2026全球数据管理峰会·政务和大型国企数据实践分论坛｜数据质量闭环管理实践
视频简介
龙石数据数据质量管理实战分享，结合多行业案例解析数据质量风险，提炼数据质量管理模型、四种落地模式与 “1314” 工具体系，梳理数据质量五阶成熟度，分享源头贯标、闭环运营的提质方法。
视频内容
一、数据治理是一项需要韧性的专业工作
数据治理从业者常自嘲是“牛马”。但“牛马”这个词在这个行业里并不是贬义，它意味着一种专注的韧劲——只有专注、有韧劲的人，才做得好数据治理。
这次分享没有太多大道理，主要是故事。做数据治理的，每做一次治理，就有一个故事。而且质量问题不只存在于数据质量这一个环节，也是实际落地过程中难度较大的工作之一。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。
二、从一次装修看质量问题的产生
一位朋友最近在装修，我也有幸参与了他装修设计方案落地的一部分过程。整个过程里，遇到了各式各样的质量问题。
第一个是水电与全屋定制没有衔接好。水电找的是专业团队，做的还是样板工程，但水电工程与全屋定制、木工之间没有衔接上。结果冰箱推进去，不插电源插座时严丝合缝，一插上插座就露了出来。原因是前期没有把尺寸怎么衔接这件事想清楚。
第二个是“水电工说自己也能做木工”。这位水电工是行业天花板级别的，他说自己木工手艺也不错。朋友对比了装修公司的木工预算，发现水电工报价明显更低，就让他做了，人也确实细心。后面却是各种“坑”。
这对应到数据治理是一个道理：做数据治理的人必须是一个专业的人，要相信数据治理这份专业能力本身的价值。
第三个是设计师只出图、不盯现场。设计师水平不差，方案花了大几万，但只注重前期出图，后期关键节点的验收、日常跑工地都没有去。结果各工种没有按设计要求落实，最终落地效果不言而喻，比较差。
三、数据质量做不好，会付出什么代价
生活里的质量问题看得见，数据质量做不好，代价同样具体。案例库里几个比较典型的情形：
· 民生健康。国家有基层慢性病管理政策，慢性病人群可以通过业务系统做随访、登记。登记过程中发现，收缩压和舒张压在前端登记程序上写的是对的，到了后台数据却是反的。结果是重点随访对象全部被漏掉，也造成了国家资源的浪费。
· 监管履职。检验设备的“下次检验日期”和“本次检验时间”形成了时间倒挂，导致应检设备漏提醒、漏督办。
· 办事服务。很多一体机已经完成了全流程登记，但最后没有生成统一社会信用代码，导致后面所有事情都搁置。
· 城市运行。详细地址与所属街道登记有误，数据都进了事件中枢，结果事件没有派单，或者派错了单。
这些都是比较常见的业务质量问题。
但要注意的是：流程能跑通，不等于业务没有问题。流程跑通只是一个起点。
· 养老待遇场景。人已经去世了，但发放任务每月仍在按时开展。因为在发放任务看来，每个月把这个发放的事情搞定，事情就解决了。而这件事背后，需要关联人口死亡数据。
· 住房租金专项扣除。每年报税都有专项扣除，同一对夫妻、在同一个城市、租同一套房子，是不能申报两次的。但现在的申报流程是税务审核：材料提交上来，看一下都符合流程、都可以，就通过了。最后造成大面积的少缴税、多退税，也影响了社会资源分配的公平。
四、质量需求的五个来源
这么多业务问题，不可能一个个去总结。落地场景大致可以划分为五大块：
1. 高频共享。就是大家用得比较多的数据，每个部门都在用。提升这部分的数据质量，无论对供数单位还是用数单位都有获得感——数据一直被用，而且用得好，这个循环就会继续坚持下去。
2. 重点专题数据。民生工程、明星工程、领导比较关注的数据。这部分质量保证好，也是一个有力的抓手。
3. 异议核实。从应用端发起的问题，以点带面——发现一个问题，解决一类问题。
4. 源头自评。解决源头数据生产环节的质量问题，把数据标准和治理工作前置，降低后期重复治理的成本。
5. 数据交易质量评估。数据资产化、数据资本化、数据要素流通都需要做质量评估；现在大量AI高质量数据集的构建，同样需要。
五、数据质量管理的整体模型
有了需求分类，再往上提炼管理和工作方法。数据质量管理模型是2024年提炼出来的，叫“1个目标、3个准备、4个活动、N个相关方”。
· 1个目标。做数据质量一定要有目标，大到一个场景，小到一个环节，目标都要定得明确。
· 3个准备。数据需求调研、范围制定、标准编制与落地。
· 4个活动。贯穿数据质量全过程的评测、修复、评价，以及全生命周期的协调活动。
· N个相关方。把数据管理部门、供数单位、用数单位，以及第三方数据治理团队都拉进来，共同完成质量闭环。
近两年的实践中，又根据不同目标、不同组织和相关活动做了进一步提炼，形成四种模式：横向统筹、纵向深耕、项目嵌入、常态运营。横向统筹解决共性问题，纵向深耕解决专业问题，项目嵌入解决源头数据生产问题，常态运营解决持续提质问题。
六、横向统筹：跨部门共享供给提质
横向统筹主要解决共性问题。
以苏州为例，52个部门，各地甚至有近70个部门，都被拉进了数据管理或数据共享的环节。无论是集团、子公司还是政府单位，大家都有自己的标准，也都觉得自己做得很好，但一交数据就出问题了。
原因在于长期依赖的是传统数据管理机制——一事一议：遇到具体问题具体分析、具体对待，再形成具体的解决方案。费时费力，工作每天都依赖开会。就像“每遇到一个就得解决一个，每遇到一个就得解决一个”，永远解决不完。
横向统筹的做法是：由中心统一制定管理制度，分清每个部门应该承担的责任，同时由数据治理相关团队做好运营活动。
这里有一个真实的故事。一位项目经理跟着甲方客户做数据质量工作，做了三个月之后，他对业主单位的客户说：我发现做数据质量没有价值，客户不认同我，我自己也开始怀疑自己。他每天产出大量的质量问题数据、大量的质量规则，但除了他和甲方单位的两个人，几乎没有人参与。
回过头一起分析，问题出在几处：他编制的制度有没有落地？制定规则的时候有没有形成共识？发现问题之后，有没有拉动所有责任单位一起调整？每个阶段是不是有自己具体的目标？
分析下来，这几件事都没有做到位。由此总结出八个字：高频共享、试点先行——把目标定小、范围缩小，解决能解决的问题，处理能处理的问题。同时把专业属性的知识带到供数单位，让供数单位认可：过来不是找麻烦，而是跟你一起做业务共创。
通过这样的方式，数据质量规则和标准都得到了提升，沉淀了3,000多条业务质量规则；高频应用数据的质量准确率达到100%——这里强调的是高频应用资源，而不是全部数据。
七、纵向深耕：行业规则支撑精准监管
共性问题解决完，接下来是专业领域的事，需要纵向深耕。
做市场监管的需求时发现，这个“宇宙局”系统非常多，有100多个业务系统，而每个系统里关于法人的一些状态——经营状态、注册状态、企业有效期——都不统一，每个部门的认知都不一样。
要做的是三件事：让每个部门、每个业务系统、每个处室行业术语统一、数据字典口径统一，并在业务上形成一致性表达。同时，针对食品、药品、医疗器械、特种设备等不同业务做专项深耕，去了解业务，制定业务所需的规则，沿着可持续的业务链做好业务检验，保证业务价值。
这也是“数据治理是一项专业的活，专业的人干专业的事”这个路径的由来。
八、项目嵌入：标准前置与源头贯标
再往下想一层：如果业务系统从一开始就没有问题，是不是就不需要治理了？这就是项目嵌入要解决的问题——业务系统生产环节的质量。
这里的关键是标准前置。但前置有一个前提问题必须先说清楚：到底要前置什么标准？什么标准对它是可用的？什么业务对它是有效的？
只拿一个国标、一个行标、一个地标说“你遵循这个”，业务开发人员是不懂的。必须用专业领域的知识结合当下实际场景，让标准真正落地，并在形成可行性方案之前就能预判后面的情况。同时，在项目试运行和验收环节做好关键节点的把控——从过去只验功能，变成验功能、验数据双验。
江阴有几个案例很典型：教育局一直做入学资格审核，但业务源头那边一直没改，结果中间库的数据改了，业务源头没改，这个业务问题就一直在产生；水务局的登记系统，数据在前端没有做好校验，重复不断的问题也一直存在。
经过项目嵌入，100余张数据资源表、约30多个系统全部实现了源头修改——源头贯标是真真切切落到了实处。现在他们已经在管理制度里，把源端校验工作列为系统验收的要求，而不只是停在纸面上。
这个过程里还借用了AI和本体的方法，把数据标准、数据业务抽象成元标准和元模型，后续遇到同样的场景、同样的行业，可以开箱即用。
九、工具支撑：一个门户、三个引擎、一个平台、四类知识库
工欲善其事，必先利其器。数据质量闭环管理的工具叫“1314”——谐音“一生一世”。数据治理人每天上班，可以先问自己一句：今天你做数据治理了吗？
工具的结构是：
· 1个门户：数据质量运营门户
· 3个智能化引擎：借助AI构建
· 1个平台：第三方质量管理监测平台
· 4类知识库：标准库、规则库、问题库、案例库
其中比较重要的是运营门户。很多人理解的数据治理，是给一个小屋子、配几台电脑、叫几个人，然后几个人在后面苦干，也不知道能干出什么。运营门户要做的，是把大家干的工作都通过一个门户体现出来，把各部门的情况通过质量晾晒页面呈现出来，让每个人每天都能看到自己的数据质量提升了一点点——这对用数单位、供数单位都有影响。
同时，问题发现、问题派发、问题修复、问题稽核、问题评估的全流程，都贯穿在这个门户里。
十、数据质量成熟的五个阶段
结合DCMM数据管理成熟度和DAMA的知识体系，龙石也沉淀了自己的数据质量成熟度曲线，分为五个阶段：被动响应、主动监测、闭环整改、源头预防、持续优化。
目前大多数的数据治理工作，仍然停留在阶段二到阶段三之间。这也是数据治理行业越干越难的原因——大多数还停在“遇到问题、解决问题”这个层面。
做完这套提炼，也希望更多团队把数据治理当成一项长期坚持的工作。每一次数据治理的投入，都是下一次用数更可靠的起点。
