ThinkingAI Logo
返回博客列表

企业数据质量控制规范怎么写?内容要求与执行方法

数据质量控制规范是企业把数据质量要求落到检查规则、阈值、责任分工和问题闭环的内部文件。文章解释它的定义、常见构成、与数据标准和质量指标的区别,并给出判断规范是否可执行的方法。

2026-11-139分钟
企业数据质量控制规范怎么写?内容要求与执行方法

数据质量控制规范,是一份把“数据能不能用”变成可检查、可追责、可复核的组织文件。它通常规定数据质量的评价维度、检查规则、阈值、责任分工、异常处置和记录要求,让团队在同一套口径下判断数据是否合格,发现问题后知道由谁处理、处理到什么程度。

公开标准中更常见的是数据质量评价指标、数据质量管理规范等名称。企业所说的数据质量控制规范,通常是内部制定的技术与管理文件,也可能叫数据质量管理办法或数据质量规则手册。它会在 GB/T 36344-2018《信息技术 数据质量评价指标》和 ISO 8000-61:2016 等框架下,结合自身业务补充具体规则。

读完这篇文章,你可以判断一份规范是在讲原则,还是已经能指导实际检查与修复。

制定企业内部的数据质量控制规范,可以先选定关键数据及用途,再明确检查规则和合格要求,分配执行与复核责任,并约定异常处理、验证和留痕方式。规范应说明适用业务和数据范围;涉及特定行业时,还要分别核对该行业的适用要求,不能把其他行业的检查阈值直接搬来使用。

一、它到底规定什么

数据质量控制规范的核心工作,是把业务对数据的要求翻译成可验证的条件。

比如支付业务要求“订单金额和支付流水要对得上”。这句话本身无法执行。规范要把它写成:订单表的支付金额不能为空,必须大于 0;订单金额与支付流水金额的差异率不超过 0.1%;差异率超过 0.1% 但不超过 0.5% 时触发橙色告警;超过 0.5% 时触发红色告警并暂停相关报表发布。下面这组阈值只用于说明写法,不代表行业标准。

中国软件评测中心在介绍数据质量测评时,把常见问题归纳为数据多源、处理环节异常和流程设置不当三个方面。规范的价值,在于把这些分散的问题变成统一的判断依据和处理路径。

它和一次性数据清洗也不同。清洗解决的是某批已经发现的问题,规范解决的是以后按什么标准发现、由谁处理、怎样确认问题已经关闭。

这里讨论的是企业业务数据的内部控制规范。制定时,可以先用一条关键规则试运行,再扩展到更多数据。

  • 选定对象。写清业务用途、系统、数据表和需要检查的字段。
  • 约定条件。说明检查规则、允许偏差及判断依据。
  • 安排执行。确定检查时点、执行人,以及异常通知对象。
  • 约定处置。区分修复、暂缓使用和例外审批,写清各自条件。
  • 复核后发布。用样本验证规则和流程,保留批准、生效及变更记录。

一条规则可以先按下面的字段填写。它是内部文档的填写示例,不是行业统一模板。

字段填写示例
检查对象与用途支付订单与支付流水,用于核对报表金额
检查条件按已确认的订单标识、统计周期和金额口径比对
异常处理记录差异及影响范围,交给指定责任人核实
复核与留痕按原规则复查,保留结果、处理人及规则版本

实际阈值、时限和权限由业务要求及适用依据决定,不能因为示例中出现某种写法就直接照搬。

二、数据质量控制规范通常包含哪些内容?

不同企业的模板不一样,要让规范能被执行,通常会覆盖四类内容。

1. 质量维度与评价指标

国家标准 GB/T 36344-2018《信息技术 数据质量评价指标》给出六项常用指标。它们回答的是“从哪些角度看数据质量”。

维度判断什么例子
规范性数据是否符合数据标准、数据模型、业务规则或权威参考数据订单状态是否在允许的枚举值内
完整性按数据规则要求,数据元素是否被赋值订单号、支付时间是否缺失
准确性数据是否准确表示所描述真实对象的真实值用户年龄与实名信息是否一致
一致性数据与其他特定上下文中的数据是否矛盾订单表与支付流水金额是否对得上
时效性数据在时间变化中的正确程度报表能否在约定时间内更新
可访问性数据能否被访问有权限的分析师能否及时取到数据

六项指标不需要平均用力。结算类数据更看重准确性和一致性,实时运营更看重时效性,对外共享还要看规范性和可访问性。规范应写明当前业务优先保障哪几项,以及为什么。

2. 质量规则、阈值与严重级别

指标告诉团队看什么,规则告诉系统怎么判断。

一条可执行的规则,通常要写清六件事:检查对象、判断逻辑、阈值、严重级别、责任人和触发后的动作。检查对象要落到具体的系统、表、字段或指标;判断逻辑要能写成校验脚本、SQL 或人工核对步骤;阈值要有业务依据;严重级别决定告警方式;责任人决定谁来处理;触发后的动作决定问题是阻断、复核还是记录。

“数据要准确”不是规则。“订单金额与支付流水金额的差异率不超过 0.1%”才是规则。阈值可以来自业务容忍度、历史基线、合同约定或监管要求。没有基线时,先记录当前水平,再逐步收紧,避免一开始就设定无法达到的目标。

3. 职责、流程与问题闭环

数据质量问题很少只靠一个团队解决。规范要写明数据所有者、业务数据责任人、数据开发与运维、质量复核人各自做什么。

一条常见的闭环是:定义规则,执行校验或监控,触发告警,分派责任人,修复问题,复核结果,关闭问题,复盘原因。每一步都要有输入、输出和时限。比如橙色告警要求在 1 个工作日内响应,红色告警要求在 4 小时内响应并通知数据负责人。这里的时限是示例,企业应按业务影响设定。

规范还要写清升级路径。责任人未在时限内处理时,问题交给谁;跨系统问题由谁牵头;影响对外报表或监管报送时,是否需要暂停发布。没有升级路径,告警很容易停在聊天窗口里。

4. 记录、审计与变更

规范本身需要版本号、生效日期、审批人和变更记录。规则、阈值、责任人或适用范围发生变化时,要保留变更原因和影响范围。

执行记录同样重要。谁在什么时间跑了哪条规则,发现了多少条异常,问题如何修复,例外是谁批准的,都要能追溯。否则同一个指标在不同时间用了不同阈值,事后很难解释报表为什么变化。

三、它和数据标准、质量指标、数据治理有什么区别?

这几个概念经常被放在一起,边界可以用一张表看清。

对象主要回答的问题典型产出
数据标准数据应该长什么样字段定义、类型、值域、编码规则
数据质量评价指标从哪些维度衡量质量规范性、完整性、准确性等指标
数据质量控制规范怎么检查、谁来处理、何时关闭规则、阈值、流程、责任、记录
数据治理谁有权决定、如何长期管理组织、制度、决策机制、考核

数据标准是判断依据。 没有字段定义、值域和编码规则,质量规则就缺少“什么叫符合”的参照。

质量评价指标是测量框架。它告诉你从完整性、准确性等角度衡量,但不会自动告诉你某张表在什么条件下算不合格。

数据质量控制规范把标准和指标落到执行层。 它要回答的是:检查哪张表、用什么逻辑、超过多少算问题、谁来处理、多久关闭。

数据治理的范围更大。它决定数据归谁管、跨部门争议谁拍板、质量目标如何纳入考核。控制规范是治理体系中的一份执行文件,不能替代治理机制。

ISO 8000-61:2016 提供的是数据质量管理的过程参考模型,标准本身不覆盖实现这些过程结果的详细方法。企业规范要补的,正是适合自身业务的规则、阈值和处置办法。

四、怎样判断一份规范能不能执行?

看一份数据质量控制规范是否可用,可以检查五个地方。

第一,对象边界是否清楚。 规范要写明覆盖哪些业务域、系统、表和字段,不写“所有数据”这类无法落地的范围。第一批对象通常选影响资金、合规、核心报表或客户体验的数据。

第二,规则是否可验证。 每条规则都应该能写出校验脚本、SQL 或人工核对步骤,并给出明确的通过和不通过条件。只能写成“加强检查”的条款,无法验收。

第三,阈值是否有依据。 阈值要能追溯到业务容忍度、历史基线、合同或监管要求。规范可以设两级或三级阈值,但要说明每一级对应什么动作。

第四,责任和时间是否明确。 每条规则都要有责任人、响应时限、修复时限和复核人。跨团队问题还要写升级路径。

第五,例外和变更是否可追溯。 谁能批准例外,例外多久失效,规则改动由谁审批,旧版本如何保留,这些都要写清。

反过来,以下几种写法通常难以执行:只写原则,不写规则;只有指标,没有阈值;有告警,没有责任人;有责任人,没有关闭标准;规范发布后长期不更新。

五、规范落到系统里,需要什么支撑?

规范是组织约定,系统是执行载体。 规则要跑起来,通常需要元数据、统一指标定义、数据血缘、调度、告警、工单和版本管理。

其中,统一口径是很多质量问题的起点。同一个“活跃用户”在增长、运营和财务团队各有定义,报表对不上时,很难判断是数据错了还是口径不同。

ThinkingAI 企业级知识库把企业文档、报表等知识加工成结构化、可追溯的资产,用单一事实来源机制保证同一概念只有一处定义,并通过 ChangeSet 记录每次更新,支持对比和回滚。这类机制可以让指标定义、口径和规则版本保持一致,减少同一指标多种说法带来的质量问题。它承担的是定义和版本管理的一部分,不能替代组织对规则、阈值和责任的约定。

ThinkingAI 已服务全球 1500 家企业,接入产品超 8000 款。跨产品、跨团队的数据环境越复杂,统一口径和可追溯的版本管理越重要。

常见问题

1. 数据质量控制规范是强制性的吗?

多数情况下,它不属于国家强制标准,约束力来自企业内部制度、合同约定、行业监管或地方标准。判断一份规范是否必须执行,要看发布主体、适用范围和引用它的制度文件。

2. 小团队也需要单独写一份吗?

不一定写成厚文档。先用一页纸写清三到五个关键数据对象、每条对象的检查规则、责任人和处理时限,就可以开始运行。文档厚度不影响执行效果,规则能否落地才影响。

3. 数据质量控制规范和数据质量报告有什么区别?

规范是事前约定,说明检查什么、怎么判断、谁来处理。报告是某个周期的执行结果,说明实际发现了多少问题、处理到什么程度。报告应引用规范中的指标、规则和阈值,否则不同周期的结果无法比较。

4. 谁来牵头写这份规范?

数据治理或数据平台团队适合牵头,业务数据责任人负责定义规则和阈值,技术团队确认规则能否校验,合规与审计团队确认记录要求。业务不参与,规范容易变成技术部门的独角戏。

5. 规范多久更新一次?

业务规则、系统结构、监管要求或阈值发生变化时就应更新。常见做法是至少每年复核一次,高风险数据对象可以更频繁。每次更新都要保留版本和变更原因。

参考来源

  • 中国软件评测中心,《助力夯实数据底座,强化数据质量测评》,2022 年 6 月 16 日,https://cstc.org.cn/info/1081/245525.htm
  • BSI,BS ISO 8000-61:2016《Data quality — Data quality management: Process reference model》,2016 年 11 月,https://knowledge.bsigroup.com/products/data-quality-data-quality-management-process-reference-model-1

推荐文章

准备好构建你的 Agent 团队了吗

立即体验 Agentic Engine, 让 AI 成为真正的团队成员

ThinkingAI Big Logo
电话咨询