數據質量監控可以分為數據質量的事前預防控制、事中過程控制和事后監督控制：
事前預防控制
建立
數據標準化模型，對每個數據元素的業務描述、數據結構、業務規則、質量規則、管理規則、采集規則進行清晰的定義，以上的數據質量的校驗規則、采集規則本身也是一種數據，在元數據中定義。面對龐大的數據種類和結構，如果沒有元數據來描述這些數據，使用者無法準確地獲取所需信息。正是通過元數據，使得數據才可以被理解、使用，才會產生價值。構建數據分類和編碼體系，形成企業數據資源目錄，讓用戶能夠輕松地查找和定位到相關的數據。實踐告訴我們做好
元數據管理，是預防數據質量問題的基礎。
數據質量問題的預防控制最有效的方法就是找出發生數據質量問題的根本原因并采取相關的策略進行解決。
1）確定根本原因：確定引起數據質量問題的相關因素，并區分它們的優先次序，以及為解決這些問題形成具體的建議。
2）制定和實施改進方案：最終確定關于行動的具體建議和措施，基于這些建議制定并且執行提高方案，預防未來數據質量問題的發生。
事中過程控制
事中數據質量的控制，即在數據的維護和使用過程中去監控和處理數據質量。通過建立數據質量的流程化控制體系，對數據的新建、變更、采集、加工、裝載、應用等各個環節進行流程化控制。數據質量的過程控制，要做好兩個強化：
（1）強化數據的標準化生產，從數據的源頭控制好數據質量，該過程可以采用系統自動化校驗和人工干預審核相結合的方式進行管理，數據的新增和變更一方面通過系統進行數據校驗，對于不符合質量規則的數據不允許保持，另一方面采集流程驅動的數據管理模式，數據的新增和變更操作都需要人工進行審核，只有審核通過才能生效。
（2）強化數據質量預警機制，對于數據質量邊界模糊的數據采用數據質量預警機制。數據預警機制是對數據相似性和數據關聯性指標的重要控制方法。針對待管理的數據元素，配置數據相似性算法或數據關聯性算法，在數據新增、變更、處理、應用等環節調用預置的數據質量算法，進行相識度或關聯性分析，并給出
數據分析的結果。數據預警機制常用在業務活動的交易風險控制等場景。
事后監督控制
是不是我們最好了事前預防控制和事中過程控制，就不會再有數據質量問題的發生了？答案顯然是否定的。而事實上，不論我們做了多少預防措施、多嚴格的過程控制，總是還有數據質量問題的“漏網之魚”，你會發現只要是人為干預的過程，總會存在數據質量的問題。數據質量問題一旦產生就已經是“木已成舟”，為了避免或減低其對業務的影響，我們需要及時的發現它。這里，數據質量的事后監督控制就尤為重要了。
定期開展數據質量的檢查和清洗工作應作為企業數據質量治理的常態工作來抓。
1）設置數據質量規則。基于數據的元模型配置數據質量規則，即針對不同的數據對象，配置相應的數據質量指標，不限于：數據唯一性、數據準確性、數據完整性、數據一致性、數據關聯性、數據及時性等。
2）設置數據檢查任務。設置成手動執行或定期自動執行的系統任務，通過執行檢查任務對存量數據進行檢查，形成數據質量問題清單。
3）出具數據質量問題報告。根據數據質量問題清單匯總形成數據質量報告，數據質量報告支持查詢、下載等操作。
4）制定和實施數據質量改進方案，進行數據質量問題的處理。
5）評估與考核。通過定期對系統開展全面的數據質量狀況評估，從問題率、解決率、解決時效等方面建立評價指標進行整改評估，根據整改優化結果，進行適當的績效考核。
數據治理的“常態化”才是數據質量問題的最好解決方式，而要實現常態化治理就需要改變原來的企業組織形式、管理流程、轉變觀念，以適應這種變化。數據治理的“常態化”要經得起折騰，所以千萬不能老做些重新發明輪子的亊情！
（部分內容來源網絡，如有侵權請聯系刪除）
