平时企业都会处理数据质量的问题，越来越能够懂得数据库整套系统的运行模式和模型概念，深深觉得数据挖掘的本质其实不仅仅是从海量的数据中发现有效的，有用的，有目的性的数据，深入来说，如果大数据平台里的数据质量根本无法保证，那么数据挖掘就是毫无意义的，命中率和精确度根本没有参考价值。但是问题就出在这里，外围系统抽取隔离的数据，要怎么样清洗和梳理才能够在数据的源头上尽可能的提高数据质量？不可能每个人都懂业务，对针对性业务方面的数据质量如何提升。
在各个环节控制质量的最开始，我们需要对数据质量管理进行标准定义处理。即对元数据进行梳理，并按照元数据管理理念，对各个环节的数据进行管控。在此只探讨结构化数据，非结构化数据可以结构化之后再以此法继续。
1、元数据管理
元数据管理简单来说，就是建立一套标准的指标（度量）、口径（维度）等体系，建立相关的单位、分组等支撑信息。目的是保证各环节的数据一致性和统一性。
2、数据产生阶段的质量管理手段
方法：控制输入
尽可能的使用非开放式的输入手段，如下拉菜单、单复选框、时间控件、标签（支持自定义学习型）等。必须开放的输入部分，进行必要的校验。
互联网行业的log数据质量之高，简直不需要进行此步骤的管理！可以说互联网的log分析直接推动了大数据分析发展的进程。
3、数据存储阶段的质量管理手段
方法：数据统一在数据结构设计时，就应该按照标准对相同含义的字段统一命名、格式、精度等，排除数据的歧义。
4、数据加工阶段的质量管理手段
方法：数据清洗数据加工阶段的目的非常明确，但数据问题繁多，不同的问题需要使用不同的手段处理，详细操作手段见另外一个回答：数据挖掘中常用的数据清洗方法有哪些？
5、数据使用阶段的质量管理手段
数据使用阶段还需要质量管理？当然！无论是在数据分析还是数据挖掘之后，结果自然是要保存下来的，此时的数据仍然要按照标准，进行规范的管理，无论是存储结果的表名，还是字段、格式等。此外，在数据分析、挖掘的时候，也会有新的数据产生，此时依然需要进行标准化之后进行统一管理。
6、数据质量的持续监控和完善
数据质量管理并不是一个流程做完就结束了。如同戴明环一样，数据质量同样要建立一个环，不断发现问题，弥补问题。在各个环节新发现的各种问题，定期进行分析，确定应对方案，并加以改进。质量乃数据之根本，没有质量，数据便不可信，在此之上的数据分析、数据挖掘更是一纸空谈，甚至是大谬论。
每个企业都会存在数据质量问题。所有人都知道数据分析、数据挖掘的80%工作量都在数据处理上。但是与数据分析、数据挖掘红得发紫的热度相比，数据处理显得冷清多了。
