"中台建好半年了，业务部门反馈就八个字：数据不准，不敢用。"
这是一位制造业CDO的原话。不是中台技术不行——数据集成跑通了，报表能出了，可视化大屏也亮了。但财务说"你的数和ERP对不上"，销售说"客户信息全是重复的"，运营说"算了我们还是用Excel吧"。
根源只有一个：数据质量不过关。
Q1：数据质量问题到底有多普遍？
比大多数人以为的严重得多。
华东某数据局在引入数据质量管理服务之前，做过一次摸底：各部门提交到数据资产平台的目录，初始合格率只有6.34%。这不是说数据"有点小毛病"，而是说94%的目录存在命名随意、描述缺失、字段类型错误等基础问题。业务数据里的问题更触目惊心——教育系统里"同一个学籍号对应多个学生姓名"，司法系统里"结案时间早于立案时间"。
制造企业的情况也好不到哪去。同一物料在不同系统里有三个叫法，订单表的客户名称字段有几百条空值，BOM版本号和ERP里的对不上。这些都不是偶发问题，而是系统性地存在。
结论很简单：数据质量问题不是"有没有"，是"有多严重"。大多数企业严重低估了自己数据的脏乱程度。
Q2：为什么建中台之前没发现？
因为建中台时的关注点全在"接数据"上，没人在"验数据"。
数据集成的工作逻辑是：把ERP、MES、CRM等系统的数据搬到中台来。搬的过程解决了"通不通"的问题，但没解决"对不对"的问题。集成只管搬，搬完之后数据准不准、全不全、有没有重复——没人检验。
等业务部门实际用的时候才发现不对劲，但这时候数据已经进了中台，随下游任务扩散了好几轮。更麻烦的是，因为缺少元数据记录，出问题之后连"这数据从哪来的、被谁改过"都追溯不清楚。
Q3：怎么判断数据质量过不过关？
国家标准 GB/T 36344-2018《信息技术 数据质量评价指标》[1]定义了六个评价维度：完整性、准确性、一致性、唯一性、时效性、可访问性。除可访问性外，其余五个维度直接影响数据的可用程度。
落到实操层面，可以这样理解：
完整性：该有的字段有没有？比如订单表里客户名称不能为空。
准确性：数据对不对？比如"结案时间"不能早于"立案时间"。
一致性：同一个数据在不同系统里是否一致？比如CRM里的客户名和ERP里的是否相同。
唯一性：有没有重复记录？比如同一张订单不能出现两次。
时效性：数据是不是最新的？比如库存数据是今天的还是上周的。
实践中，对这些维度的检查可以通过旁路监测的方式来做——质检规则不对数据入库做任何拦截，数据正常入库，质检任务并行扫描，发现问题后打标记、发告警、生成整改工单。既保证了数据流转的效率，又确保了问题可发现、可追溯。
Q4：发现问题之后怎么修？
关键是闭环，不是打地鼠。
华东某数据局的实践提供了一个完整参考。他们的做法是建立"质量监测→发现问题→派发工单→部门修复→复验归档"的闭环流程：
常态化扫描全域数据，自动生成问题台账
点对点推送至责任部门，明确"哪个表、哪个字段、什么问题"
部门修复后自动复验，通过后归档
沉淀为问题修复知识库，同类问题不再从头摸索
经过多轮治理，各部门修复率超过93%，目录合格率从6.34%提升至94.74%，累计沉淀1000余项质量监测规则。关键是这套机制融入了日常运维，不再是"一次性运动"。
Q5：有没有轻量级的起步方案？不想一上来就上重型平台。
有。数据质量不需要重型平台起步。
如果团队规模不大、预算有限，或者只是想先摸清家底，可以先从数据体检开始——用轻量工具扫描核心业务表，看看到底有多少字段缺失、多少格式错误、多少重复记录。知道问题在哪，才知道下一步该投入多少。
龙石数据质量管理平台社区版就是为此设计的：免费可用，一行命令部署，10到20分钟就能跑起来。内置12类质检规则（空值检查、唯一性检查、格式规范性检查、一致性检查、逻辑检查等），全部可视化配置，不需要写SQL。四步完成一次完整的数据质量评测：接入数据源→自动采集元数据→配置评测规则→查看问题统计。
先做一次体检，摸清底数再决定后续投入。这条路不重，但能让你第一次真正看清自己的数据到底有多"脏"——或者多"干净"。
数据质量不是大厂的专利。目录合格率能从6.34%做到94.74%，说明只要方法和机制对，数据的"脏乱差"是可以治的。关键是先迈出第一步——先做一次体检，知道问题在哪，就成功了一半。
参考来源
1.GB/T 36344-2018《信息技术 数据质量评价指标》，国家市场监督管理总局、中国国家标准化管理委员会，2018年6月7日发布，2019年1月1日实施。
