治理工作台升级,可手动录入质量问题,实现反馈有渠道、整改可跟踪

简介: Dataphin V4.0版本升级治理工作台,支持手动录入数据质量问题,新增对“标签”对象的问题管理,并且可对问题进行分类。问题清单和整改流程也进行了优化,手动录入的问题和自动识别的问题可统一整改追踪,并提供操作记录,以增强数据质量管理的响应速度和效率。

应用场景

Dataphin 从 V3.10 版本开始支持了治理工作台的功能,针对通过质量规则监控自动识别出来的问题,可以结合整改流程进行问题跟踪和处理,提升了质量管理的规范性。

但是,质量问题的来源往往不止监控规则,例如:

  • 业务分析师在资产目录中找到一张需求分析相关的表,通过“数据探查”功能了解表数据概况,发现其中一个字段的“值分布”存在明显异常,希望能直接快捷地反馈该数据质量问题
  • 质量管理员从数据运营团队收集到一批取数用数过程中遇到的问题,希望能够将这部分问题录入系统,和其他通过质量监控规则自动发现的问题用统一的整改流程来追踪
  • 标签业务员发现自己使用的标签数据已经 1 周没有更新过,需要向标签开发人员反馈该问题,并追踪问题的整改情况

因此,V4.0 版本中,Dataphin 治理工作台再升级,支持手动录入质量问题,并且纳入了“标签”对象的问题管理,更全面地实现反馈有渠道、整改可跟踪。


功能概览

问题反馈更便捷

首先,本期拓展了问题反馈渠道。除了系统通过质量规则监控自动发现问题外,您可以在资产目录或标签市场中浏览资产详情时快速反馈发现的异常问题,也可以在治理工作台中统一批量录入问题,并在问题清单列表中统一查看和管理所有的质量问题,缩短反馈链路。

反馈问题时,您可以上传附件(如数据比对结果、问题录屏等等)作为问题的依据,也可以选择是否提供个人联系方式,便于问题处理人联系您了解更多细节信息。

此外,治理工作台可管理的问题对象除了已经支持的数据表、数据源等,还新增支持了对“标签”类型对象的问题反馈及管理,让标签使用更放心。

问题管理更精细

本次新增支持对质量问题进行分类管理。

针对通过质量规则监控系统发现的问题,会根据“规则类型”自动归属到对应的系统问题类型(如“一致性校验异常”),后续也可以编辑新增其他问题类型。针对手动录入的问题,可以在提出问题时标注问题分类,也可以后续批量管理修改问题所属分类。

系统内置了部分常见的质量问题类型(如:数据不准确、数据产出延迟、数据口径不准确等),开箱即用,也支持自定义新增类型,让问题管理更加便捷。

本次问题清单列表也进行了升级。

首先,我们按照资产类型对问题进行了分类统计,可以快捷查看每种类型下已提出的和待处理的问题总数。其次,每个资产类型对应一份问题清单列表,支持按照问题对象名称进行搜索,也可以按照问题分类、提出方式/提出人等进行进一步筛选,提升查找问题效率。您可以在列表查看问题的基本信息、当前的处理状态、关联的整改流程和问题负责人等,还可以根据需要查看的信息项自定义配置展示列,使用体验更友好。

整改流程更完善

针对本期新增的手动录入的问题,您可以进行:标记为已处理、打回重新处理、忽略异常、转交问题负责人等操作,并且可以将手动问题和系统自动识别问题一并加入整改流程进行统一整改追踪。发起整改时,您可以选择已有的整改流程,也可以快速创建新的流程,大大提升了操作灵活性。

针对单个问题和整改流程的每一次操作都会被记录为清晰可循的操作记录,您可以通过记录完整跟踪每个问题的处理节点。

结语

通过治理工作台集中管控和处理系统自动检测及手动录入的质量问题,能更大程度上确保问题被有效追踪和及时整改,提升整体数据质量管理的响应速度和维护效率,为您的数据治理提供更有力的支撑。

相关文章
|
数据采集 SQL 机器学习/深度学习
Dataphin数据治理系列:基于数据质量管理,支撑业务快速发展
数据质量是数据建设和管理中非常重要的一环。所有的数据应用,不论是用于支持业务开展的数据库,还是用于支持商业决策,或者用于机器学习和人工智能等高级应用,实现数据价值的前提是数据本身是高质量的,是可靠和可信的。
Dataphin数据治理系列:基于数据质量管理,支撑业务快速发展
|
数据采集 数据管理 数据处理
数据质量最佳实践(3):通过质量治理工作台,实现质量问题的跟踪和处理
在Dataphin数据治理系列:基于数据质量管理,支撑业务快速发展这篇文章中,我们详细的介绍了Dataphin数据质量模块的产品核心能力和产品使用演示。 在实际的质量管理中,做完了事前的质量规则的配置和事中的质量规则校验后,会产生大量的质量问题待治理项,这时候需要有一个完整的工作流程去管理质量问题,实现从质量规则配置,到质量问题发现,到质量治理修复问题,最终提升数据质量的完整PDCA流程。
811 0
数据质量最佳实践(3):通过质量治理工作台,实现质量问题的跟踪和处理
|
数据采集 存储 监控
数据质量最佳实践(2):通过归档和分析异常数据,快速定位质量问题
在Dataphin数据治理系列:基于数据质量管理,支撑业务快速发展这篇文章中,我们详细的介绍了Dataphin数据质量模块的产品核心能力和产品使用演示。 在实际的质量管理过程中,经常需要通过查看异常数据,来确定质量问题产生的原因,从而针对性的修复质量问题,下面我们一起来看下Dataphin质量模块的异常数据归档能力。
981 0
数据质量最佳实践(2):通过归档和分析异常数据,快速定位质量问题
|
监控
数据标准应用(一):落标映射关系
数据标准创建完成后,需要指定其关联的资产对象才能发挥应用价值。数据标准和资产对象的映射关系当前可以通过落标映射规则来管理;生成映射关系后,对象是否遵循了映射到的标准定义则通过落标监控评估来判断。本文为您介绍落标映射关系的分类和管理方式。
2316 0
|
数据采集 数据管理 数据处理
数据质量最佳实践(3):通过质量治理工作台,实现质量问题的跟踪和处理
在Dataphin数据治理系列:基于数据质量管理,支撑业务快速发展这篇文章中,我们详细的介绍了Dataphin数据质量模块的产品核心能力和产品使用演示。 在实际的质量管理中,做完了事前的质量规则的配置和事中的质量规则校验后,会产生大量的质量问题待治理项,这时候需要有一个完整的工作流程去管理质量问题,实现从质量规则配置,到质量问题发现,到质量治理修复问题,最终提升数据质量的完整PDCA流程。
|
数据采集 监控 数据管理
数据质量最佳实践(1):批量配置质量规则,快速提升质量覆盖率
在Dataphin3.9版本中,Dataphin支持了批量创建质量规则,支持选择单个规则批量应用到多张质量监控表中,提升质量整体的配置效率和监控覆盖效果。
数据质量最佳实践(1):批量配置质量规则,快速提升质量覆盖率
|
9月前
|
SQL 数据可视化 大数据
Dataphin数据血缘:实现全面追溯,保障流转透明
数据血缘揭示数据从源头到应用的全链路流转关系,助力企业厘清数据来源、影响范围与质量问题根源。Dataphin通过自动采集、手动配置和OpenAPI注册三类方式构建全面的数据血缘,支持可视化展示与用于质量问题溯源,实现数据可查、可信、可管,推动高质量数据治理。
1046 1
再见手动编码,标准自动化编码规则来帮忙!
标准管理员小S面临数据标准编码管理的挑战:编码格式不统一、编码值不可读活相关性差,手动管理耗时易出错。Dataphin新推出“标准编码规则”功能,可以实现一次配置批量生成编码,并通过自增序列、固定字符串和所属标准集编码的组合,保证编码相关性和灵活性,同时提供了编码规则变更后的批量订正功能,大大简化管理工作。小S对此表示高度满意。
737 0
|
11月前
|
数据采集 SQL 数据可视化
Dataphin功能Tips系列(72)一键数据探查,打造高质量数据开发、分析流程
在数据开发与分析前期,掌握数据质量与分布情况至关重要。Dataphin提供高效的数据探查功能,支持手动与自动探查方式,一键生成数据质量报告,帮助用户快速发现空值、异常值、重复值等问题,提升数据准备与分析准确性。
349 0
|
数据采集 SQL 运维
Dataphin(数据建设与治理)V3.10版本升级速览
本次发布的V3.10版本中,Dataphin新增了ArgoDB作为计算引擎;针对客户不同的管控诉求,提供了自定义审批模版、自定义下载和权限审批策略的管控能力;优化了自定义数据源的元数据获取和创建流程;在数据集成、实时研发、数据服务中都新增了多种数据源的适配;在资产治理中,也支持了质量整改、异常数据归档、标准关联质量。
2599 2
Dataphin(数据建设与治理)V3.10版本升级速览

热门文章

最新文章