数据质量管理工作是数据治理体系中的关键环节，也是实际落地过程中难度较大的工作之一。 数据标准难以统一、质量问题反复出现、跨部门整改推进困难，不仅影响数据本身的准确性和可用性，还可能进一步影响业务判断、资源配置与服务效率。如何建立有效的数据质量治理机制，实现从问题发现、整改落实到源头预防的持续改进，是数据治理实践中需要解决的重要课题。
在2026 DAMA全球数据管理峰会上，苏州龙石数据项目总监祝常青以一线实践为基础，分享了龙石数据在数据质量闭环管理方面的探索，围绕业务需求、管理机制、源头治理、AI工具支撑等内容，介绍了数据质量治理的实施方法与典型案例。
一、数据质量问题，往往出在业务衔接处
祝常青在演讲中分享了一个装修故事。
朋友家装修时，水电、木工和全屋定制分别由不同人员负责。由于前期尺寸和要求没有统一协调，冰箱安装后，插座位置却影响了冰箱的严丝合缝。另一个问题是，水电工虽然专业，却未必具备同等水平的木工能力。装修设计方案本身不错，但如果缺少施工过程中的持续跟进和关键节点验收，最终效果仍可能与预期存在差距。
这些问题同样存在于数据治理工作中：不同部门各自认为数据没有问题，但数据一旦共享、关联或进入业务流程，就可能暴露出口径不一致、专业规则缺失、过程管理不到位等问题。
数据质量管理因此不能只检查单个字段是否正确，还需要统一要求、专业判断，并将质量控制贯穿实施过程。
二、数据质量问题，可能直接影响业务结果
在实际项目中，数据质量问题可能出现在多个业务领域。
在民生健康领域，慢性病随访系统中，血压的收缩压与舒张压在数据映射时发生对调，可能导致重点随访对象被遗漏。
在市场监管领域，特种设备的下次检验日期早于本次检验日期，可能造成检验提醒和督办出现偏差。
在办事服务领域，登记流程虽然已经完成，却未能生成统一社会信用代码，可能导致后续业务无法顺利核验主体。
在城市运行领域，详细地址与所属街道信息不一致，则可能造成事件派单错误，影响后续处置。
更值得关注的是，业务流程跑通并不代表业务结果可靠。
例如，在养老待遇发放场景中，如果人员死亡信息未及时更新，发放任务仍可能继续执行；在住房租金专项附加扣除场景中，如果缺少对婚姻关系与申报信息的关联核验，同一笔租金就可能出现重复申报风险。
这些场景说明，数据质量管理不仅要关注流程能否正常运行，还要检查数据是否准确、关联关系是否合理，以及最终业务结果是否符合实际情况。对于涉及资金和权益的事项，还需要经过业务核实后，按规定进行处理。
三、从业务需求出发，明确数据质量治理的切入点
数据质量管理之所以成为数据治理中的一大难点，不仅在于问题类型多、涉及范围广，更在于需要业务部门、数据管理部门及技术团队共同参与，并推动问题在源头得到解决。 面对不同类型的数据质量问题，不能仅依靠逐个问题排查、逐项修复的方式推进。
结合长期项目实践，龙石数据将数据质量治理的工作需求归纳为五类场景。
高频共享数据。 优先提升多个部门反复使用的数据质量，让供数单位和用数单位都能从数据共享中获得实际价值。
重点专题数据。 围绕重点项目和重点业务需求开展质量治理，保障相关数据满足项目建设和应用要求。
异议核实。 从应用端反馈的问题入手，通过“发现一个问题、解决一类问题”的方式，追查共性原因并推动整改。
源头自评。 将数据标准和质量要求前置到数据生产环节，解决源头数据质量问题，减少后续重复治理成本。
数据交易质量评估。 围绕数据要素流通和交易需求开展质量评估，同时为高质量数据集建设提供质量保障。
这五类场景为数据质量管理提供了不同的工作入口。实际实施时，需要结合业务需求、数据使用频率和潜在风险确定治理重点，而不是对所有数据采取相同的投入方式。
四、建立管理机制，推动质量问题形成闭环
明确治理场景之后，还需要解决由谁负责、如何协同，以及怎样保证整改真正落地的问题。
龙石数据在实践中总结的数据质量管理模型包括1个目标、3个准备、4个活动和 N 个相关方。
一个目标，是明确数据质量管理要达到的具体目标；三个准备，包括数据需求调研、治理范围制定、数据标准编制与落地等前期工作；四个活动，包括质量评测、问题修复、效果评价和全生命周期协调；N 个相关方，则包括数据管理部门、供数单位、用数单位以及数据治理第三方团队等。
在这一基础上，龙石数据进一步总结出四种管理模式：横向统筹、纵向深耕、项目嵌入和常态运营。
横向统筹：解决跨部门共享的共性问题
在跨部门数据共享中，不同部门往往有各自的业务标准和管理方式。传统的“一事一议”模式虽然能够处理具体问题，却容易造成重复协调、反复沟通，难以形成稳定的协作机制。
针对这一问题，龙石数据在相关实践中推动建立统一的管理制度与责任分工，由数据管理中心负责统筹协调，业务部门承担源头整改责任，第三方团队开展质量评测、问题定位与整改复核。
在相关高频共享数据治理实践中，团队沉淀了3000余条质量规则，并推动数据标准与质量管理要求在跨部门协作中落地。演讲还提到，高频应用资源的评测准确率达到100%。
这一实践的重点，不只是发现和修复数据问题，更是通过统一标准、明确责任和持续评测，推动跨部门数据共享形成稳定的工作机制。
纵向深耕：让数据质量规则符合专业业务要求
通用的数据检查规则，无法覆盖所有专业领域的业务判断。
以市场监管为例，不同业务系统对于企业经营状态、注册状态、有效期限等信息，可能存在不同的术语和口径。如果缺少统一的业务定义，即使单个字段看起来正确，关联使用时仍可能出现矛盾。
针对这类问题，需要深入理解具体业务，统一行业术语与数据字典口径，并根据食品、药品、医疗器械、特种设备等不同监管对象，制定相应的质量规则。
相关实践推动507个数据项贯标，并围绕专业监管对象开展质量治理。项目材料显示，法人库数据完整性从75%提升至92%，市场主体注册登记数据准确性达到95%以上。
这类工作的关键，是将专业业务知识转化为可执行的质量规则，让数据质量检查真正服务于业务核查和监管需求。
项目嵌入：将质量要求前置到数据生产源头
如果数据在源头生产时就存在问题，后续即使反复清洗，也可能因为源头未修复而再次出现。
在江阴相关实践中，教育业务曾出现中间库数据修改后，业务源头数据未同步修改，导致后续数据同步时问题再次出现的情况。水务业务也存在前端缺少校验、重复产生问题数据的情况。
针对这些问题，龙石数据推动将数据标准与质量要求嵌入项目建设过程，在立项评审、建设实施、试运行和验收等关键节点开展检查，既验功能，也验数据。
相关实践中，100余张核心业务资源表完成贯标，源头校验工作被纳入系统验收要求。同时，项目沉淀了240余项元标准、100余个元模型及1500余条规则，为后续项目提供参考。
将质量要求前置到建设和验收环节，有助于在问题进入正式业务流程之前发现并处理问题，减少上线后的反复整改。
常态运营：让整改成果持续发挥作用
横向统筹、纵向深耕和项目嵌入，分别解决跨部门共性问题、专业领域问题和源头生产问题。常态运营则贯穿这些工作，推动质量评测、问题整改、结果复核与经验沉淀持续开展。
只有将一次性治理行动转化为日常工作机制，才能持续跟踪问题变化，并根据实际效果调整后续治理重点。
五、以工具和 AI 支撑数据质量闭环管理
针对数据质量治理中规则建设复杂、问题定位困难、整改协同成本高等难题，龙石数据不仅总结了相应的管理方法，还依托自主研发的第三方数据质量管理平台及 AI 技术，构建了“1314”数据质量闭环管理工具体系，为数据质量治理提供平台与技术支撑。
这一体系由1个质量运营门户、3个 AI 智能化引擎、1个第三方数据质量监测平台和4类知识库组成。
质量运营门户用于呈现各部门的数据质量情况、治理进展和相关成果；第三方数据质量监测平台支撑标准管理、规则配置、周期评测、问题溯源、工单协同与整改复核；AI 引擎则辅助开展标准解析、质量规则生成、问题归因和修复路径推荐。
在实际运行中，体系贯通“评测发现—工单协同—源头整改—复评验效—知识沉淀”五个环节，并通过业务共识、规则审核、执行授权、复评确认及版本审计等质量控制措施，确保数据质量问题得到有效处理，治理过程可追溯、整改结果可验证。
六、从被动响应走向源头预防与持续优化
在演讲最后，祝常青分享了龙石数据实践提炼的数据质量成熟度曲线，将数据质量管理划分为五个阶段。
第一阶段是被动响应，出现问题后进行处理和恢复；
第二阶段是主动监测，通过标准和规则主动发现异常；
第四阶段是源头预防，将质量要求前置到数据生产和系统建设环节，减少同类问题再次发生；
第五阶段是持续优化，根据业务变化持续调整标准、模型和质量要求，并验证实际效果。
这五个阶段体现了数据质量管理从个案处理，到主动发现、闭环整改，再到源头预防和持续改进的过程。
判断数据质量管理是否取得成效，不能只看制定了多少标准、建立了多少规则，还需要关注问题是否得到解决、风险是否得到控制、同类问题是否减少，以及治理成果是否真正被业务使用。
