如何解决银行企业CMDB项目中的数据准确性难点问题？

平常金融单位在CMDB建设中肯定会遇到数据准确性的问题，CMDB的数据质量直接决定的CMDB项目的成败，CMDB的数据质量差将导致各类消费场景使用过程中的消费异常，降低运维人员对CMDB数据的信用程度，最终导致CMDB数据无人愿用无人敢用。解决该问题的主要方法主要有三个：
1 提升配置自发现程度：针对CMDB中的数据，我们可以分类为人工维护类数据和配置自发现数据，正常情况下，配置自发现的数据准确度较高，在实际实施过程中，我们要尽量提升配置自发现程度，尽可能的通过自发现或其他自动化采集手段，实现配置项数据及配置关系的自动发现。
2 流程管理协同，提升人工维护类数据准确性：在CMDB的手工维护类数据，一般情况下主要有应用资源相关数据和硬件资产相关数据，针对这两类数据，要尽量避免单独实现配置数据的维护，要在应用全生命周期和硬件资产全生命周期流程内，即在应用上下线，应用变更、资产上下线、资产变更等场景下，实现数据的表单化输入和数据自动同步，在流程过程中更新CMDB的数据，可最大程度的保证数据的准确性。
3 建立数据标准，实现数据治理工具：在模型建立阶段，我们就要明确CMDB数据的数据标准，主要是明确CMDB各类CI项的主数据源，另外，要明确关键要素的约束。在数据标准的基础上，要搭建数据治理工具（模块），定期执行数据检查和数据比对任务（可以通过sql实现数据质量规的检查），并定期梳理数据检查出的问题，进行跟踪、修订和深度整改，尽量从数据源头完成数据整改和功能优化。通过建立数据标准和搭建数据治理工具，可以长效的提升数据的准确性，提升CMDB的数据质量。