首先要知道，数据质量问题在一个公司里到底是一个什么层级的问题？
很多对数据部门来说很严重的问题，对其他部门的同事来说，却并不是问题。数据平台的数据治理方案，为数据质量管理提供了基础工具，但是整体问题的解决仅仅依靠工具是不够的。
统一名词库，是一件典型的“看起来很简单”的事情。
第一种，是由于不同部门使用的规范不统一造成的。
如果各业务的开发部门相互独立，有各自的架构师和代码规范，不统一就非常正常。这种情况通常可以在数据仓库通过计算来将规范统一。
第二种，是方案带来的问题（或者叫作定义问题），包括技术方案和产品方案。
产品方案问题可以分为数据方案问题和后台方案问题。
数据方案即我们通常讲的“口径问题”，即同一个名词，在不同的业务场景下均被使用，但是有不同的指标定义。这种情况相对好解决，短期内对“所有计算透明口径”达成共识，长期使用更多上层表和统一指标库即可。
第三种，也是最复杂的一种，即架构问题。
（1）无埋点有多大程度可以替代埋点？
（2）埋点内容究竟应该由谁来维护？如何维护？
至少在目前普遍通用的技术方案中，埋点仍然不可替代。在现阶段，无埋点和全埋点方案只能是埋点的补充，而无法成为主导。这里面的主要原因是埋点具有更高的可控性：一是规范可以和前端代码规范解耦，由数据重新定义：二是可以任意添加属性和属性值。尤其是后者，对业务来说极其重要。
事实上，维护好一套埋点规范并不容易，也并不是由单一的某一方执行即可解决。如果要选择单一部门负责，则任何一个部门都会觉得埋点里的很多信息是属于其他部门的，由自己来维护有困难。真实的场景是，谁有能力维护，就由谁来主导并串联信息，但是各部分数据的拥有者要在一定程度上为维护信息的质量负责。无论这个主导的人是技术、产品还是业务部门的，都需要有专人来沟通、跟进、执行埋点，而不是由各部门合作完成。
