每个评估对象下具有多条数据质量技术规则，评估模型主要是解决在通过客观评估法计算每条规则的具体得分且通过权重矩阵为每条数据质量技术规则赋予权重之后，通过什么算法来综合每条规则的具体得分和其对应的权重，获取评估对象的最终得分。在数据质量评估时，根据是否检核评估对象下的所有数据质量技术规则，评估模型分为分层抽样加权评估模型和全数据质量规则加权模型，为确保数据质量评估结果能够较全面地反应评估对象的质量好坏，当前在实践中，采用全数据质量规则加权模型。
评估报告旨在全面地、客观地、及时地向数据质量管控工作相关的决策层、管理层汇报评估对象的数据质量情况。根据汇报对象的不同，分为面向决策层和面向管理层的报告。
数据管控平台质量管理模块，是负责对上述评估维度和标准、评估方法、评估报告等内容进行装载和实现的应用信息系统平台，该平台的各项功能应配合投入正常使用。
数据治理的循序渐进
商业银行数据治理建设工作开展，数据治理整体框架的逐步形成，包括在数据治理体系架构、数据治理流程、数据标准、数据质量评估、数据管控平台等方面，均应形成丰富的产出，包括改善风险数据质量、建立风险数据集市，建立起风险数据质量标准（风险数据的类型、字段、存储数量、校验规则等）；并按照数据质量标准通过内部产生或外部购买的方式开始收集积累风险数据。然而，数据治理工作并不是一蹴而就的，而是需要循序渐进，并坚持不懈地开展下去。
首先，数据标准建设工作。银行在数据标准建设时，制定基础数据标准和指标数据标准，同时，要基于风险数据集市、信贷系统数据字典、新建重要系统需求、风险监管报表中重要并广泛使用的数据项补充制定数据标准。此外，也应对网银、银行卡、贵金属、押品、渠道、风险模型等业务领域进行数据标准的完善工作。
其次，数据标准在信息系统建设中的应用。要在数据标准管理流程已经形成，管理办法已颁布基础上，针对所有新建系统，开展数据标准应用的落地执行检查。银行各相关部门需要在新建系统的业务需求规格说明书和系统规格说明书中，使用数据标准规范与其相关数据项的各项属性。同时，开发人员需要参考设计文档，使用数据标准规范系统中的相关字段；测试人员需要对数据标准的应用情况进行测试。
作为数据治理的重中之重，数据质量评估与提升也应常态化。在数据质量评估体系建设完成后，依托数据管控平台，可以对银行各业务系统、各部门、各数据主题等评估对象开展数据质量的评估与提升工作。为充分利用数据质量建设成果，还可以针对“信贷风险管理系统”、“零售信贷全流程系统”、“汽车金融服务系统”，以及“小企业系统”等，开展数据质量评估工作，对重大的数据质量问题进行成因分析及解决方案的研究，并逐步提升其数据质量。
应对风险数据变革的建议
我国商业银行风险数据缺乏规范性，风险数据缺乏统一标准，而大数据时代的商业银行的风险管理，则应体现为以数据为基础、计量模型为工具、风险指标为决策依据的体系。
商业银行风险管理者要具备充分的想象力和开创性，致力于实现商业银行风险数据的梳理、汇总及整合，并建立起统一、强大的风险数据管理体系，助力商业银行提升竞争力。
商业银行应推进风险管控思路的创新与变化，建立以大数据为基础、线上线下相融合的风险识别与计量模式。应借鉴国际经验，通过建立数据集市实现统一收集、整理和存储风险相关所有基础数据，实现基于大数据量模型的加工计算，统一基础数据、提升数据共享，有效降低系统复杂程度的同时提高数据处理速度并改进质量。此外，银行应积极向互联网经营模式渗透,通过电商化的服务积累客户在线交易与行为数据,同时银行可在合乎监管规定和保护金融消费者利益的前提下,与外界海关、工商、税务和互联网公司等开展数据互换与共享,提升客户数据价值。