当前，制造行业已从信息化进入到数字化、智能化的时代，工业大数据的价值在企业创新与变革 中日益受到重视。因此如何获得及时、可靠、准确的高质量数据是工业企业面临的一项重要工作。提升企业数据质量需要对企业数据进行治理，对数据 标准和质量的管理过程进行规范，这就要求企业基于国内外的相关标准和实践，建立数据治理体系和工具。

一、DCMM 数据管理成熟度模型

DCMM数据管理能力成熟度评估模型 (GB/T 36073-2018)是我国首个数据管理领域的国 家标准，由数据战略、数据治理、数据架构、数据 应用、数据安全、数据质量、数据标准和数据生存 周期 8 个能力域、28 个能力项、5 个能力成熟度等 级组成，其中的数据质量能力域是由数据质量需求、 数据质量检查、数据质量分析和数据质量提升 4 个 能力项构成数据质量管理的闭环。规范了数据从需 求、获取、存储、共享、维护、应用，至退役的生 命周期各个阶段质量问题的识别、度量、监控、预 警等一系列活动，为企业提高数据质量管理能力提 供了指导。

DCMM 贯标是提升数据治理能力的重要抓手。 2019 年 12 月，工业和信息化部委托中国电子信息 行业联合会牵头负责建立数据管理能力成熟度评估工作体系。截至 2023 年 2 月，中国电子信息行业联 合会已公示的获得 DCMM 等级证书的单位累计已有 900 多家，其中制造行业占比约 34%。

二、DCMM 的数据质量管理

DCMM 的数据质量管理能力域由数据质量需 求、数据质量检查、数据质量分析和数据质量提升 4 个能力项构成，是一个不断循环改进的过程。

DCMM 在数据质量管理能力域定义了 55 项能 力等级标准，企业可对照条款评估自身的数据管理 能力水平，明确提升的方向。

三、通过 DCMM 提升数据质量管理

DCMM 为数据治理提供了良好的模型支撑，工 业企业可通过对数据现状进行评估，结合 DCMM 模 型，形成符合自身特点的数据治理路径。在具体实 施中，企业可以从以下几方面落地。

(一)数据质量管理制度

在企业组织层面制定全面的数据质量管理制度，使数据质量管理各项活动有章可循，可从下面三个方面完善数据质量管理制度，并在执行过程中 根据实际情况不断修订和完善。

(二)数据质量管理团队

成立跨部门的复合型数据质量管理团队，明确各类数据管理人员及其相关职责 , 建立数据认责机制，明确数据所有者、治理者和使用者。建立统一的数据质量责任体系，明确数据质量责任人员考核的范围和目标。

(三)数据质量管理方法和工具

1. 费用效益分析:通过费用效益分析，梳理各 类数据的优先级和质量评价指标。

2. 质量问题评估方法:使用根本原因分析(Root Cause Analysis)方法，从四个方面(信息、技术、 流程、管理)进行结构化分析。

3. 使用工作模板:如数据质量需求模板、数据 质量规则模板、数据质量剖析模板、数据质量问题 模板、数据质量报告模板等。使用工作模板可以提 高团队工作能力和效率。

4. 完善元数据管理:定义数据质量需要元数据， 良好的元数据管理能为数据质量管理的采集、监控、 分析、改进，提供高效、有力的保障，同时好的数据质量管理也能促进元数据管理的持续改进。

5. 使用工具平台系统:在数据质量管理过程中使用自动化的工具平台，数据质量管理平台的基本功能应包括:数据质量规则设计、规则库管理、元数据管理、数据剖析、任务管理、异常数据分析、 数据质量报告。

6. 对设备感知数据的数据采集问题，采取针对性的质量控制方法，例如:使用新设备、升级通信协议、优化传输环境、使用特定算法进行数据补偿。

7. 持续改进:数据质量管理不是一劳永逸的工 作，企业一方面需要对使用中的数据质量进行定期 检查和校正，另一方面外部环境的变化和工业企业自身的进步(新产品、技改、市场拓展等), 也会对已有的数据质量标准提出更高的要求。因此，数据质量活动是一个持续不断的计划、检查、分析、提 升(PDCA)循环过程。

(四)数据质量文化建设

在数据质量管理过程中对产生的信息进行知识 总结，建立数据质量知识库，提升团队的数据质量管理能力;建立数据质量分析案例库，持续开展数据质量相关的培训和宣传，打造良好的组织数据质量文化氛围;参与行业交流，学习行业最佳实践。

四、结语

数据质量管理贯穿了数据生存周期的全过程， 是一项长期、持续改进的工作。DCMM 为数据质量管理提供了良好的模型支撑和过程指引，工业企业可参照 DCMM模型，对数据生存周期每个阶段可能出现的质量问题进行识别、度量、监控和预警等一系列管理活动，建立持续改进的数据质量管理体系。

作者：广州赛宝认证中心服务有限公司 熊闪青