当前越来越多的企业认识到了数据的重要性，大数据平台的建设如雨后春笋般。但数据是一把双刃剑，它给企业带来业务价值的同时，也是组织最大的风险来源。糟糕的数据质量常常意味着糟糕的业务决策，将直接导致数据统计分析不准确、监管业务难、高层领导难以决策等问题，据IBM 统计：
错误或不完整数据导致BI 和CRM 系统不能正常发挥优势甚至失效。
数据分析员每天有30%的时间浪费在了辨别数据是否是“坏数据”上。
低劣的数据质量严重降低了全球企业的年收入。
可见数据质量问题已经严重影响了企业业务的正常运营。在企业信息化初期，各类业务系统恣意生长。后来业务需求增长，需要按照统一的架构和标准把各类数据集成起来，这个阶段问题纷纷出现，数据不一致、不完整、不准确等各种问题扑面而来。费了九牛二虎之力才把数据融合起来，如果因为数据质量不高而无法完成数据价值的挖掘，那就太可惜了。
大数据时代数据集成融合的需求会愈加迫切，不仅要融合企业内部的数据，也要融合外部（互联网等）数据。如果没有对数据质量问题建立相应的管理策略和技术工具，那么数据质量问题的危害会更加严重。数据质量问题会造成“垃圾进，垃圾出”。数据质量不好造成的结果是对业务的分析不但起不到好的效果，相反还有误导的作用。很多人可能在纠结，数据质量问题究竟是“业务”的问题还是“技术”的问题。根据我们以往的经验，造成数据质量问题的原因主要分为以下几种：
（1）数据来源渠道多，责任不明确。
（2）业务需求不清晰，数据填报缺失。
（3）ETL处理过程中，业务部门变更代码导致数据加工出错，影响报表的生成。
（1）和（2）都是业务的问题，（3）虽然表面上看是技术的问题，但本质上还是业务的问题。因此，大部分数据质量问题主要还是来自于业务。很多企业认识不到数据质量问题的根本原因，只从技术单方面来解决数据问题，没有形成管理机制，导致效果大打折扣。在走过弯路之后，很多企业认识到了这一点，开始从业务着手解决数据质量问题。在治理数据质量问题时，采用规划顶层设计，制定统一数据架构、数据标准，设计数据质量的管理机制，建立相应的组织架构和管理制度，采用分类处理的方式持续提升数据质量。还有，通过增加ETL 数据清洗处理逻辑的复杂度，提高ETL 处理的准确度。
