金融数据质量框架设计与运营：在定价、客户、交易…

适用于为金融数据管道建立验证规则、数据血缘、监控告警、异常管理和治理，以确保定价、客户、交易、持仓及监管报告数据准确、完整、及时、一致、有效且唯一。

适用场景

解决思路

1. 为每个数据元素指定 golden source：按数据域明确哪个系统是权威系统，因为没有指定权威源就无法衡量准确性。
2. 按 Accuracy 维度定义和测量数据质量：用跨源比较、交叉 vendor 价格比较、custodian-to-PMS 对账、客户个人数据确认来验证数据是否真实反映实体或事件；定价目标 >99.5%，客户数据目标 >99%；避免不准确价格传播到估值、业绩、账单和监管报告。
3. 按 Completeness 维度定义和测量数据质量：按记录类型定义必填字段，计算所有必填字段均填充的记录百分比；关键字段目标 >98%；满足 FinCEN beneficial ownership、GIPS composite inclusion、SEC Rule 17a-4 transaction records 等监管完整性要求。
4. 按 Timeliness 维度定义和测量数据质量：测量事件发生到数据在消费系统可用的滞后；EOD pricing 必须在 nightly valuation batch 前到达，trade confirmations 满足 SEC Rule 10b-10，NAV 在基金公司截止前完成；实时行情毫秒级、EOD 小时级、季度监管文件周级。
5. 按 Consistency 维度定义和测量数据质量：对同一实体属性做跨系统比较，例如客户法定名称在 CRM、custodian、PMS、billing system 一致，证券行业分类在 PMS 和 compliance monitoring system 一致；目标 >99% agreement；处理 missing golden source 或同步断裂。
6. 按 Validity 维度定义和测量数据质量：让数据符合格式、范围和业务规则，例如 CUSIP 9 位且 check digit 有效、账户 registration type 属于定义值、债券 coupon rate 非负、结算日不早于交易日；通过 schema constraints、field-level validation 和 business rule engines 强制执行；目标 >99.9% 通过率。
7. 按 Uniqueness 维度定义和测量数据质量：确保真实实体仅表示一次；在 ingestion 做 deduplication 并周期性 duplicate detection；使用标识精确匹配（SSN、CUSIP）、名称和地址 fuzzy matching（Jaro-Winkler、Levenshtein distance）、多弱标识 probabilistic matching 生成 confidence score；目标重复率 <0.1%。
8. 建立数据血缘 metadata：对每个数据元素记录 source system 和 original field、extraction method 和 timing、所有 transformation（mapping、conversion、calculation、enrichment、aggregation）、intermediate staging locations、destination systems 和 fields、每一步 timestamp 和 process identity。
9. 用血缘做根因分析：当 performance report 出现异常 returns 时，回溯 calculation engine、pricing data、vendor source 和 extraction timestamp，定位错误进入点，避免手动、缓慢且不可靠的 root cause analysis。
10. 用血缘做影响分析：当数据源变更 schema 或 delivery format 时，识别所有下游系统、计算和报告；用于 vendor migration、system upgrade、regulatory reporting change。
11. 满足监管血缘要求：BCBS 239 要求 risk data 的 comprehensive data lineage，能把任何 risk report value 追溯回源数据和所有 transformation；MiFID II 要求交易报告准确性和完整性记录；SEC exams 要求展示 reported figures 如何从源数据推导。
12. 实施血缘方案：可用手动 lineage documentation（spreadsheets、data dictionaries）；自动 lineage tools 解析 ETL code、SQL queries、data pipeline configurations；平台如 Collibra、Alation、Informatica、Apache Atlas；混合方式结合自动抽取和人工 business context；小机构至少为 pricing、performance、billing、regulatory reporting 等关键流程维护 data flow diagram。
13. 使用细粒度血缘：对 critical data elements 做 field-to-field lineage，例如 custodian field ACCT_BAL 通过 FX rate from Bloomberg as of 4:00 PM ET 映射到 PMS field market_value；监管用例 increasingly 需要 fine-grained lineage。
14. 执行字段级校验 CUSIP：必须正好 9 个 alphanumeric characters，check digit 通过 Luhn algorithm variant 验证。
15. 执行字段级校验 ISIN：必须正好 12 个字符，包含 2-letter ISO 3166-1 country prefix，check digit 通过 double-add-double algorithm 验证。
16. 执行字段级校验 Price：必须为正数（某些衍生品例外），按资产类别使用合理小数精度，equities 2 位、bonds 6 位、FX rates 8 位。
17. 执行字段级校验 Date：必须是有效日历日期，并在预期范围内，不能是遥远过去或未来。
18. 执行字段级校验 Account number：匹配每个 custodian 的预期格式，例如 Schwab 8 位、Fidelity 9 位。
19. 执行字段级校验 Currency code：使用有效 ISO 4217 三字母代码。
20. 执行跨字段校验结算日期：trade settlement date 必须按正确 settlement cycle 晚于 trade date，例如 US equities post-May 2024 为 T+1，多数国际市场为 T+2。
21. 执行跨字段校验债券日期：bond maturity date 必须在 issue date 之后。
22. 执行跨字段校验期权日期：option expiration date 必须在 trade date 之后。
23. 执行跨字段校验账户适宜性：tax-exempt account（如 Roth IRA）持有 tax-exempt municipal bonds 虽有效但低效，应 flag for suitability review。
24. 执行跨字段校验保证金：margin-enabled accounts 必须存档 margin agreement documentation。
25. 执行跨字段校验开户日期：account inception date 必须早于 first transaction date。
26. 执行跨记录校验持仓：同一证券在所有账户的 position quantities 必须与 custodian 总额对账。
27. 执行跨记录校验 composite：composite 内 portfolio weights 之和必须等于 100%。
28. 执行跨记录校验 advisor：所有分配给 advisor 的账户必须引用 advisor master 中的有效 advisor record。
29. 执行跨记录校验 referential integrity：trade 中引用的 security 必须存在于 security master。
30. 执行跨记录校验 household：同一 household 内所有账户必须有一致的 billing tier assignment。
31. 执行跨系统校验 position：PMS 中 position quantities 必须与 custodian 每日 reconciliation 匹配。
32. 执行跨系统校验客户：CRM 中 client name 和 address 必须与 custodian 每季度 consistency check 匹配。
33. 执行跨系统校验交易：OMS 中 trade records 必须与 executing broker 的 confirmations 匹配。
34. 执行跨系统校验计费：billing AUM 必须在定义 tolerance 内与 PMS valuation 对账。
35. 执行跨系统校验业绩：内部计算的 performance returns 必须与 custodian-reported returns 对账。
36. 执行时间校验证券状态：maturity date 已过去的 corporate bond 不应在 security master 中 active。
37. 执行时间校验客户年龄：date of birth 推出年龄大于 120 或负年龄表示数据错误。
38. 执行时间校验结算：future settlement date 超过预期 cycle window 需要调查。
39. 执行时间校验价格日期：交易所交易证券不应存在 weekend 或 market holiday 的价格。
40. 执行时间校验死亡后活动：账户开立时间晚于客户 date of death（若记录）表示数据错误或欺诈。
41. 执行证券价格校验 variance：与 prior day 比较，按资产类别 flag 超过阈值；原文示例包括 equities 15%、investment-grade bonds 5%、high-yield 10%，也使用更细阈值如 IG 3%、HY 8%、structured 10%、munis 5%。
42. 执行证券价格校验异常值：检测 zero-price、negative-price。
43. 执行证券价格校验 stale-price：检测价格在超过预期窗口后仍不变，窗口按 holidays 和 trading calendars 调整；equities 2 天、liquid bonds 5 天、structured products 15 天、alternatives 45 天。
44. 执行证券价格校验 cross-vendor：做 cross-vendor comparison，并对 >$1M total exposure 的证券用 secondary vendor comparison，超过阈值 flag（equities 2%、bonds 5%）。
45. 执行证券价格校验 currency：验证 price currency 与 security master 中预期 currency 一致。
46. 执行客户数据校验地址：做 address standardization 和 USPS deliverability verification。
47. 执行客户数据校验 SSN/TIN：验证格式和 check digit（mod-9 algorithm）。
48. 执行客户数据校验联系方式：验证 phone 和 email 格式。
49. 执行客户数据校验筛查：对 OFAC SDN list 做 PEP 和 sanctions screening。
50. 执行客户数据校验年龄：根据 date of birth 做 age reasonableness check。
51. 执行客户数据校验就业：employment status 与 account type 一致，例如 retirement account contributions 需要 earned income。
52. 执行交易数据校验数值：trade quantity 和 price 在 security type 的正常范围内。
53. 执行交易数据校验费用：commission 在按 trade size 和 security 的预期范围内。
54. 执行交易数据校验结算指令：settlement instructions 必须完整，包括 DTC participant、account number。
55. 执行交易数据校验对手方：counterparty 必须在 approved counterparty list 上。
56. 执行交易数据校验重复：检测 duplicate trade（same security、quantity、price、date）。
57. 执行持仓数据校验负数量：long-only accounts 不允许 negative quantities。
58. 执行持仓数据校验成本基础：taxable accounts 中所有 lots 必须有 cost basis。
59. 执行持仓数据校验对账：做 inception-to-date position reconciliation with custodian。
60. 执行持仓数据校验合理性：aggregate position value 必须相对 account size 和 investment policy 合理。
61. 执行统计 profiling 的 completeness rate：计算每个字段非 null、非 default 值的记录百分比。
62. 执行统计 profiling 的 distinct value count 和 distribution：做 cardinality 和 frequency analysis；预期高 cardinality 字段（如 client SSN）出现低 cardinality 表示 duplicates 或 defaults。
63. 执行统计 profiling 的统计量：对 numeric fields 计算 min、max、mean、median、standard deviation；pricing field 的最小值异常低可能表示 zero-price contamination。
64. 执行统计 profiling 的 pattern analysis：对 string fields 识别格式变化，例如 phone numbers 带或不带 area codes、date formats 混用 MM/DD 和 DD/MM。
65. 执行统计 profiling 的 null/default 分析：区分真正缺失和系统默认值伪装成真实值，例如 default date 1/1/1900。
66. 执行统计 profiling 的 outlier identification：识别超出预期统计边界的数据；关注 99.8% complete 但 0.2% 缺口集中在 illiquid fixed income 等关键区域。
67. 执行 drift detection：为数据特征建立 baselines，并在变化时告警；例如 daily pricing file 通常 2,000 records 今天 1,200 条，或 stale prices 从 0.5% baseline 升至 3%。
68. 执行 anomaly detection：使用 isolation forest 或 z-score 等方法在大 universe 中检测 outlier prices、分布突变（sector classification 从 11 个 distinct values 变成 15 个）、交易量异常（单账户 10x spike）。
69. 建立 monitoring dashboards：显示实时质量指标，包括 completeness percentages、validation pass rates、exception counts by severity、stale data counts、cross-system reconciliation status 和 trend charts；服务运营人员和管理层。
70. 设置 alerting thresholds：对 zero prices loaded for actively traded securities、missing pricing file、reconciliation break 超过 materiality threshold 发 critical alerts；对 rising stale price count、declining completeness trend、unusual exception volume 发 warning alerts；用 observation mode 30 天、分析分布、初始设在 95th percentile、每季度收紧，避免 alert fatigue。
71. 执行 trend analysis：周和月趋势报告跟踪 exception volume by domain and severity、mean time to resolution、completeness 和 accuracy percentages、vendor performance metrics（file timeliness、error rates）；趋势恶化即使单个指标合格也要调查。
72. 对异常分类 severity：Critical 会造成 material financial impact（错误 NAV pricing、监管文件缺数据、超阈值 reconciliation break），必须在受影响流程运行前解决；High 影响报告或计算准确性但无立即财务损害，同日解决；Medium 降级数据但即时影响有限，3-5 个工作日解决；Low 外观或小问题，在计划维护周期解决。
73. 执行异常工作流：按 Detection、Categorization、Queuing、Investigation、Resolution、Closure 生命周期处理；检测可由自动 validation 或用户手动报告；按数据域所有权路由到 data steward 或 operations team；调查 root cause；修正 source、带文档和过期时间的 temporary override、书面 justification 接受、或升级 data owner 决策；关闭时记录 resolution、更新 root cause tracking database、验证下游影响、确认消费系统反映修正数据。
74. 执行根因分析：分类 vendor data quality、internal processing error、manual entry error、system integration failure、upstream source change、business rule gap；若 40% pricing exceptions 来自单一 vendor 的 corporate bond coverage，应升级或更换 vendor；若 client data exceptions 集中于特定 onboarding workflow，应重新设计。
75. 跟踪异常指标：Volume（按 severity 和 domain 的每日异常数）、Mean time to resolution（critical <2 hours、high <8 hours、medium <3 business days）、Aging（超过 SLA 的开放异常数）、Root cause distribution、Repeat rate（30 天内复现比例）、Exception rate（异常占处理记录百分比）。
76. 建立数据质量政策：按数据域正式文档化 acceptable completeness thresholds、accuracy targets、timeliness SLAs、validation rule catalogs、exception handling procedures、override authorization levels；每年审查，并在业务流程、监管要求或系统 landscape 变化时更新。
77. 定义数据 stewardship 角色：data owners 是高级 business leaders 对其域数据质量负责，例如 CCO 负责 client identity data quality、Head of Operations 负责 transaction data quality；data stewards 是运营人员，日常监控 dashboards、解决 exceptions、协调 vendors、维护 data dictionaries；data custodians 是技术人员，实现和维护 validation engines、profiling tools、monitoring systems、lineage capture。
78. 建立 quality scorecards：每月或每季度按 domain、dimension、system 报告数据质量指标，把 completeness、accuracy、timeliness、consistency 百分比聚合成 overall quality score；显示 trend lines 和 red/amber/green 状态；提交 operations committees 和 executive sponsors 以维持组织关注。
79. 做 remediation prioritization：按 regulatory impact（filings、compliance monitoring、examination readiness）、financial impact（billing、performance、valuations）、client impact（client reporting、servicing）、volume（systemic vs isolated）排序；避免低影响问题消耗资源而 material problems 持续。
80. 建立 accountability frameworks：把数据质量目标（如 99.5% pricing accuracy、98% client data completeness）分配给 data owners 并纳入 performance objectives；定义质量下降的 escalation paths；每月 data quality council 由 operations、technology、compliance、business leadership 代表组成，审查 scorecards、批准 remediation priorities、解决跨域问题。
81. 执行周期性质量审计之 annual comprehensive profiling：每年对所有 critical data domains 做完整统计 profiling，检测相对 baselines 的 drift 并发现新的质量问题。
82. 执行周期性质量审计之 sampling-based accuracy verification：随机抽样记录与独立权威源比较，例如 100 security prices 对第二 vendor、50 client records 对 custodian source documents。
83. 执行周期性质量审计之 process audits：审查数据录入、转换、分发工作流，发现 control gaps、未授权访问或未记录的手动步骤。
84. 执行周期性质量审计之 gap analysis：将当前数据质量实践与监管期望（SEC examination priorities、FINRA guidance）和行业框架（BCBS 239、DAMA DMBOK）比较。
85. 执行周期性质量审计之后续跟踪：将 audit findings 放入 remediation backlog，分配 owners、target dates，并跟踪 completion status。
86. 满足 BCBS 239：落实 14 principles 中与数据质量相关的 Principle 3 Accuracy and Integrity、Principle 4 Completeness、Principle 5 Timeliness、Principle 6 Adaptability；即使正式适用于 G-SIBs，也作为行业数据质量治理事实框架。
87. 满足 SEC 数据准确性期望：遵守 SEC Rule 17a-4 保持 accurate books and records；准备 SEC 对 investment advisers 的检查，证明 client data、portfolio data、performance data supporting disclosures 准确；防止 Form ADV、Form PF、client reports 中的错误追溯到数据质量失败并构成 antifraud violations。
88. 满足 GIPS 性能数据质量要求：确保所有 actual、fee-paying、discretionary portfolios 包含在 composites（completeness）；returns 使用准确 valuations 和 cash flows 计算（accuracy）；portfolio-level returns 用适当 valuation frequency 做 time-weighted（validity）；composite construction 随时间一致应用（consistency）；GIPS verification 包含测试 data quality controls。
89. 满足 AML/KYC 数据准确性：按 FinCEN CIP 规则验证客户身份信息；按 CDD 规则识别和验证 legal entity customers 的 beneficial owners；持续监控要求 current、accurate client data，避免 stale 或 incomplete client data 削弱 transaction monitoring 和 sanctions screening；关注 FinCEN investment adviser AML/CFT program rule 状态变化。
90. 满足风险数据聚合：按 OCC、Fed、PRA 期望，证明 risk calculations（VaR、stress testing、capital adequacy）基于 accurate、complete、timely data 且有 documented lineage；supervisory stress tests（CCAR、DFAST）要求跨 business lines 和 legal entities 聚合 exposure data 且展示准确性。
91. 在非银行金融机构落地：即使 BCBS 239、CCAR/DFAST 正式针对银行，SEC 和 FINRA 也日益期望 broker-dealers 和 investment advisers 有数据质量 controls；主动采用数据质量治理以改善 examination 表现并降低 operational risk。
92. 实施 Worked Example 1 的 pricing 监控：每日自动 validation 比较 vendor prices 与 prior day，bonds >5%、equities >15% variance flag；检测 stale prices（equities >2 business days、bonds >5，按 holidays 调整）；把 Schwab 和 Fidelity pricing 与 primary vendor cross-check；在 nightly valuation batch 前由 operations 审查 pricing exception dashboard。
93. 实施 Worked Example 1 的 position 监控：每日做 custodian-to-PMS reconciliation，按 security identifier、quantity、market value 自动匹配，tolerance 为 market value 的 0.01%；用 transfer detection logic 标记一个 custodian 零持仓而另一个出现新持仓的账户；position breaks 按 severity 分类：>$10K critical、>$1K high、<$1K medium。
94. 实施 Worked Example 1 的 client data 监控：每周 completeness scan 检查所有 required fields（SSN、address、suitability questionnaire date、beneficiary designation、trusted contact）；每月 timeliness check 标记 suitability questionnaires 超过 13 个月；每季度 CRM-to-custodian consistency check legal name、address、account registration。
95. 实施 Worked Example 1 的 billing 监控：pre-billing validation 比较 billing AUM 与 PMS valuations，>0.5% variance flag；账户级 fee schedule validation 检查 advisory fee 在 contracted range；terminated account detection 确保不对关闭超过 30 天的账户计费。
96. 实施 Worked Example 1 的 golden source 和 scorecard：正式化 golden source designations，Schwab/Fidelity 负责 positions 和 legal identity、Salesforce 负责 relationship 和 suitability data、Orion 负责 performance、pricing vendor 负责 security valuations；每周生成 data quality scorecard 并在 Monday operations meeting 审查。
97. 实施 Worked Example 2 的 Layer 1 file-level pricing validation：验证文件在预期时间到达（EOD pricing 为 6:30 PM ET），record count 在预期范围（3,400-3,600，若 <3,300 或 >3,700 则 flag），检查 file format integrity（header、delimiter、encoding）。
98. 实施 Worked Example 2 的 Layer 2 field-level pricing validation：每个 price 为正 numeric；currency code 是有效 ISO 4217 且与 security master 的 expected currency 一致；price date 等于 expected business date；identifier（CUSIP/ISIN）存在于 security master。
99. 实施 Worked Example 2 的 Layer 3 cross-field pricing validation：price 乘 quantity 必须为每个 position 产生合理 market value，例如 diversified strategies 中单一 position >20% of fund NAV 则 flag；bond prices 按标准 convention 表达（多数为 percentage of par，converts 为 dollar price），并对照 security type 验证。
100. 实施 Worked Example 2 的 Layer 4 temporal pricing validation：与 prior day 做 variance check，按资产类别阈值（equities 15%、investment-grade bonds 3%、high-yield 8%、structured products 10%、munis 5%）；stale price detection 用资产类别窗口（equities 2 days、liquid bonds 5 days、structured products 15 days、alternatives 45 days）；区分 price-unchanged 与 true staleness（money market fund NAV 1.0000 多月不变是正确的）。
101. 实施 Worked Example 2 的 Layer 5 cross-source pricing validation：对所有 >$1M total exposure 的证券做 secondary vendor comparison，超过阈值（equities 2%、bonds 5%）则 flag。
102. 实施 Worked Example 2 的 exception routing：critical exceptions（zero price、wrong currency、missing file、NAV-impacting variance）立即 alert pricing analyst 并 block valuation batch；high exceptions（stale prices、moderate variance）必须在 batch 前解决但不立即 alert。
103. 实施 Worked Example 2 的 resolution hierarchy：pricing analyst 按 accept primary vendor price、substitute secondary vendor price、obtain broker quote、apply manual override（需 supervisor approval 和 documented rationale in audit trail）解决异常。
104. 实施 Worked Example 3 的 Form ADV 数据质量评估：验证 AUM calculation 通过 documented process 追溯到 custodian position data 且 inputs 已对账（accuracy、lineage）；确认 client count 与 CRM 匹配并有 counting methodology（completeness）；检查 ADV Part 2A 中 fee schedules 与 billing system configuration 一致（consistency）；验证 disciplinary history disclosures 与 FINRA BrokerCheck 和 firm records 一致（accuracy）。
105. 实施 Worked Example 3 的 13F 数据质量评估：验证 filing 中 security universe 匹配所有账户持有的所有 13(f) securities（completeness）；确认 share quantities 与 reporting date 的 custodian records 对账（accuracy）；对照 SEC Official List of Section 13(f) Securities 验证 security classification（validity）；记录从 custodian positions 到 aggregation 到 filed report 的 data flow（lineage）。
106. 实施 Worked Example 3 的 FOCUS 数据质量评估：把每个 line item 追溯到 source ledger entries 并有 documented calculation methodology（lineage、accuracy）；对照 trial balance 验证 net capital computation inputs（accuracy、consistency）；确认 customer reserve calculation（Rule 15c3-3）使用 reconciled position 和 cash data（accuracy）。
107. 实施 Worked Example 3 的 GIPS 数据质量评估：验证 composite membership lists 符合 inclusion/exclusion criteria，并记录任何 discretion removals（completeness、validity）；确认 return calculations 使用 custodian-reconciled valuations（accuracy）；验证 presentations 包含所有 required disclosures，且 historical returns 除 documented error correction procedures 外未被 retroactively altered（consistency、validity）。
108. 实施 Worked Example 3 的 cross-cutting 评估：把所有 reporting data elements 映射到 golden sources 并记录 golden source designation gaps；profile 所有 critical reporting fields 的 completeness 和 validity；通过比较实际数据可用时间与 filing deadlines 并留有 buffer 来测试 timeliness；验证能从 archived source data 重现任何 previously filed report。
109. 实施 Worked Example 3 的 remediation prioritization：critical findings（会导致错误 filings）30 天解决，high findings（缺少 lineage documentation、不完整 golden source designations）60 天解决，medium findings（process documentation gaps、monitoring enhancements）90 天解决。
110. 避免常见坑：没有 per data element 的 designated golden source，避免多系统维护竞争版本导致冲突和 examination 时无权威答案。
111. 避免常见坑：在 loading 之后才验证数据，必须用 validation gate loading process，防止 invalid data 在修正前传播到下游系统。
112. 避免常见坑：把 data quality 当 technology project 而非 business program，必须有 business ownership、data steward accountability、executive sponsorship。
113. 避免常见坑：validation thresholds 过紧或过松；过紧产生过多 false positives 和 alert fatigue，过松漏掉 material errors；用历史数据校准并每季度调整。
114. 避免常见坑：忽视 low-frequency processes 的数据质量；季度或年度流程（regulatory filings、tax reporting、GIPS presentations）数据质量失败有不成比例的监管和声誉影响。
115. 避免常见坑：只测量 data quality 不行动；scorecards 和 dashboards 必须有 remediation workflows、assigned owners、accountability。
116. 避免常见坑：假设 vendor data 正确；vendor data 必须像其他源一样验证，multi-vendor comparison 是关键质量控制而非可选。
117. 避免常见坑：等 regulator 问才做 data lineage；应把 lineage 从 inception 建进 data pipelines，事后重建昂贵且易错。
118. 避免常见坑：没有 workflow tooling 的手动 exception management；用 email 或 spreadsheets 会丢失异常、解决不一致、无 metrics、无 audit trail；应使用 purpose-built workflow 支持 assignment、SLA tracking、reporting。
119. 避免常见坑：把 data quality 与 data quantity 混淆；更多数据源增加复杂性和 integration/validation/conflict resolution 负担，较少但更高质量的源配合 robust validation 优于许多松散管理的源。
120. 避免常见坑：不版本化 validation rules；规则变化会让历史 exception data 不可比；应版本化 validation rule sets 并记录变化。
121. 避免常见坑：客户数据质量投入低于市场数据；客户数据错误会导致 AML screening failures、billing disputes、regulatory findings 和 servicing breakdowns 并直接冲击客户。

适用边界 · 注意事项

• 如果数据域没有可比较的独立权威源，准确性无法测量，只能先做格式、完整性、有效性校验，不应承诺准确性目标。
• 如果没有业务 data owner、data steward 和 executive sponsorship，仅靠技术工具做数据质量治理通常无法持续，应先建立所有权和问责。
• 如果只是一次性、低影响且不涉及监管、财务、客户报告的小数据集，完整治理框架、scorecard 和审计成本可能高于收益，应只做必要校验。