为确保供应链数据管理系统的有效性，制定了具体的实施路径，坚持标准化指导、协调联动、专业领导、技术授权、应用牵引和评估激励。
事实上，许多企业过去并不重视数据管理，高质量和低质量的数据混合在一起，直到企业需要开始整理和识别，这极大地拖累了企业的数据转型过程。尽管许多企业很早就开始加强数据资产管理，但技术和财务人员对数据资产进入损益表的细节了解不够。他们可能会将不合规或毫无价值的数据插入损益表，这也会给企业的经营带来问题。
本文以促进供应链数字化运营为出发点，从业务规范、协调、激发专业主动性、加强技术授权、加强应用牵引、评估激励六个方面创新和拓展一般数据管理系统，提出一套材料专业特点，面向业务人员供应链数据管理系统，有效释放供应链数据要素放大、叠加和倍增效应，它可以为能源行业的供应链数据管理提供指导，也可以为其它行业的数据管理提供参考和参考。
即使数据管理员不知道庐山的真面目，也只是在这座山上。(DM，Data Manager)经过完善的培训和丰富的数据管理经验，日常工作中的数据管理质量也会受到固有的工作习惯或长期关注某一治疗领域的思维视角的限制，导致一些数据管理问题的忽视，因此，数据管理质量控制工作需要从旁观者的角度定期调查项目工作中存在的问题和风险。因此，跨项目的质量控制是质量管理体系不可或缺的一部分。因此，跨项目的质量控制是质量管理体系中不可或缺的一部分。安排非项目组成员进行质量控制，可以避免项目组成员思维的固定限制，识别项目工作的潜在错误点或风险点。
积极开展前瞻性研究，探索建立基于供应链业务数据规范的智能样本数据库，支持数据智能应用和开发，重点利用大数据和人工智能提高供应链数据管理能力，围绕业务信息系统自动测试和消除、数据问题自动调查和辅助处理、数据标签智能生成、供应链业务流程智能优化和数字双胞胎等信息建设和数据管理的痛点和难点进行相关研究，形成研究报告、技术方案和验证（见图3）。
项目内部的质量控制由项目PCDM主导，在项目启动、清理和数据库锁定的各个阶段控制项目数据管理活动的质量。
前三期临床数据管理“PM“我们介绍了三个主题内容：明确临床试验各方职责范围的项目范围管理；利用公司和个人资源完成数据管理的项目资源管理；如何制定时间线计划和进度跟进，完成重要里程碑事件的项目进度管理。本期我们分享的是项目质量管理，兼顾项目管理和项目可交付成果。
一系列的数据清理工作是为了确保临床试验数据的准确性，临床试验过程需要参与，有大量的人工输入、修改工作，每个数据输入、传输相关环节都可能出现错误，因此在数据管理工作中，我们需要采取多样化的方法来减少错误的发生。表5列出了临床试验数据的常见错误来源和主要发现方法，数据质量的保证也需要多方密切合作才能完成。
项目质量管理包括将组织的质量政策应用于规划、管理、控制项目和产品质量要求的过程，以满足相关方的目标。规划质量管理过程注重工作所需的质量，管理质量注重整个项目期间的质量过程，控制质量注重工作结果与质量要求的比较，确保结果可接受[1]。临床试验数据的质量不仅直接影响试验结果的准确性和可靠性，而且与研究报告和整个临床研究结论有关。因此，实施质量管理是临床数据管理活动的重要任务。
数据管理的质量控制不仅包括数据清理的质量，还包括数据文档和数据库设计的质量和合规性。DM需要调动建立标准、培训、沟通、验证、纠正、回顾等多种措施，开展多样化的质量管理工作。在数据管理工作中，我们一直敬畏临床试验，始终贯穿质量管理，以确保数据的真实性和准确性。
数据规范对充分发挥数据资产的价值具有决定性意义，直接影响各种决策支持的应用水平，是促进数据共享和业务整合的关键因素。就像“书同文，车同轨”一样，数据管理需要“数同文，数同规”。物资专业是供应链业务数据生成的源头和应用的主力军，需要加强物资专业数据的标准化和标准化。供应链业务数据规范从业务、管理和技术三个角度全面定义和规范供应链业务数据，是供应链数据管理的基础。
根据质量控制实施者，数据管理工作的项目质量控制可分为跨项目质量控制和项目质量控制。跨项目质量控制由部门级独立的质量控制小组实施，项目内的质量控制可由项目成员实施。