许多IT领导者在从何处着手以及如何进行投资以解决遗留数据处理问题和长期目标方面苦苦挣扎。这是您需要了解的有关数据质量以及主数据管理（MDM）工具和实践的知识。

如果数据是新的石油，那么组织必须建立其数据精炼厂。高价值值数据是在数据驱动型组织中建立战略优势，利用分析和开发机器学习模型的动力。领导者必须考虑一种主动的数据治理模型，以验证数据质量，建立主数据源并改善数据目录。建立数据治理需要定义组织职责，标准化数据实践，形成合作伙伴关系以及成熟使用多个数据操作平台。

许多领导者面临的问题是，了解从何处开始以及如何进行谨慎的投资以解决遗留数据处理问题和长期目标。大型组织具有各种不同的业务需求和机会，可以利用分析和机器学习，但平台供不应求，它们具有完全不同的功能和营销术语丰富的功能。

领导者经常在改善数据集成和质量方面有很多问题，包括：

•可以使用数据质量工具或主数据管理（MDM）平台来提高数据准确性和可靠性吗？

•是否需要数据集成、ETL或数据流平台？

•当有不同的需求时，领导者应如何评估其组织能力，业务需求和平台？

更具挑战性的数据提炼功能是数据准确性和可靠性，因此，关于数据质量以及主数据管理平台和实践，应该了解三件事。

 1.数据质量与母版数据

数据质量工具提供了数据概要分析，自动化工具和异常处理工作流的组合，以解决不同的数据质量问题。一些常见的数据质量问题包括物理地址清除，对客户记录进行重复数据删除以及对用于对数据进行分类的规范化字段。

主数据管理（MDM）工具可帮助组织创建和维护主要实体（例如客户，联系人，产品和其他参考数据）的黄金记录。这些工具使数据管理员可以定义将来自多个源的冲突数据合并到已清除记录中的规则。然后，数据科学家和应用程序开发人员可以通过API在机器学习模型，分析和集成应用程序中使用掌握的数据。

MDM工具可帮助组织创建和维护主要实体（例如客户，联系人，产品和其他参考数据）的黄金记录。

努力使数据成为战略优势的组织通常需要数据质量和主数据管理，但对于组织开始其数据治理旅程而言，两者的工具可能过于繁琐。

因此，提供一些简单的注意事项。

具有大量内部和外部数据源且从未进行过概要分析或清除的组织可以选择从数据质量平台开始。然后，领导者可以将数据清理工作的待办事项优先级分配给敏捷数据团队，从而提高数据质量。

另一方面，如果公民数据科学家和应用程序开发人员需要连接到少量主要数据实体，那么主数据管理（MDM）平台可能是一个更好的起点。然后，主数据管理（MDM）平台可确保团队拥有一致的数据源，并且该平台可与使用和更新记录的系统进行双向集成。

 2.提高数据质量需要敏捷的实践和自动化

有一个误解，认为插入数据质量工具会自动解决所有潜在的数据问题。不幸的是，只能以增量方式解决数据债务问题，特别是对于快速移动的数据源，从文档和其他非结构化数据源中提取的数据，或者在没有足够数据验证的情况下通过表单输入的数据。

有一个单独的误解，认为提高数据质量可以实现百分之一百的自动化。现实情况是，围绕异常和异常值自动执行规则会增加成本，为数据管理员提供现成的工具以解决这些问题可能是一种更为谨慎的方法。

提高数据质量需要灵活的数据方法，以便团队可以针对优先数据源中已定义的问题实施自动化。然后，它需要数据管家的操作流程，工具和指标来解决问题和异常。不幸的是，没有免费的午餐来管理数据质量。

 3.使用主数据管理平台购买数据模型

主数据平台构成了消费和清洁活动的集中枢纽。例如，与企业的CRM、ERP，营销自动化工具，内容管理系统和客户支持工具集成的Customer360平台可以将数据拉入或推入这些系统中的任何一个。当客户致电客户支持部门更改其帐单地址时，支持系统将此更改推送到主数据管理（MDM），然后其他系统接收更新的信息。

但是，如今的主数据管理（MDM）不仅仅是数据交换所。它们是用于主控数据的集中式数据平台，而MDM平台通常带有开箱即用的可配置数据模型。使用这些数据模型可以节省组织大量的开发专业知识和时间，使它们成为特定于行业的模型，可以将最佳实践纳入数据建模，并可以通过无代码的经验来增强模型。

在过去的几年中，随着越来越多的组织对公民数据科学计划，分析和机器学习进行投资，数据质量和主数据管理（MDM）工具都取得了长足的进步。当领导者调整组织职责，敏捷数据实践，自动化，数据运营和数据运营平台时，就可以确定当今组织需要竞争的数据精炼厂。