KEY DATA QUALITY ISSUES FOR ENTERPRISE ASSET MANAGEMENT IN ENGINEERING ORGANISATIONS
ABSTRACT
Data Quality (DQ) is a critical issue for effective asset management. DQ problems can result in severe negative consequences for an organisation. Several research studies have indicated that most organizations have DQ problems. In response to these problems, organisations have developed various policies (e.g. fair use of data, information privacy, etc). However, it is often difficult to implement these policies at the tacit and operational level, especially identifying the areas or problems to focus on. Through a case study with two state-wide Australian utility companies, this paper tries to present the DQ issues which emerged from a number of asset management processes. The findings are thought to be valuable for practitioners, especially policy implementers, who want to align policy with real-world business.
Keywords: Data Quality, Enterprise Asset Management, Engineering Asset Management
INTRODUCTION
Australiarsquo;s economic and social viability is critically dependent on the capacity of the major physical assets which underpin the industrial, social and economic environments, to function soundly and to meet quality performance management standards. These major physical assets include aircraft, shipping, railways (both in terms of rolling stock and track), defense, roads, bridges, buildings (both commercial and domestic), industrial processing equipment, manufacturing plant, oil and gas extraction and refining plant and equipment, power generation plant, power distribution systems, water storage and distribution facilities. Security of the services provided by these industries is fundamental to the lifestyle and economy as well as the health of the social and environmental fabric.
To address the concerns within various types of asset management, the Australian government has decided to establish a Cooperative Research Centre for researching into Integrated Engineering Asset Management (CIEAM) in order to facilitate the implementation of innovative technologies, processes and programs in a strategic, integrated framework that optimises asset management systems and ensures that Australian industry is globally competitive [6]. Systems Integration and IT, one of the five CIEAM research programs, aims at developing a suite of tools
As Asset Management (AM) is a broad area, this paper places a special focus on data quality (DQ) issues. In order to address the various aspects of DQ issues in enterprise asset management (EAM), the generic data quality concepts need to be summarized (see section 2). Similarly, an overview of generic asset management processes is provided (see section 3). Within these understandings, a close examination is conducted to search for asset management related DQ issues (see section 4). A research framework is then developed for conducting empirical research (by case studies). Based on the preliminary findings, an insightful understanding of various AM related DQ issues will be extracted. These findings will be useful to determine the problem areas that policy implementers need to focus on.
DATA QUALITY
Numerous researchers have attempted to define data quality and to identify its dimensions [15,20,26,27,29,32,45,51,53,55,56]. Dimensions of data quality typically include accuracy, reliability, importance, consistency, precision, timeliness, fineness,understandability, conciseness,and usefulness [2,11,37,40,53]. Wand and Wang [53] used ontological concepts to define data quality dimensions: completeness, unambiguousness, meaningfulness, and correctness. Wang and Strong [53] categorize data quality into four dimensions: intrinsic, contextual, representation, and accessibility. Shanks and Darke [45] used semiotic theory to divide data quality into four levels: syntactic, semantic, pragmatic, and social. Recently, Kahn et al. [27] used product and service quality theory to categorize information quality into four categories: sound, useful, dependable, and usable.
From the literature, it appears that there is no universal definition of data quality; neither is there an agreed framework of DQ dimensions. The four most obvious data quality dimensions are accuracy, relevance, fineness, and timeliness [2,23,57]. These dimensions are inter-related and may even be in conflict with each other. For example, the improvement of accuracy is often associated with a cost of timeliness [2]. Moreover, different stakeholders in an organisation may have different data quality requirements and concerns [17]. For example, the data quality requirements often vary across the different levels of decision-making.
Nevertheless, there is a need for selecting a widely-accepted data quality dimension as the starting point of this research. It is believed that Wang and Strong [56]rsquo;s definition of data quality “quality data are data that are fit for use by the data consumer” is suitable.
Maintaining the quality of asset data is often acknowledged as problematic [9,18,59], but critical to effective asset management. Examples of the many factors that can impede data quality are identified within various elements of the data quality literature. These include: inadequate management structures for ensuring complete, timely and accurate reporting of data; inadequate rules, training, and procedural guidelines for those involved in data collection; fragmentation and inconsistencies among the services associated with data collection; and the requirement for new management methods which utilize accurate and relevant data to support the dynamic management environment.
Clearly, personnel management and organizational factors, as well as effective technological mechanisms, affect the ability to maintain data quality. Wang et al. [57] clarify this relationship by drawing an analogy between manufacturing and the p
剩余内容已隐藏，支付完成后下载完整资料
工程组织中企业资产管理的关键数据质量问题
摘要
数据质量(DQ)是有效资产管理的关键问题。DQ问题会给组织带来严重的负面后果。一些研究表明，大多数组织都存在DQ问题。针对这些问题，机构制订了不同的政策(例如:资料的合理使用、资料私隐等)。然而，在默认和操作级别执行这些策略通常是困难的，特别是识别需要关注的领域或问题。本文通过对澳大利亚两家国有公用事业公司的案例研究，试图呈现出一些资产管理过程中出现的DQ问题。这些发现被认为对实践者很有价值，特别是那些希望使策略与实际业务保持一致的策略实现者。
关键词:数据质量，企业资产管理，工程资产管理
介绍
澳大利亚的经济和社会生存能力在很大程度上取决于支撑工业、社会和经济环境的主要实物资产的能力，这些资产能否健全地发挥作用并满足高质量的绩效管理标准。这些主要实物资产包括飞机、船舶、铁路(包括铁路车辆和轨道)、国防、道路、桥梁、建筑(包括商用和民用)、工业加工设备、制造工厂、石油和天然气开采和精炼工厂和设备、发电工厂、配电系统、储水和分配设施。这些行业提供的服务的安全性对生活方式和经济以及社会和环境结构的健康都是至关重要的。
在各种类型的资产管理解决的问题,澳大利亚政府决定建立合作研究中心研究集成工程资产管理(CIEAM)为了促进创新技术的实现,过程和项目战略,综合框架,优化资产管理系统并确保澳大利亚行业具有全球竞争力的[6]。系统集成和IT是CIEAM的五个研究项目之一，旨在开发一套工具。
由于资产管理(AM)是一个广泛的领域，因此本文特别关注数据质量(DQ)问题。为了解决企业资产管理的DQ的各个方面问题(像),通用数据质量概念需要总结(见第二节)。同样,提供通用资产管理流程的概述(见第3节)。在这些理解,仔细检查进行搜索资产管理相关DQ问题(见第4节)。然后拟定一个研究框架进行实证研究(案例研究)。在初步研究的基础上，我们将对各种AM相关的DQ问题进行深入的了解。这些发现将有助于确定政策执行者需要关注的问题领域。
2. 数据质量
许多研究人员试图定义数据质量并确定其维度。数据质量的维度通常包括准确性、可靠性、重要性、一致性、精确性、及时性、细度、可理解性、简洁性和有用性。Wand和Wang使用本体概念来定义数据质量维度:完整性、明确性、意义性和正确性。Wang和Strong将数据质量划分为四个维度:内在、上下文、表示和可访问性。Shanks和Darke使用符号学理论将数据质量划分为四个层次:句法、语义、语用和社会。最近，Kahn等人使用产品和服务质量理论将信息质量分为四类:健康、有用、可靠和可用。
从文献来看，似乎没有对数据质量的普遍定义;也没有商定的DQ方面的框架。最明显的四个数据质量维度是准确性、相关性、细度和及时性。这些维度是相互关联的，甚至可能相互冲突。例如，准确性的提高通常与及时性的成本相关。此外，组织中不同的利益相关者可能有不同的数据质量要求和关注。例如，不同决策级别的数据质量需求经常不同。
然而，有必要选择一个被广泛接受的数据质量维度作为本研究的出发点。认为Wang和Strong对数据质量的定义“质量数据是适合数据消费者使用的数据”是合适的。
维护资产数据的质量通常被认为是有问题的，但对于有效的资产管理至关重要。妨碍数据质量的许多因素的例子在数据质量文献的各种元素中被确定。这些问题包括:管理结构不足，无法确保完整、及时和准确地报告数据;收集数据的规则、培训和程序指南不足;与数据收集有关的服务之间的碎片和不一致;并要求新的管理方法，利用准确和相关的数据来支持动态的管理环境。
显然，人员管理和组织因素以及有效的技术机制都会影响数据质量的维持能力。Wang等人通过对制造和数据生产之间的类比来阐明这种关系。按照ISO 8402产品质量标准，数据质量的责任从管理到个别程序和机制都有。它们的框架规定了数据质量政策的最高管理角色，即与数据质量相关的总体意图和方向
数据质量管理功能，以确定如何执行该策略。这进而应该产生一个用于实现数据质量管理的数据质量系统，在这个系统中，通过操作技术和活动执行数据质量控制。数据质量保证包括所有计划的和系统的行动，提供数据满足质量要求的信心。
3. 资产管理
资产管理是指对厂房、设备进行全寿命管理;也就是说，从规范到制造、调试、使用寿命、维护，然后管理在最终退役和回收任何组件之前翻新或更换项目的决策的后果。资产管理是一个结构化的程序，通过降低拥有成本来优化实物资产的生命周期价值，同时提供所需的服务水平。资产管理系统的目标是最小化长期拥有、运营、维护和更换资产的成本，同时确保可靠且不间断地提供优质服务。在其核心，资产管理寻求管理设施的资产之前，它是业务激活后很久，它已被停用。这是因为，除了管理当前和活动资产之外，资产管理还处理计划和历史需求。
资产管理的过程是复杂的，因为它是一个工程和规划过程，需要从组织的许多不同部分收集大量信息。为了确定长期趋势，这一信息必须保持多年。资产管理工程和计划过程使用这些信息来计划和安排资产维护、恢复和替换活动。捕获、维护和提供所需资产信息的信息管理系统对于提供有效的资产管理[46]至关重要。
AM中涉及到许多AM进程。例如，图1显示了资产管理有许多独特的流程，这些流程以前没有讨论过。进一步的研究可以从Woodhouse找到。
Sandberg[41]和Paiva, Roth和Fensterseifer[38]认为，当代资产管理要求提高能力和知识，以持续支持资产管理过程，包括数据获取、实时监控以及计算机支持的分类和记录与标准操作的差异。图2展示了资产管理流程的概述以及与该流程相关的信息流。
图3展示了集成工程资产管理框架的概述，并指出需要建立企业范围的资产管理信息系统。
4. 数据质量和资产管理
资产数据质量问题在实践中变得越来越普遍，证据表明大多数组织，特别是工程企业，都经历过某种程度的问题
DQ问题。数据质量问题可能会对业务产生重大影响。在大多数大型企业中，数据质量是一个被忽视的问题。昂贵且耗时的数据集成计划通常会失败，原因是缺乏对源数据中的缺陷的认识或缺乏关注。
个别运作系统的数据质素欠佳，可能会对企业造成重大的负面影响，包括:
bull;生产率下降，日常战术任务的错误率上升。
bull;无法交付来自直接处理或业务活动监视等计划的结果。
数据质量管理可以看作是一个业务问题。这就要求商业领袖要有高度的意识和理解低数据质量对商业结果和关键战略计划的影响。大多数大型企业都有因数据质量差而导致项目失败的例子。使这些对管理团队可见，允许组织的其他成员从这些经验中学习，以便改进。基于这种认识，企业必须遵循结构化的方法，以确保业务和IT资源集中于实现和维持数据质量方面的改进。
通过分析现有的实践和开发模型来帮助工程企业捕获、处理和交付质量信息[49]，解决工程资产管理系统中的DQ问题的需求越来越大。必须确保从监测系统获取的数据的质量，这些数据用于控制系统、维护系统、采购系统、后勤系统和各种任务支助应用，以促进资产可用性、准备就绪、可靠性、有效性和管理[35]。
然而，资产管理并不是很多企业的核心业务活动，因此他们依赖传统的组织信息源来管理资产。
这些传统的信息来源代表了工程师、操作员和信息系统中包含的隐含的知识，这些信息系统的设计主要是为了提高生产力，而不是提高生产过程的效率。同时，资产管理中存在着各种操作和管理系统，它们不仅管理资产设备的运行，而且在整个资产生命周期中提供维护支持。在实践中，数据以电子和手动两种方式收集，以各种格式，单独处理，存储在各种遗留系统中，在各种操作和管理系统之间共享，并通过各种来源与各种业务涉众进行通信。这些系统捕获和处理的数据并不全面;它依赖于进程，因此很难被其他任何进程[19]重用。
由于系统和利益相关者的多样性，以及资产管理中资产操作的不可预测性，无法挖掘用户需求，导致资产数据“不干净”。在管理整个资产生命周期的物理资产时，需要大量的数据来进行长期性能和可靠性预测，并向决策过程提供何时终止资产的信息。尽管从资产状况监测系统中产生了大量的数据，但是很少考虑到这些产生的数据的质量。因此，来自这类系统的数据质量可能会受到严重的限制。
在资产管理中管理DQ的文献中似乎很少有讨论。因此，有必要建立一个模型来提高DQ在资产管理中的能力。为了解决这个问题，首先需要开发一个特定于资产管理的DQ框架，通过进行一个试验案例研究来识别资产管理中独特的DQ问题。本文旨在介绍试点案例研究的初步结果。研究结果将与现有文献一起进一步用于构建所提议的DQ模型。
5. 资产管理数据质量研究框架
Mitroff和Linstone认为，任何现象、子系统或系统都需要从他们所称的多角度方法来分析——使用不同的看待问题的方法，来寻找问题的角度。这些不同的观察方式在Linstone， Mitroff和Linstone和Werhane的顶级模型中得到了展示。该模型允许分析人员从技术、组织或个人的角度查看问题上下文:
bull;技术视角(T)将组织视为个人、团体、组织和系统之间相互关系的层次结构或网络
bull;组织视角(O)从有效性和效率的角度考虑组织的绩效。例如，领导力就是一个问题。
bull;个人视角(P)关注个人的关注点。例如，从这个角度来看，工作描述和工作保障问题是主要关注的问题。
因此,基于资产管理的过程(见上图,图1,图2和图3)和顶部的角度,需要研究模型以指导探索的过程数据质量问题的新兴的现代方法(EAM信息促进)资产管理。
基于对各种数据质量问题[16,57,62,63,64]的讨论和资产管理的独特要求，对数据质量进行研究使用TOP透视图理论，开发了如图4所示的资产管理框架。
有强有力的证据表明，大多数组织拥有的数据比它们可能使用的数据多得多;然而，与此同时，他们没有真正需要的数据[31]。因此，确定业务需求是至关重要的。TDQM (Total Data Quality Management)方法论[27,55]强调了持续改进和高质量信息产品交付的重要性。它表明定义需求、测量、分析和监视改进是信息制造系统中的重要过程。TDQM循环的定义组件确定了重要的DQ维度和相应的DQ需求。度量组件生成DQ度量。分析组件确定DQ问题的根本原因，并计算低质量信息的影响。最后，改进组件提供了改进DQ的技术。
由于数据不是静态的，它是动态的、流动的资源。它在数据收集和使用过程中流动。每个阶段可能出现的DQ问题是不同的，并且需要不同的度量标准以及解决方案[8]。由于数据的连续性，DQ不是一次性的、固定的、遗忘的实践[14]。在整个数据生命周期的上下文中，构建和保持高质量的公司数据需要持续的警惕和反馈。反馈回路是一种重要的DQ监测工具。战略反馈回路的应用可以确保业务需求是最新的。
这个框架对于指导资产管理中数据质量问题的研究非常有用，因为它突出了数据质量问题的三个基本观点(上)，说明了它们在资产管理过程中是如何出现的;特别地，概述了四个基本的数据质量度量标准。
虽然资产管理中数据质量高的关键因素还没有得到解决，但是已经有很多关于质量管理中的关键因素的研究，如全面质量管理(TQM)和准时制(JIT)。一些数据质量文献已经解决了DQ的关键点和步骤。关于资产管理过程，DQ因素，如图5所示，是从DQ相关研究成果的文献综述中总结出来的，目的是开发一个半结构化的研究方案，用于访谈，目的是了解从单个过程中出现的DQ问题。
图4:资产管理的数据质量研究框架
6. 研究方法
在这项研究中，选择了两个大型澳大利亚组织作为案例地点。案例研究用于研究现实生活背景下的当代现象，它可以用于研究和理论处于其早期形成阶段的。由于资产管理的数据质量在研究界很少受到关注，因此有必要检查数据质量是否对任何资产管理计划都是一个关键问题，以及在资产管理中确保数据质量的关键因素是什么。因此，案例研究似乎适合本研究。
在数据质量研究中，已经确定了四类利益相关者:数据生产者、数据保管人、数据消费者和数据管理者。
在资产管理环境中应用利益相关者的概念:
1. 数据生产者是那些为资产管理系统创建或收集数据的人。
2. 数据保管人是设计、开发和操作资产管理系统的人员。
3. 数据使用者是那些在其工作活动中使用资产信息的人。
4. 数据管理人员负责管理资产管理系统的数据质量。
通过与资产管理系统的关键利益相关者进行半结构化访谈收集数据。在资产管理领域，我们总共与来自参与机构的承包商、雇员和各级管理人员进行了31次访谈(每个地点分别为15次和16次)。每次访谈都包括关于组织的背景、资产管理实践、参与者的角色以及他们对资产管理中的数据质量问题的看法等问题。从包括报告和内部和外部文件在内的次级数据中获得了更多的资料。本案例研究的目的是调查在工程企业中与EAM系统实施相关的数据质量问题在真实组织中实际发生了什么。
通过一系列的采访，提出了新的问题。这些问题都被记录下来，并在后续的访谈中被重新表述为问题。据信，经过若干次采访后，大多数重要问题都已得到解决。此外，为了确保有效性，这些问题已经向不同的人(同一组织的不同级别、同一级别但不同的公司)提出，以进行交叉核对。
图5:影响数据质量的因素汇总
7. 初步研究结果
由于本文篇幅的限制，以下仅列出本文的主要发现。
7.1技术的角度来看
7.1.1 am相关技术系统的集成，业务系统与技术系统的集成
各种am相关专业技术现有的系统包括可靠性评估系统、资产容量预测系统、企业资产维护系统、电机测试系统、涡轮机械安全系统、旋转机械振动条件监测系统、运行数据历史学家、
剩余内容已隐藏，支付完成后下载完整资料
资料编号：[410093]，资料为PDF文档或Word文档，PDF文档可免费转换为Word
以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。
