数据质量管理
做好数据质量管理工作
做好数据质量管理工作
要做好数据质量管理工作，可以从以下几个方面入手：
1. 确保数据准确性：对数据进行严格的录入、存储和传输控制，以避免数据错误或丢失。
同时，建立数据验证和校对机制，及时发现和纠正错误数据。
2. 保证数据完整性：确保数据的完整性，避免数据丢失或篡改。
可以采取数据备份措施、数据加密机制以及访问权限控制等方式来保障数据安全。
3. 维护数据一致性：当数据在多个系统之间传输或共享时，需要确保数据的一致性。
可以通过数据同步和数据一致性检查等方式来实现。
4. 提高数据可靠性：建立数据采集和整理的规范流程，确保采集的数据来源可信，并对数据进行清洗和处理，提高数据的质量和可信度。
5. 监控和分析数据质量：建立数据质量监控机制，及时发现数据质量问题，并对数据进行分析和评估，为后续的数据决策提供可信的依据。
6. 建立数据质量管理体系：制定相关的数据质量管理政策和流程，建立数据质量管理团队，明确各个岗位的职责和权限，形成规范化的数据质量管理体系。
总之，数据质量管理需要全面考虑数据的准确性、完整性、一致性和可靠性，整合管理策略和技术手段，确保数据质量符合要求，并为企业决策提供有力支持。
数据质量管理
数据质量管理数据质量管理是指通过一系列的管理措施和技术手段，保证数据的准确性、完整性、一致性和可靠性，以提高数据的价值和可信度。
在数据质量管理中，需要进行数据的收集、整理、存储、分析和应用等环节的管理，以确保数据在整个生命周期中的质量得到有效的保障。
一、数据质量管理的重要性数据质量管理对于企业的决策和运营具有重要的意义。
良好的数据质量可以提高决策的准确性和效率，降低决策的风险。
同时，数据质量管理还可以提高企业的运营效率和管理水平，增强企业的竞争力。
二、数据质量管理的原则1. 准确性原则：数据应该准确地反映现实情况，不应存在错误或误差。
2. 完整性原则：数据应该包含完整的信息，不应有遗漏或缺失。
3. 一致性原则：数据应该在不同的系统、环境和时间下保持一致。
4. 可靠性原则：数据应该可靠地支持决策和分析，能够被信任和依赖。
5. 可用性原则：数据应该易于访问、获取和使用，不应存在障碍或限制。
6. 及时性原则：数据应该在需要时及时提供，不应存在延迟或滞后。
三、数据质量管理的流程1. 数据需求分析：根据业务需求和决策需求，确定需要收集和管理的数据类型和范围。
2. 数据收集与录入：通过各种途径和方式，收集和录入数据，包括手工录入、自动采集和数据交换等。
3. 数据清洗与整理：对收集到的数据进行清洗和整理，包括去除重复数据、填充缺失数据、修正错误数据等。
4. 数据存储与管理：将清洗和整理后的数据存储到数据库或数据仓库中，并进行合理的管理和维护。
5. 数据分析与挖掘：利用数据分析工具和技术，对存储的数据进行分析和挖掘，发现其中的规律和价值。
6. 数据监控与评估：建立数据质量监控体系，对数据进行实时监控和评估，及时发现和解决数据质量问题。
7. 数据质量改进：根据监控和评估结果，采取相应的措施和方法，改进数据质量，提高数据价值和可信度。
四、数据质量管理的关键技术1. 数据清洗技术：包括数据去重、数据填充、数据纠错等技术，用于清洗和修正数据中的错误和异常。
数据质量管理制度
数据质量管理制度数据质量管理制度是指在组织内建立一套规范和流程，以确保数据的准确性、完整性、一致性和可靠性。
这个制度涵盖了数据采集、存储、处理和使用的各个环节，旨在提高数据质量，保障数据在决策和业务运营中的可信度和有效性。
一、引言数据质量管理制度是为了满足组织对高质量数据的需求而制定的，它的目标是确保数据的准确性、完整性、一致性和可靠性，以支持组织的决策和业务运营。
二、数据质量管理的基本原则1. 数据质量是全体员工的责任，需要建立全员参预的数据质量意识。
2. 数据质量管理需要持续改进，不断提高数据质量水平。
3. 数据质量管理需要与组织的战略目标和业务需求相一致。
4. 数据质量管理需要建立明确的责任和权限，确保责任到人。
三、数据质量管理的流程1. 数据采集- 确定数据采集的目的和需求。
- 设计数据采集的方法和工具。
- 建立数据采集的规范和标准。
- 进行数据采集，并记录数据采集过程中的相关信息。
2. 数据存储- 确定数据存储的方式和位置。
- 建立数据存储的规范和标准。
- 确保数据存储的安全性和可靠性。
- 建立数据备份和恢复机制。
3. 数据处理- 确定数据处理的流程和方法。
- 建立数据处理的规范和标准。
- 进行数据清洗、整合、分析和转换。
- 确保数据处理的准确性和一致性。
4. 数据使用- 确定数据使用的目的和需求。
- 建立数据使用的规范和标准。
- 提供数据访问和共享的机制。
- 监控数据使用的情况和效果。
四、数据质量管理的控制措施1. 数据质量评估- 定期对数据进行质量评估。
- 确定数据质量评估的指标和方法。
- 分析评估结果，找出数据质量问题的原因。
- 制定改进措施，提高数据质量水平。
2. 数据质量监控- 建立数据质量监控的机制和指标体系。
- 监控数据质量的关键指标和异常情况。
- 及时发现和处理数据质量问题。
- 不断改进监控机制，提高数据质量管理效果。
3. 数据质量培训- 开展数据质量培训，提高员工的数据质量意识和能力。
数据质量管理(DQC)
数据质量管理(DQC)数据质量管理（DQC）数据质量管理（Data Quality Management，简称DQC）是指通过一系列的策略、工具和方法，确保数据在整个生命周期中的完整性、一致性、准确性和实用性的过程。
随着大数据时代的到来，数据质量管理越来越受到重视。
本文将探讨数据质量管理的概念、重要性以及一些常用的数据质量管理方法。
一、概念数据质量管理是指通过对数据进行规范化、清洗和维护，以确保数据的准确性、可靠性和完整性，从而提高数据的价值和可信度。
数据质量管理不仅仅关注数据的正确性，还注重数据的及时性、一致性和可用性。
通过数据质量管理，我们可以更好地理解数据，提高决策的准确性，降低数据管理的风险。
二、重要性数据质量管理对于组织和企业来说至关重要。
一方面，高质量的数据能够提供可靠的决策依据，帮助组织做出正确的战略决策和商业决策。
另一方面，低质量的数据可能会给企业带来严重的后果，如财务错误、客户不满、市场失真等。
因此，数据质量管理不仅仅是一项技术工作，更是企业运营和管理的基础。
三、数据质量管理方法1. 数据清洗：数据清洗是数据质量管理的基础步骤，通过识别、纠正和删除数据中的错误、重复、不一致等问题，以保证数据的准确性和一致性。
常用的数据清洗方法包括数据审查、去除重复值、纠正错误数据等。
2. 数据验证：数据验证是确保数据符合预定规范和标准的过程。
通过数据验证，可以验证数据的完整性、格式正确性、范围有效性等。
常见的数据验证方法包括数据格式验证、数据逻辑验证和数据范围验证等。
3. 数据监控：数据监控是指实时或定期对数据进行检查和监控，以及对异常数据进行及时处理的过程。
通过数据监控，可以提前发现并解决数据质量问题，保证数据的即时性和可靠性。
常用的数据监控方法包括数据报表生成、数据可视化和异常数据检测等。
4. 数据治理：数据治理是指通过制定规范、管理流程和角色职责，确保数据质量的持续改进和管理。
数据治理包括数据策略制定、数据安全管理、数据质量指标定义等。
数据质量管理办法(2023年版)
附件数据质量管理办法（2023年版）第一章总则第一条为规范（以下简称“本行”）数据质量管理，持续优化数据质量，有力支持业务经营管理和分析决策，提升本行数据资产的业务价值，根据《数据治理管理办法》，结合工作实际，制定本办法。
第二条本办法所称数据质量是指数据具备准确性、完整性、及时性、一致性、唯一性、关联性、有效性等。
具体含义如下：（一）准确性：指数据是否能够真实、正确、精准地反映实际情况，符合数据标准，包括对象、事件、属性（业务属性和管控属性）等。
（二）完整性：指数据是否全面地、持续地被采集、加工及存储，可将已存储数据量与潜在（应采未采）数据量视作衡量指标之一。
（三）及时性：指数据是否能够在要求时间内获取。
（四）一致性：指同一数据的内容与形式的一致程度，包括但不限于其类型、属性（技术属性）、格式等，是否具有一致定义与含义。
（五）唯一性：指数据在特定数据集中不存在重复值。
（六）关联性：指数据是否具有明确关联关系且关联关系被准确定义。
（七）有效性：指数据能够符合值域要求，满足实际使用需要。
第三条数据质量管理原则：（一）统一规范，源头管理。
各项数据遵循数据标准进行统一规范管理，确保分类与属性清晰准确。
数据质量问题采用溯源定位方式，从根源上解决问题，特别是在数据采集、录入等初始环节及源系统管理方面。
（二）全程监控，聚焦重点。
建立数据全生命周期监控体系，从采集、加工、存储、维护，到提取、审核、应用进行全方位管理。
有效识别关键数据、异动数据等重大情况，确保数据质量问题及时发现并迅速处理。
（三）严肃考核，持续改进。
建立数据质量考核评价体系，将考核结果纳入全行考核评价体系。
通过运用管理工具、现场检查等手段，对数据质量进行监测，督促问题及时反馈、纠正，通过持续跟踪评价，最终实现数据质量不断提升。
第四条数据质量管理主要内容包括问题发现、分析、修复，管理工具建设与维护，考核与评价等内容。
第五条监管统计报送数据作为本行数据质量管理重点领域。
数据质量管理
数据质量管理数据质量管理是一种针对数据的完整性、准确性、一致性和可靠性进行管理和维护的过程。
它涉及到数据采集、存储、处理和分析的各个环节，旨在保证数据的高质量，从而支持组织的决策和业务运营。
数据质量管理的重要性数据质量管理对于任何组织来说都至关重要。
高质量的数据能够提供准确的信息，支持决策制定和业务发展。
而低质量的数据可能导致错误的决策和业务风险。
因此，数据质量管理成为组织在数字化时代中取得成功的关键因素之一。
数据质量管理的步骤1. 数据收集和录入在数据质量管理的过程中，首先需要收集和录入数据。
这包括从各个渠道获取数据，如传感器、数据库、文件等。
在数据录入过程中，应该确保数据的准确性和完整性，避免数据丢失或错误。
2. 数据清洗和去重数据清洗是指对数据进行筛选、过滤和校验，以确保数据的准确性和一致性。
在数据清洗过程中，需要识别并删除重复、缺失或错误的数据。
这可以通过使用数据清洗工具和算法来实现。
3. 数据转换和整合在数据质量管理中，通常需要将来自不同源头的数据进行整合和转换，以便于分析和使用。
数据转换和整合可以通过数据集成工具和技术来实现，如ETL（抽取、转换、加载）工具。
4. 数据分析和验证数据分析是数据质量管理的重要环节，它涉及对数据进行统计、分析和验证。
通过数据分析，可以发现数据中的异常、错误和不一致之处，并采取相应的措施进行修复和改进。
5. 数据监控和维护数据质量管理不仅是一次性的过程，还需要进行持续的监控和维护。
这包括定期检查数据的准确性、完整性和一致性，以及及时修复和处理数据质量问题。
数据质量管理的指标和评估为了衡量数据质量管理的效果，可以使用一些指标和评估方法。
常见的数据质量指标包括数据准确性、完整性、一致性、时效性和可靠性等。
评估数据质量可以通过数据抽样、统计分析和用户反馈等方式进行。
数据质量管理的好处有效的数据质量管理可以带来许多好处，包括：1. 提高决策的准确性：高质量的数据可以提供准确的信息，帮助决策者做出正确的决策。
数据质量管理
数据质量管理引言概述：数据质量管理是指对数据进行规划、监控和维护，以确保数据的准确性、完整性、一致性和及时性。
在当今信息化时代，数据质量管理对于企业的决策和业务运营至关重要。
本文将从数据质量管理的定义、重要性、挑战、策略和工具等五个方面进行详细阐述。
一、数据质量管理的定义1.1 数据质量：数据质量是指数据的准确性、完整性、一致性和及时性。
准确性表示数据是否准确反映了真实情况；完整性表示数据是否完整无缺漏；一致性表示数据是否在不同系统和环境中保持一致；及时性表示数据是否及时更新。
1.2 数据质量管理：数据质量管理是指通过制定数据质量标准、建立数据质量管理流程和采用合适的工具和技术，对数据进行监控、评估和改进，以确保数据的质量达到预期目标。
二、数据质量管理的重要性2.1 决策支持：高质量的数据可以提供准确的信息，帮助企业做出正确的决策。
无论是战略决策还是日常运营决策，都需要依赖可信赖的数据。
2.2 业务运营：数据质量直接影响企业的业务运营效率和成本。
如果数据质量低下，会导致错误的业务决策、低效的业务流程和增加的人力成本。
2.3 客户满意度：高质量的数据可以提高客户满意度。
准确、完整和一致的数据可以确保客户信息的正确性和及时性，从而提供更好的客户服务和体验。
三、数据质量管理的挑战3.1 数据来源：数据质量问题往往源于数据的来源。
不同数据来源的数据格式、结构和质量标准可能存在差异，需要进行有效的数据清洗和整合。
3.2 数据质量评估：评估数据质量需要明确的指标和评估方法。
如何选择合适的指标和方法，并进行有效的数据质量评估，是一个具有挑战性的任务。
3.3 数据质量维护：数据质量维护需要建立完善的数据质量管理流程和机制。
如何及时发现和解决数据质量问题，并确保数据质量的持续改进，是一个长期且复杂的过程。
四、数据质量管理的策略4.1 数据质量标准：制定明确的数据质量标准是数据质量管理的基础。
数据质量标准应包括数据的准确性、完整性、一致性和及时性等方面的要求，并与业务需求和数据治理策略相一致。
数据质量管理
数据质量管理引言概述：数据质量管理是指对数据进行有效、准确、完整、一致和可靠地管理和维护的过程。
在当今信息化时代，数据作为企业最重要的资产之一，其质量直接影响到企业的决策和运营效率。
因此，数据质量管理变得至关重要。
本文将从数据质量管理的概念、重要性、影响因素、管理方法和未来发展等方面进行详细阐述。
一、数据质量管理的概念1.1 数据质量管理的定义数据质量管理是指通过一系列的策略、流程和技术手段，确保数据在采集、存储、处理和分发的过程中保持高质量的管理和控制。
1.2 数据质量管理的目标数据质量管理的最终目标是确保数据的准确性、完整性、一致性、及时性和可靠性，以支持企业的决策和业务运营。
1.3 数据质量管理的重要性数据质量管理对企业的价值和竞争力至关重要，惟独确保数据质量，企业才干更好地利用数据进行决策和创新。
二、数据质量管理的影响因素2.1 数据采集数据质量管理的第一步是确保数据的准确采集，包括数据来源的可靠性、数据采集工具的有效性等。
2.2 数据存储数据存储的方式和结构对数据质量有着直接的影响，包括数据的完整性、一致性和可靠性等。
2.3 数据处理数据处理过程中的算法和逻辑也会影响数据的质量，需要确保数据处理的准确性和一致性。
三、数据质量管理的管理方法3.1 数据质量评估通过数据质量评估工具和方法，对数据进行定量和定性的评估，发现数据质量问题并提出改进措施。
3.2 数据质量监控建立数据质量监控机制，定期监测数据的质量指标，及时发现和处理数据质量问题。
3.3 数据质量改进根据数据质量评估和监控结果，制定数据质量改进计划，持续改进数据质量管理的流程和方法。
四、数据质量管理的未来发展4.1 自动化技术随着人工智能和大数据技术的发展，数据质量管理将更多地采用自动化和智能化技术，提高数据质量管理的效率和准确性。
4.2 数据管理数据管理将成为数据质量管理的重要组成部份，通过建立数据管理框架和机制，实现对数据的全面管理和控制。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
数据质量管理产品价值
完善的质量问题解
决共享机制，实现 数据质量的闭环管
5
理
1
完整检核标准梳理方法及 指标规则模板
价值
自动化的检核处
2
理及问题通知机 制，达到无人职
守
规范的问题管理流程及
制度，精确管理问题每
4
个阶段
3
提供全面的数据分析 机制，加速问题解决
数据质量产品逻辑架构
• 解决问题： 质量问题分析
• 归纳问题： 问题管理流程
数据质量产品功能简介
——数据质量检核指标
• 数据质量系统依照数据质量的八大要素量规范了6种数据质量问题的 检核规则，其中包括：非空检查、唯一检查、主外检查、长度检查、 代码检查以及一致性检查
• 数据质量系统支持自定义规则对系统中业务性规则进行检核
8.发现及 纠正当 前数据 错误
9.实施监 督控制
10.沟通行动和结果
数据质量管理关键点
• 制定规范的数据质量度量标准 • 建立有效的数据质量监管体系 • 建立完善的数据质量管理制度 • 高质量的数据来源于数据标准、数
据分析、检验以及管理制度的综合 作用
11
场景分析：唯一性校验
• 存在问题 – 某ODS系统中，对私客户主题中的客户信息不允许重复，客户身份证号 字段可以作为客户唯一的标识，为了保证系统中客户信息的正确，需要 对系统中客户基本信息表增加唯一性校验。
权 限 集 成
数 据 访 问
二 次 开 发
存
规则库
储
检核结果库
知识库
运行状态库
数据质量产品技术架构
展
现 层
JavaScript & Ajax Flash JSP/HTML
Jason
XML
JSF HTML
接口服务层
业务应用层
逻 辑 层 业务组件层
技术组件层
持 久 层
元数据业务应用
数据质量业务应用
数据标准业务应用
制
度
度执行
培训
培训制度
培训计 划
培训内 容
培训资 金
培训时 间
管理
责任心
责任人 工作优 目标 先级
管理问题域
优先级高 优先级中 优先级低
数据质量管理概述
——数据质量度量规则
指数据刷新、修改和 提取等操作的及时性 和快速性
及时性
完整性
主要包括实体不缺失、属 性不缺失、记录不缺失和 字段值不缺失四个方面
数据质量管理产品简介
数据质量管理产品特性 数据质量产品价值 数据质量产品逻辑架构 数据质量产品技术架构 数据质量产品功能简介
数据质量管理产品特性
• 基于元数据的知识库共享设计 • 灵活的检核模块的配置、支持灵活扩展 • 支持检核主流数据库系统 • 提供丰富的系统接口 • 较强的检核问题与知识库管理 • 丰富的前端界面展现：系统前端采用Ajax、Flex技术，能够灵活的
数据质量产品功能简介
——数据质量检核
数据质量产品功能简介
——质量问题告警
• 质量问题告警是系统提高了数据质量问题的时效性 以及数据管理人员对问题数据的响应速度。
数据质量产品功能简介
——质量问题分析
• 质量问题分析通过图形、图表界面，快速定位问题 产生的原因以及历史趋势，为数据管理人员解决数 据质量问题提供辅助
• 解决方案 – 数据质量管理系统中提供了规范的主外键校验规则来检核系统中数据关 联关系不对应的问题。通过对系统中主表定义主外键校验规则并关联对 应外键字段的附表及字段，得到系统关系中不对应的问题数量及主表中 的问题记录显示字段明细。
场景分析：拉链表交叉链、断链校验
• 存在问题 – 某ODS系统中，为保证拉链表数据结构正确，需要对表增加拉链表交叉 链和断链校验。
• 解决方案 – 数据质量管理系统中提供了规范的唯一性校验规则来检核系统中数据唯 一性问题，通过对系统中某个表中的一个或者多个联合字段进行唯一检 查，得到该表中不唯一记录的数量及记录显示字段明细。
场景分析：一致性校验
• 存在问题 – 某ODS系统中，发现ETL过程后对公活期表在ODM层与FDM层的记录数 不一致，为保证系统ETL过程运行正确，需要对系统中对公活期表数据由 ODM层至FDM层过程增加一致性校验。
检核指标管理
技术指标–表级指标–完整性指标-基本信息
检核指标管理
技术指标–表级指标–完整性指标–检核目标
检核指标管理
技术指标–检核目标-添加管理部门
检核指标管理
技术指标–系统指标
检核指标管理
技术指标–系统指标-新增指标-选择检核表
检核指标管理
技术指标–系统指标-新增指标-输入SQL条件
检核指标管理
数据质量管理概述
——数据质量管理策略
质量问题报警
质量检核运行
质量问题分析
数据质量指标
数据质量
问题管理流程
管理策略
数据质量管理方法论
数据质量 提升周期
评估
10步流程
1.定义业 务需求 和方法
2.分析信 息环境
3.评估数 据质量
4.评估业 务影响
认知
5.识别根 本原因
6.制定提 升方案
行动
7.预防未 来数据 错误
平台孤岛 安全管理
业务系统数据变化周期 变化频度
技术元数据
数据维护 数据维护
人为调整 数据流程
变更维 数据测 错误数据维
护流程 试流程 护流程 数据清洗
流程
调度流 程
数据使用
稽核流程
数据创建
稽核传递
流程问题域
数据加 载流程
实体数据刷新周期
数据质量问题
数据装载
数据转 换流程
激励
反馈渠道 反馈机 奖惩制 奖惩制
检核指标管理
• 指标定义主要功能： – 基本信息：提供指标名、指标说明、执行频率、调度方式等信息输入等 功能 – 检核目标：提供指标的检核目标、管理部门、自定义SQL等操作等功能
• 指标修改功能: – 提供指标基本信息、管理部门等的日常维护功能
• 删除指标 – 删除不再需要的指标
检核指标管理
技术指标–表级指标
• 解决方案 – 为进行系统业务的平衡性校验，可使用数据质量系统中一致性校验规则 进行检测，通过对FDM层总账科目余额与SDM层明细科目汇总余额字段 设置一致性SUM校验规则，得到过程中数据差额。
目录
• 数据质量管理概述 • 数据质量问题解决之道 • 数据质量管理产品简介 • 产品实施案例及场景分享
• 解决方案 – 为进行系统中拉链表交叉链、断链检验，数据质量系统提供自定义校验 规则进行检测，通对表定义自定义查询语句，得到存在交叉链、断链的 记录数。
产品实施案例及场景分享
——场景分析：业务平衡性校验
• 存在问题 – 某ODS系统中，发现ETL过程后存在FDM层总账科目余额与SDM层明细 科目汇总余额不一致，为保证系统业务规则运行正确，需要在系统增加 相关业务的平衡校验。
检核问题管理 • 检核问题列表：
46
检核问题管理 • 问题明细列表：
47
检核问题管理 • 转入知识库
48
检核问题管理 • 血统分析：
49
数据质量分析
• 系统提供对数据质量检核出的结果进行的数据分布 式分析。包括查询指标、查看趋势分析视图及下载 质量报告等功能
• 功能主要包括以下部分：
– 指标趋势分析：提供对单指标所检核出的结果进行数据趋势分析 – 单表数据分析：提供对数据质量检核出的结果以单表进行数据趋势分析 – 数据质量报告：对指定的检核数据生成数据质量检核报告(EXCEL格式) 并
唯一性
指主键唯一和候选键唯一 两个方面
主要包括格式、类型 和业务规则的有效性
合法性
一致性
指统一数据来源、统一存 储和统一数据口径
精确性
指计量误差、度量单位等 方面的精确程度
数据质量管理产品简介
——数据质量成熟度模型
阶段1 初始级
阶段2 定义级
阶段3 管理级
阶段4 优化级
通过数据库 进行数据管理
通过模型管理 进行数据管理
检核指标管理
• 检核指标管理提供唯一检查、非空检查、外键检查、代码检查、长度检查、 值域检查、一致性检查、自定义检查等检核指标的管理及综合查询
• 功能主要包括以下部分： – 指标设置按不同入口下设： • 表级指标：提供从检核目标（表及字段）定义、查询、修改、删除 检核指标 • 系统指标：提供从指标分类入口定义、查询、修改、删除检核指标 – 综合查询 • 提供按各种不同条件查询所有未删除指标
数据质量分析
应
单表数据分析
用
问题处理率
单指标趋势分析
数据质量问题定位 数据质量报告
检核指标管理
唯一性检核
功
能
值域检核
非空检核 代码检核
业务指标检核……
检核调度执行
指标自动调度 指标手工调度
检核执行
问题管理
检核问题管理 手工问题管理
问题通知
系管 统理
系统管理
系统日志
系统参数
密码维护
系统配置
权限管理
接口
传输技术 不可靠
数据传递
信息问题域
接口数据获取
取数时点
过程中失真 数据源不当 不同步
调度机制
数据加载算法
完整性 一致性 唯一性
数据清洗算法 数据转换算法
数据获取 展示周期
展示工具 展示方式
硬件平台 软件平台
度量 数据装载
业务元数据 准确性 合法性
元数据
数据使用
数据备份恢复