不同部门可能使用同名但不同义的指标，交付前需要统一定义。这次讨论围绕数据质量规则的分类，放在数字化治理与业务协同的范围内，先保留能核对的线索，再判断它们能支持多大的结论。在云顶集团的相关栏目中，这类问题也会结合不同使用情境继续展开。
比较对象先对齐
比较数据质量规则的分类，先要确认两边使用的对象、环境和任务。完整性、准确性、一致性和及时性分别反映不同问题，需要按任务设计规则。不具备共同条件的结果可以并列保存，但不宜据此直接排出优劣。
给每一次观察保留背景
把业务含义和系统字段一起核对，保留冲突处理方式。把每条规则对应到可观察现象，注明阈值、责任人与处置方式。在数字化治理与业务协同的阅读中，版本、时间范围与实际使用步骤往往比一个孤立数值更能帮助解释差别。
差异出现后怎样核对
规则通过不代表覆盖所有业务错误，质量检查范围应明确。还应检查观察方式是否相同，是否存在未记录的变化。能够解释部分现象，并不等于已经排除了其他原因。
结论写到证据能够覆盖的位置
对于部门协作，可将结论写成在何种条件下看到了怎样的差异，并把尚未统一的项目单列出来。这样整理后，比较能够继续扩充，也便于下一次遇到相近任务时重新验证。
常见问题
理解数据质量规则的分类，先确认什么？
完整性、准确性、一致性和及时性分别反映不同问题，需要按任务设计规则。
在部门协作时怎样开始？
把业务含义和系统字段一起核对，保留冲突处理方式。把每条规则对应到可观察现象，注明阈值、责任人与处置方式。
什么情况下不宜直接套用结论？
规则通过不代表覆盖所有业务错误，质量检查范围应明确。