评估改进后数据质量的投资回报率时需要格外注意，不要把那些只包含运营预算或收益百分比等不确切“行业数据”的商业案例摆到企业高管层的面前，他们是不会关注这样的商业案例的。 拟定数据质量商业案例需要进行认真的调查研究，与业务领域专家进行讨论，并且要稳健务实。
为了避免此问题，必须消除信息质量的人格化特征。 在可用于评估业务规则符合度的声明中，你要简明扼要地说明业务期望，从而消除数据中的价值判断。 反过来，这个方法提供了对信息有效性进行量化的方法，即运用意在鼓励信息开放的相关业务指标对信息有效性进行量化。
以下原则可以帮助企业将被动的工作氛围变得主动：
第一，确定关键的业务数据质量预期;第二，清晰确定上述预期作为业务规则存在的身份;第三， 度量数据与所定义业务规则的符合度，从而提供关键数据质量指标。
1、先采购软件
虽然数据质量软件工具是数据质量计划中的关键组成部分，但在采购之前还是应该问一下以下问题：采购的动机是什么?目前的流程是什么?在提高数据质量计划有效性方面有什么改进潜力?
成功的企业在获得数据质量工具之前都会采取两项重要措施。 首先，进行业务需求评估，了解企业内普遍存在的数据质量问题。团队成员在企业内部收集各种需求和愿望，并根据所需对这些需求和愿望排定优先级，从而反映出业务采购需求。其次，为了在采购完成后尽快部署资源，成功的企业制定了所需技术的使用策略和使用流程。
2、不会分析数据
如今，企业通常都会管理千兆、兆兆规模的数据系统，并且数据的规模仍不断增长。但是，由于缺少全面的数据分析，这些组织很难发现潜在的数据质量问题。 如果无法了解存在何种问题，改进数据质量又从何说起呢?
为了了解存在的问题，你需要将有效的分析、评估流程与数据剖析、数据标准化、数据匹配等工具结合使用。数据剖析工具可以帮助分析师发现妨碍业务目标达成的信息缺陷。
全面的数据分析有助于提高数据质量问题识别的效率，以及制定消除这些问题的规则。
3、没有储备适合的专业人才
制定数据质量计划是一项战略性工作―其成功同时依赖于业务和技术专业人才。由于数据质量管理很大程度上，尤其是在企业级别，其性质是建议性的，因此数据质量计划的作用就更为复杂。
不难想见，大家都期望一旦数据质量计划启动，数据质量就一定会有明显的改善。流程工具间的紧密结合使问题更趋复杂。如果你认为数据质量管理员应当为一些行动负责，但是他却不一定拥有实施这些行动所需的知识或权限，这就导致了潜在的两难境地。这让人不知该从何入手来解决问题。
构建数据质量计划时，应该实施以下措施：
首先，在计划开始时，招募一些在数据质量计划管理方面有经验的专业人士。这些人能抓住战术上取得成功的机会，从而使计划获得战略上的成功。
其次，邀请外部专家帮助启动改进流程。 这样做可以让你的团队明白，你们的问题不是特例，同时可以学习他人的最佳实践。
然后，利用顾问的角色及内部流程，将数据质量改进的责任分摊到现有的信息管理部门。
最后，不要忘记实施有关策略和流程的培训―尤其是要培训如何使用所采购的工具。