量的組織的整體文化和特征。

數據質量系統實施：將數據質量視為一個完整系統的程度，包括客戶驅動的需求分析; 測試、檢查、測量和評估過程; 以及數據質量規劃和改進機制。

基于這些定義，提出了包含這兩個數據質量元素類別的四個數據質量先決條件。四項數據質量先決條件的定義如下：

管理承諾和參與：高級管理層對數據質量的承諾程度和參與程度。這種正式的承諾和參與表現為政策、目標設定、項目啟動、問責制、數據供應商管理、改進過程和信息鏈管理。

促進組織文化和特征：廣泛認為數據和信息是商業資產，并相應地加以處理的態度。這種待遇表現為創新、積極的數據挖掘、適當使用標準化、盡量減少權力斗爭以及在整個組織中進行充分的培訓和教育。

需求分析和技術流程實施：有效識別和處理客戶需求并確保維護質量控制的數據質量流程。正確維護質量控制體現在數據錄入的準確性和經驗性質量測量和評估的形式上。

數據質量系統規劃和改進：主動規劃數據質量系統的實施，并將質量改進納入其中。

建議的數據質量元素結構如表2所示。

根據這些定義，假設下列數據質量先決條件：

·1）：“管理承諾和參與”、“促進組織文化和特征”、“需求分析和技術流程實施”、“數據質量系統規劃和改進”與數據倉庫數據質量正相關。

最后，我們提出了考慮操作數據質量在所提出的數據質量先決條件和數據倉庫數據質量之間的中介作用。因此，假設如下：

·2）：組織內的運營數據質量與DW數據質量成正相關

·3）：“管理承諾和參與”、“促進組織文化和特征”、“需求分析和技術流程實施”、“數據質量系統規劃和改進”與運營數據質量成正比。

這些假設反映在圖3所示的完整研究模型中。

三、結論

該研究模型基于現有文獻和以往關于數據質量關鍵成功因素的研究，包括四個因素類別組和二十五個因素項目。從大規模調查的因子分析結果來看，原有的信息系統關鍵成功因子數據質量研究模型應該修改為數據質量管理因子、人員因子、組織因子和環境因子四大因子類別，25個因子項目應該重新歸類為不同的因子類別。本文提出的因子分析方法為現有文獻中缺乏的數據質量關鍵成功因子的研究模型提供了更加科學的依據。因此，該研究對數據質量領域具有重要的理論貢獻。此外，它還為數據質量和信息系統管理領域的從業人員提供指導，說明確保其系統中的高質量數據的關鍵成功因素。

參考文獻

1. 張瓊文. 試論數據治理在數據質量管理中的作用[J]. 通訊世界，2017（3）.

2. 卿曦. 源頭數據治理 優化數據質量[J]. 大眾用電，2018，32（11）：20.

3. 楊春紅. 數據治理在數據質量管理中的影響分析[J]. 電腦編程技巧與維護，2018，000（012）：92-93，107.

4. 程大慶，鄭承滿. 數據倉庫數據質量的治理及體系構建[J]. 中國金融電腦，2011，000（006）：28-34.

5. 徐嵐珊，郭樹行. 面向數據治理的數據資產質量評估模型研究[J]. 科技資訊，2020，018（003）：18-19.

6. Lee，Y.，Strong，D.，Kahn，B. and Wang，R. （2002） AIMQ：a methodology for information quality assessment，Information and Management，40，133-146.

7. Pipino，L.，Lee，Y. and Wang，R. （2002） Data Quality Assessment，Communications of the ACM，45，4，211-218.

8. Rahm，E. and Hai Do，H. （2000） Data Cleaning：Problems and Current Approaches，IEEE Computer Society，23，4，3-13.

9. Redman，T. （1998） The Impact of Poor data Quality on the Typical Enterprise：Poor Data Quality Has Far-Reaching Effects and Consequences，Communications of the ACM，41，2，79-82.

10. Wand，Y. and Wang，R. （1996） Anchoring Data Quality Dimensions in Ontological Foundations，Communications of the ACM，40，5，103-110.