误区一：数据治理和数据质量是两个不同的举措。

真相：没有数据质量的数据治理是数据治理的轻点。

数据治理可确保参与数据管理的人员，流程和技术也建立对信息的信任，以生成可靠的见解，从而使业务受益。没有数据质量，这是不可能做到的。

当数据在数据供应链中传播时，将面临新的流程，使用和转换，从而影响其完整性。通过对数据质量进行评分和监控，并在数据治理计划中实施数据完整性控制，企业可通过防止可能对审计，风险和合规性报告，管理演示和一般决策产生不利影响的下游数据问题建立数据信任。

迷思二：解决数据质量问题是极其昂贵且耗时的。

事实是：先进的数据质量检查和集成的机器学习功能使公司能够自动监视和提高企业数据信任度。

机器学习和分析功能不断监视数据完整性，自动执行数据质量任务，这些任务通常需要大量人员来完成，并确保数据没有错误。当业务用户知道数据是准确的时，他们就会信任该信息以帮助做出更好的业务决策。

误区三：知道数据的质量是高还是低是重要的事情。

事实是：数据质量是一个不断变化的目标，仅将数据分类为低或高就不会减少数据质量。

数据是有点不准确还是非常不重要。对于那些使用数据的人来说，无论它在任何级别上都不准确，它都是无用的。但是，有时也可能数据是准确的，但并不完全有用。例如，如果一个组织具有六年的准确数据，则业务用户可能会认为该信息不可靠，因为它不及时，即使它可能以其他方式对不同部门有用。相对于实际知道数据的高低，取决于消费者打算如何使用它，能够表征，分类和提供数据沿袭对数据的用户而言可能更为重要。

误解四：第三方对自己的数据质量负全部责任。

事实是：无论是否在内部创建，验证和维护所有数据源的数据质量至关重要。

第三方数据推动了与外部资源交换数据的机会，以发现见解并改善客户体验。没有一个明确的方法可以解决一个组织如何影响帮助合作伙伴组织处理其数据质量的问题。因此，当组织从各种外部来源获取信息时，他们必须在数据进入公司的数据供应链时通过应用完整性检查来确保数据的质量。在接收到外部信息后（在每个系统和流程中）对它们的准确性和完整性进行定期检查，有助于在数据进入企业后立即对其进行监控，以确保始终保持从源头到系统的质量。

误解五：员工很容易理解为什么数据质量很重要。

真相：在复杂的数据环境中，质量流程通常被“孤立”，几乎看不到如何配置特定数据集或事务的完整过程。此外，这些孤立的数据可能以不同的格式存在于具有不同信息的不同部门中，这使事情变得更加复杂。这些现有的孤岛阻碍了员工完全了解需要数据质量的影响的能力。

如今，数据的速度和规模以及所使用的大量数据平台和应用程序令人震惊。结果，对数据质量的风险稳步增加。公司必须建立适当的信息质量监督，以在卷积数据环境中导航更改。

误区六：数据质量和数据完整性是不同的概念。

真相：数据质量和数据完整性是几乎可以互换使用的术语。

从历史上看，术语数据完整性是指数据的有效性和数据质量，它表示数据的完整性，准确性和及时性。但是，要了解数据的有效性，企业必须意识到其完整性，准确性和及时性。

数据完整性还意味着整个组织内的数据移动。在整个数据供应链过程中确保完整性，并与数据质量结合在一起。因此，数据完整性或数据质量都可以描述数据的有效性，完整性，准确性，及时性等。这两个术语在其任务中紧密相连：提供可信赖的数据。

误解七：实施数据质量是一项技术计划。

事实是：组织中的每个人都有责任尽自己的职责来解决数据质量。

随着组织中越来越多的人需要高质量的数据来有效地完成工作，每个人都在确定如何地验证信息方面承担着风险。在当今数据驱动的世界和繁重的IT团队中，企业不能再假定IT始终了解需要验证质量的业务需求，也不能要求他们依靠数据集成工具来解决质量问题。展望未来，业务用户需要开始执行自己的质量例程，因为他们知道自己所遵循的要求，因此更多地参与实际实施质量检查可以简化整个过程。