Continuous Data Quality Improvement in Enterprise Data Governance: A Model for Best Practices and Implementation
Notice bibliographique
Résumé
Continuous Data Quality Improvement (CDQI) is essential for maintaining the integrity, accuracy, and reliability of enterprise data. In today's data-driven organizations, ensuring high-quality data across various systems and departments is critical for decision-making, operational efficiency, and regulatory compliance. This review presents a model for CDQI within the framework of enterprise data governance, outlining best practices and implementation strategies for sustained improvements in data quality. The proposed model integrates key components such as data quality assessment, improvement strategies, automation tools, and the alignment of governance policies with data quality objectives. It emphasizes the importance of establishing clear data standards, roles, and responsibilities, including the role of data stewards in maintaining quality over time. By leveraging technologies such as AI and real-time monitoring tools, organizations can automate data cleansing, detect anomalies, and provide actionable insights through continuous feedback loops. Best practices for CDQI include fostering a data-driven culture, conducting regular audits, enabling cross-functional collaboration, and integrating data quality metrics into governance policies. The implementation strategy is designed to be phased, starting with pilot programs and scalable to larger enterprise systems. Additionally, the model addresses challenges such as organizational resistance, balancing privacy concerns, and managing complex data environments. By adopting this model, organizations can ensure ongoing data quality improvements, leading to more accurate insights, better compliance with regulations, and enhanced business outcomes. This abstract provides a foundation for organizations aiming to enhance their data governance frameworks through continuous improvement.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,089 | 0,064 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,002 |
| Méta-épidémiologie (sens large) | 0,002 | 0,003 |
| Bibliométrie | 0,007 | 0,007 |
| Études des sciences et des technologies | 0,007 | 0,036 |
| Communication savante | 0,029 | 0,034 |
| Science ouverte | 0,008 | 0,016 |
| Intégrité de la recherche | 0,014 | 0,015 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,002 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».