数据质量管理的10个最佳实践

导读：

数据质量管理是所有数据类项目重点关注的领域，本文介绍了10条关于做好数据质量管理的建议。

数据质量管理需要不断地对数据进行反复“打磨”，循环迭代，将数据治理“常态化”。对于数据项目，应该回归到其本质上来，不断提高数据质量，提升数据价值。

01确定业务目标

医疗机构的数据治理是为了支持业务和管理目标的实现。提升数据质量的主要目的是推动业务发展：

第一，将医院的业务目标映射到数据质量管理计划中来。

第二，让医务人员深度参与、主导数据质量管理，作为数据使用者可以更好地定义数据质量参数。

第三，将业务问题定义清楚，分析其数据质量问题的根本原因，制定出更合理的解决方案。

02评估数据质量

数据质量评估，可以了解数据问题如何影响业务流程。从相关数据源提取数据，围绕已定义的业务需求，设计数据评估维度并利用相关工具完成评估，将数据质量评估结果以图表或报告形式准确的表达出来，使管理人员和相关业务人员能够直观、清晰地了解数据质量情况，为医院运营管理持续优化提供决策支持。

第一，评估数据质量，以数据质量问题对业务的影响分析为指导，清楚的定义出待评估数据的范围和优先级等重要参数。

第二，采用自上而下和自下而上相结合的策略识别数据中的异常问题。自上而下是以业务目标为出发点，对待评估的数据集进行评估和衡量。自下而上是基于数据概要分析，识别数据问题并将其映射到对业务目标的潜在影响。

第三，形成数据治理评估报告，通过报告清楚列出数据质量的评估结果，推动数据质量改进行动。

从本质上讲，数据质量评估意味着对医院的数据环境进行全面普查，以便能够确定其环境中的数据质量问题，并识别数据质量问题对业务目标的影响程度。它为数据质量改进计划和衡量后续改进的结果，提供了一个重要的参考。

03分析根本原因

做好数据质量的管理，应抓住关键因素，设置质量管理点或质量控制点，从数据的源头解决数据质量问题。

对于数据质量问题采用量化管理机制，分等级和优先级进行管理，严重的数据质量问题或数据质量事件可以升级为故障，并对故障进行定义、等级划分、预置处理方案和Review。

量化的数据质量可以通过统计过程控制对数据质量进行监测。一旦发现异常值或数据质量突然恶化，需根据数据产生的逻辑找到其业务环节。在分析的过程中，追踪数据进行问题定位，确定问题的根本原因，达到治标又治本的效果。

04制定解决方案

医院数据质量的治理需要结合数据问题对实际的影响程度，制定管理解决方案。明确数据质量的改进目标，制定处理策略，并立即付诸行动。

数据质量管理是一个持续的过程，最佳时机就是“JUST DO IT！”

05控制数据质量

数据质量控制是在医院的数据环境中设置一道“防火墙”，以预防不良数据的发生。数据质量“防火墙”根据数据问题的根因分析和处理策略，在发生数据问题的入口点设置数据问题测量和监控程序，在数据环境的源头或上游进行数据问题防治，避免不良数据向下游传播并污染后续的存储，进而影响业务。

数据质量的测量和控制需要将目标集成到系统开发的生命周期中，将数据质量控制纳入业务流程，彻底遍历每个应用程序中的数据流并深入了解数据检查和控制程序的可能插入点，避免不良数据的发生。数据质量“防火墙”能够自动检测到数据问题并将其发送到原始数据源进行纠正，或在将其传递到应用环境之前进行纠正和调整，极大地减少了数据质量问题对后续业务的影响。

06纠正数据问题

有效的数据质量控制可以在很大程度上控制和预防不良数据的发生，但无法做到100%数据问题防治。因此，还需要定时进行数据清理和处理补救，以纠正现有的数据问题。

纠正数据问题涉及数据的生产方、使用方，需要数据环境中的前中后台共同开展数据纠错。数据质量管理方案要与特定业务目标紧密匹配，使各方对数据质量管理目标和纠正方案达成共识。

07组织体系保障

医疗机构需要建立一种文化，让大家认识到数据质量的重要性。建立数据质量管理组织体系并为相关人员分配角色：

数据治理委员会：为数据质量定下基调，制定有关数据基础架构和流程的决策。确保在整个范围内采用与数据质量相关的类似方法和政策，并在职能部门之间进行横向调整。数据治理委员会定期开会以定义新的数据质量目标，推动测量并分析各个业务部门内数据质量的状态。

数据分析师：负责数据问题的根因分析，为数据质量解决方案的制定提供决策依据。

数据管理员：负责数据资产管理，优化数据质量，例如，定期清理数据，删除重复数据或解决其他一些数据问题。

08质量考核体系

建立数据质量考核KPI，通过专项考核计分的方式对医院数据质量管理情况进行评估。以数据质量评估结果为依据，将问题数据归结分类，并按所在分类的权值进行量化。总结发生数据质量问题的规律，利用数据质量管理工具定期对数据进行监控和测量，及时发现存在的问题，并督促落实改正。

通过评价相关数据质量KPI水平，督促各方在日常工作中重视数据质量，在发现问题时能够追根溯源地主动解决。考核实行奖惩结合制，对于高水平的数据质量工作成果进行激励、表彰，提升医疗机构的数据质量管理意识。

09先进技术赋能

数据质量管理的速度需要与数据生成的速度相匹配才能保证数据干净、完整、可靠、一致。机器学习技术为数据质量管理提供了好的解决方案。

机器学习在数据质量管理中的应用包括：

更好的了解和量化数据质量；

更好的进行数据质量问题分析；

更好的数据匹配和删除重复数据；

更好的丰富医疗机构的数据。

数据管理系统中的机器学习功能不断提高数据质量，以确保医疗机构可以使用准确一致的数据。

10在数据生命周期中关注数据质量

数据的生命周期从数据规划开始，包括设计、创建、处理、部署、应用、监控、存档、销毁等不断循环的过程。数据质量管理应贯穿数据生命周期全过程。

数据规划：不断完善数据模型的规划，把数据质量管理融入到战略中，建立数据治理体系。

数据设计：推动数据标准化制定并贯彻执行，根据标准化要求统一建模管理、统一数据分类、数据编码、数据存储结构，为数据的集成、交换、共享、应用奠定基础。

数据创建：利用数据模型保证数据结构完整、一致，执行数据标准、规范数据维护过程，加入数据质量检查，从源头系统保证数据的正确性、完整性、唯一性。

数据使用：利用元数据监控数据使用、利用数据标准保证数据正确、数据质量检查加工正确。元数据提供各系统统一的数据模型，监控数据的来源去向，提供全息的数据地图支持；从技术、管理、业务三个方面进行规范，严格执行数据标准，保证医疗机构数据的规范化、标准化。