数据质量管理主要从6个方面考虑：完整性，规范性，一致性，准确性，唯一性，时效性。
首先，数据质量的保证紧靠技术是远远不够的。
在实际工作中，在整个数据质量的控制过程中，人的影响最大。
所以，要想真正长期保证数据的高质量，最重要的是早发现，早恢复。
早发现，就是要先于数据使用方发现数据的问题，尽可能在出现问题的源头发现问题，这样就为早恢复正取到了大量的时间。
早恢复，就是要缩短故障恢复时间，降低故障对数据产出的影响。
可以分事前、事中、事后三个阶段来保障的。
- 事前：
- 针对数据提供环节，建立数据标准，明确数据的定义，按照标准、质量提供数据。
应急预案准备，这里分为三个方面：
- 第一方面，建立制度保证，比如当问题出现时，这个问题是谁负责，沟通的机制是什么，后续
如果要修复线上bug的时候，应急的发布流程是什么，谁来负责开发，谁来负责做复合，谁来负责做审批。
- 第二方面，**定期巡检**，建立一个可复用的数据收集，数据预处理和数据维护流程，来应对不断变化的企业内外部因素，在数据预处理流程中设立多个性能监控点，我们会对数据产品，数据加工，基础架构设置一些关注的指标，比如CPU压力，线上的数据流量，延时时长等。（可参考本人写的[数据稽核](https://blog.csdn.net/weixin_42526352/article/details/105260011?spm=1001.2014.3001.5501)相关的文章）
- 第三方面，**应急处理**，当这些指标出现了告警的时候，会相应出发应急处理的流程，这些应急处理流程是之前对可能发生的情况进行一些预估，提前制定了一些处理问题的方案，
- 事中：
设立应急小组执行预案，持续对指标进行监控，如有意外的问题发生，及时分析问题根源，并快速制定决策，持续跟进效果。
- 事后：
数据问题复盘，策略沉淀。将原预案的遗漏点进行分析和梳理，将这部分的预案补上。同时对数据问题，比如数据出现延迟或者错误，则通过对流程或者制度不断进行改善和优化，将共性的质量问题沉淀至保障方案中。
监控指标：
- 数据落地监控
- 数据掉0监控：实际扩展一下就是数据量阈值监控，少于某个量就告警
- 重复数据监控：很多表一定要监控重复数据的，这点至关重要。
- 数据量、指标值同比环比监控
- 重要枚值字段的离散值监控
- 业务规则监控
- 重要字段的非空监控
- 数据对账
