Informatica的数据管理目标
　　
　　调查显示，信息的价值平均为企业价值的37%，这也让越来越多的企业更加重视数据中心的建设。但有许多因素会导致这些“资产”贬值，比如数据的冗余和重复导致信息的不可识别、不可信，信息时效性不强，精确度不够；结构或非结构数据使整合有困难；人员变动引发的影响；数据标准不统一，相关规范不完善造成对数据理解的不充分等等。
　　
　　为了充分实现数据资产的业务价值，您需要一个数据集成平台。Informatica既可以在数据架构层面提供信息传递、B2B数据交换、企业数据集成等一系列的基础架构解决方案，同时也可为行业提供数据质量管理、主数据管理和复杂事件处理等方案，来支撑数据中心实现可信、交互、权威的信息资产管理，达成企业的业务目标，这也是信息中心建设的一个重点。
　　
　　数据质量管理的整体框架
　　
　　数据质量管理在数据中心建设中是一个完整的生态链。数据质量会受到供应商、生产员工、工艺流程以及内部客户和外部一些系统的影响，同时，从应用和软件角度方面讲，数据提供者、软件开发集成、质量管控手段等也都会影响到企业数据质量的整体状况。从数据质量整体框架和方法论上讲，首先我们要了解数据现状、确定目标，然后要清楚用什么人，通过怎样的流程，采用什么样的技术来支撑和达成目标，所以，数据质量管理中，人、流程、技术三方面缺一不可。
　　
　　要实现数据质量提升，还必须要做到指标的可量化，通过量化指标来实现质量可控。从技术层面讲，要从以下六个角度去考量数据质量，也称为数据质量的矩阵，包括：完备性、符合性、一致性、准确性、唯一性以及完整性。
　　
　　构建数据质量处理流程
　　
　　数据质量处理的流程是怎样的呢？我们把数据质量的处理分为两大部分：一是面向数据质量的分析过程，二是针对分析结果进行增强的过程。先要识别和量化数据质量，然后定义数据质量和目标，接下来就要交给相关部门设计质量提升的流程，其后就是实现质量提升的流程，并交付高质量数据给业务人员使用。同时，在整个环境中，还需要有相关的一些监控和对比来评估是否达成了目标，决定是否需要进行新一轮的数据质量提升。这是一个周而复始、螺旋上升的过程。
　　
　　通过Informatica构建数据质量管理主要分为四大部分。首先是AnalyzeandProfiling，通过对现有数据的详细分析、描绘，来确定怎样进行处理和标准化；第二是Standardise\Cleanse，标准化和清洗更容易让计算机识别，比如数据可以通过什么样的格式进行限制和约束，那些信息可以通过数据质点或者参考数据进行相关的标准化；第三是Match，标准化后要进行相关的数据匹配，解决数据重复性问题，保证数据的唯一性；第四是Consolidate，将重复的数据进行合并，最后运用到不同的系统当中。需要注意的是，在整个过程中我们都需要进行相关的监控。
　　
　　现在，很多企业的数据中心，不仅仅只是一个最单纯的面向数据仓库的数据存储中心，而是既能支持业务运营，又支持系统分析，还可进行系统间的整合。在数据中心建设中，数据质量需要从数据源端就开始进行治理，包括PowerCenter、DataQuality、MDMHub、Informatica9在内的Informatica的数据质量工具，可以将所有的业务逻辑和规则变成相关的一些服务，由各个业务前端、各个业务处理过程中，对数据处理服务进行调用，进行相关的数据校验验和数据清洗，保证数据产生过程中的数据质量，减少事后数据处理的难度和投入。
　　
　　总的来说，数据质量管理是一个综合的治理过程，不能通过简单的技术手段得意解决，需要从企业的高度加以重视，才能为数据中心建设提供高质量的数据保证。

　　责任编辑：yayo