在改进数据质量过程中，企业通常会购买昂贵的数据管理工具。但是，在全球经济持续下滑的现状下，许多组织并没有足够资金购买和部署这些新工具。

　　然而，数据质量管理并不仅仅关系到技术。它还关系到人员和过程，而分析表明，通过关注这两个领域，许多组织完全不需要投入大量的资金，就可以实现显著的数据质量改进。以下是一些在预算较紧张的情况下提高数据质量的技巧：

　　保证员工理解数据质量低下的影响。根据Gartner分析师Ted Friedman的观点，数据质量问题通常由人为错误造成。例如，呼叫中心员工拼错新客户姓名，然后将它填入客户关系管理应用程序，或者技术人员在填写发票表单时出现错误。

　　随着这些错误通过工作流、电子邮件和文件共享散播到整个公司，数据质量问题会变得越来越严重。为了解决这个问题，Friedman推荐组织对员工进行定期培训，使之认识数据质量问题可能对业务运营产生的重大影响。

　　Friedman说：“大体上，数据质量问题都是由于数据人员的疏忽造成的，他们并没有严格采用高质量方法进行数据录入操作。”但是，他补充说，如果让他们理解数据的重要性，以及他们的行为可能会对数据质量及业务价值产生的影响，那么“可能就会开始影响”他们处理数据的方式。

　　通过业务过程弥补数据质量漏洞。另一种改进数据质量的廉价方法是检查一些重要工作流和业务过程。Friedman指出，许多组织经常会发现，有一些“数据质量漏洞”可以通过简单的方法弥补。

　　这些漏洞可能存在于一些看似无害的手工过程中。他举例说，客户会通过电子邮件发送一个文件给销售人员，然后他会人工“修改这些数据”，将数据输入到业务应用程序中——这个过程可能会产生数据错误。

　　Friedman指出，通过进行与数据质量相关的培训，您就可以为到达的信息设置和实施数据输入标准，从而避免出现这些错误。他建议，另一个改进数据质量的方法是，建立自动加载数据到内部系统的机制，“将人为干预从数据过程剥离。”

　　投入资金进行数据质量技能培训。Friedman建议，如果一些组织不具备购买新数据质量平台的预算，那么他们可以考虑投入一些数据管理资金，对处理数据的业务用户进行关于质量技能和最佳实践方法的培训。

　　他说：“您需要一些资源——有一些人已经掌握了方法。您需要一些真正理解企业数据流的人员，而且他们还必须理解业务过程使用数据的方式。”然后，这些员工可以协助对其他最终用户进行培训，让他们了解数据质量不佳的缺点。

　　学习其他的数据质量成功和失败的经验。在谷歌上搜索“数据质量案例”，搜索结果会包含无数的成功项目案例——通过这些案例，不需要任何费用就可以了解改进组织数据质量的技巧和方法 。

　　当然，数据质量改进来源于数据质量问题，这些问题也很值得研究。

　　数据管理与分析咨询公司Fitzgerald Analytics的创始人Jaime Fitzgerald提起了一个公司案例。其中，他们在各种系统中识别交易文件的文件出现了问题。这个问题源于一个非常简单的问题：在一个包含20%交易记录的系统中，B值“表示的含义与其他包含80%交易记录的系统完全不同，”Fitzgerald没有意识到它对公司的影响。他说，通过创建一个查找表，校正各个部分的数据值，最终他们把这个问题解决了。

　　DBA参与。根据Friedman的观点，如果预算有限，那么在数据质量项目中配备一个合格的数据库管理员(DBA)是非常好的做法。他说，DBA可以编写查询，发现数据存储的模式——这些模式可能会发现数据质量问题的异常值或其他指标。

　　Friedman说：“使用简单的SQL查询，就可以实现基本的数据质量测量和数据配置。”例如，DBA可以编写查询，分析数据库字段，生成一些统计信息，如最小值、最大值和不同值出现次数等。

　　启动数据管理工作计划。Friedman还强调了为公司所有或各个业务单元指派一个数据管理员的重要性——他们能够理解数据质量问题，可以调解冲突，如特定词汇的意义或有疑问的文件命名规范。数据管理员一般来自组织的业务部门，可以作为业务与IT的联络人。

　　他说：“我发现，只要配备了一些关注于数据质量的角色，许多组织就会从中得到很多受益——即使不增加技术或执行后续改变。”

　　发现和清理最重要的数据。Fitzgerald指出，许多组织都错误地认为数据质量是一劳永逸的任务，但是它实际上是一个逐步累积的持续过程。他补充说，先关注最重要的数据，然后再逐步扩大范围，这样，企业可以在数据质量投入中获取很大的回报。

　　那么，应该从哪些方面开始呢?Fitzgerald说：“但是，从另一个角度看，最重要的数据是能够产生收益的数据。”

　　最后，即使对数据质量进行最小的改进，也需要考虑财务或商业问题。根据Friedman和Fitzgerald的观点，任何 数据质量管理方法(无论预算状况如何)，都应该具备坚实的支撑条件。这意味着，数据质量团队必须确定测定结果的方法——例如，测试数据质量改进对于业务的影响。

　　Friedman说：“您不能只是告诉大家必须改进数据质量，还必须进行测定，说明数据好或坏的方面，以及数据对于业务的影响。”