数据质量管理简介
数据质量管理是一个持续性的管理动作，有些人在做数据质量管理的时候会陷入一步到位的误区，想要通过一个工具、平台，或者一套质检规则就完成整体的数据质量管理，而实际数据质量管理从数据接入的那一刻就需要介入干预，到最后数据在场景中展示，均需要定期质检。因为数据本身就是流动可持续更新的，且经过数仓分层之后，中间的环节均需要埋入检测点位，这样对于数据质量才有了初步保障。
“数据质量管理是对数据从计划、获取、存储、共享、维护、应用、消亡生命周期的每个阶段里可能引发的数据质量问题，进行识别、度量、监控、预警等一系列管理活动，并通过改善和提高组织的管理水平使得数据质量获得进一步提高。数据质量管理的终极目标是通过可靠的数据提升数据在使用中的价值，并最终为企业赢得经济效益。”
“数据质量管理不单纯是一个概念，也不单纯是一项技术、也不单纯是一个系统，更不单纯是一套管理流程，数据质量管理是一个集方法论、技术、业务和管理为一体的解决方案。通过有效的数据质量控制手段，进行数据的管理和控制，消除数据质量问题进而提升企业数据变现的能力。在数据治理过程中，一切业务、技术和管理活动都围绕这个目标和开展”。
石老师在本篇文章中对于数据质量的影响因素和需要配套的制度管理和支撑工具都讲的比较清晰，各位感兴趣可以查看文章详情。数据治理系列5：浅谈数据质量管理
规范性--数据符合数据标准、数据模型、业务规则、元数据或权威参考数据的程度；
本章开始，我们逐一讲解每一个指标在实操过程中怎么去落到数据生产和使用环节，并且形成量化的指标，最后形成质量报告；
今天重点讲解定性指标规范性怎么进行数据监测和指标量化
官方定义：规范性是指数据符合数据标准、数据模型、业务规则、元数据或权威参考数据的程度；
数据质量管理依据：在实际落地过程中，数据标准、业务规则、权威参考数据的程度三类分别散落在数据治理过程中的治理规则和在数据资源设计之初的数据资产建设手册中。
数据标准、业务规则
数据监测方法：其中「数据标准、业务规则」可以在输出数据治理规则的同时输出反向质检语句，当语句中出现查询结果时则意味着规范性不满足100%；
量化标准：规范性的量化标准既可以按照数据集的记录数占比作为分数，也可以按照查询结果数据记录数分级作为赋分依据；
方法二：第一步需要识别数据等级，按照字段维度识别出核心数据、重要数据、一般数据，并基于不同的等级给出不同的判断依据，比如核心数据不符合记录数超过100条，则赋分99分，核心数据不符合记录数超过1000条，则赋分90分，重要数据不符合记录数超过1000条，则赋分99分，一般数据不符合记录数超过10000条，则赋分99分等；
权威参考数据
权威参考数据的程度则是需要作为数据质量管理的事前监督，在设计这类业务数据的时候就需要给出参考依据和估算参考比例；
