隨著組織的成長和變化，他們面臨著變得越來越復雜和業務線越來越孤立。全球競爭,加強監管和對技術的依賴自動化是組織的要素尋找更好地管理不確定性的方法了解他們正在成長的業務。分析已經成為推導真理的主要推動者數據的意義可以用來驅動業務增長。

分析，或者現在被普遍稱為數據的東西科學，是一門新興的學科不僅僅是花哨的編碼。正確執行,數據科學使用復雜規則的算法來篩選大量數據，揭示業務洞察力或自動化的收入產生，例如互聯網廣告。然而，根據福布斯最近的一項研究，只有大約13%的數據科學家的時間是這樣用于挖掘數據的模式和煉油algorithms2。組織通常忽略數據質量、數據治理和一體化在起點上有利于依托在技術上和技術熟練的員工一起工作用二手資料來糾正錯誤。

因此,數據科學家的大部分時間都花在收集上以及清除包含缺陷的數據集。改善數據治理和數據質量可以減輕了數據科學家的巨大負擔，這樣他們就可以自由地做他們想做的事情。

數據治理，如果沒有數據治理，數據科學家必須這樣做依靠商業利益相關者來教育他們業務的細節。這不僅效率低下，而且有風險。詳細的業務知識將在不同的業務線以及內部發生變化，那么分析人員必須識別相關的利益相關者將不同的業務模式協調成一個單一的模式用于分析的數據集。

擁有自己對業務及其工作方式的深入了解將使數據科學家成為可能設計定義數據范圍的模型和分析參數。他們必須清楚了解業務問題并擁有一家公司掌握商務語言，相應創建和存儲的數據和知識什么是“足夠好”的數據。換句話說,基本的數據管理實踐成功的影響分析。

數據質量，84%的ceo關心的是質量見解而從數據中得出的結論將會僅與用以獲取它們的數據一樣好;因此，對質量的關注是同等重要的today4。缺乏數據質量能力就把它留給了數據科學家確定檢測和需要采取補救措施來確保他們分析并沒有成為“垃圾”的縮影/垃圾”。這充其量是麻煩的最壞情況下也是令人尷尬的失敗。

經常發生的是結果的差異由不同的分析人員制作——即使是使用副本模型大致相同的數據集，他們不以同樣的方式糾正缺陷。因此,對他們的結果失去了信心，兩隊都失去了信心必須協調他們的工作。展望未來，質量數據將是作為采用的基礎革命性的技術將使企業需要創新和差異化line4。

提高你從數據中獲得可操作的見解的能力管理成熟度(DMM)SM模型數據管理成熟度模型提供不僅是改善數據治理和質量的指導，而且是必須解決的所有方面的指導增強組織獲取洞察力的能力從它的數據。DMM使組織能夠準確地確定優勢和差距，并加速數據的定制路線圖的創建管理的改善。該框架提供了實現數據策略的最佳實踐，治理、質量、操作和架構。

DMM模型包含25個過程域和414個過程域功能實踐，如果實施，將確保為數據分析和數據分析提供強大、可持續的支持敏捷的自動化。數據管理是共享的影響整個組織的責任，反映在廣泛的專題中模型。DMM是一種度量工具，用于評估組織當前的能力包含一個內在的改善路徑，反映成功的能力成長被成熟證明組織。DMM是建筑的天然磁石數據管理程序和基準保證成功。