数据质量如达到数据消费者的期望和需求，也就是说，如果数据满足数据消费者应用需求的目的，就是高质量的；反之，如果不满足数据消费者应用需求的目的，就是低质量的。因此，数据质量取决于使用数据的场景和数据消费者的需求。 数据质量管理的挑战之一，是与质量相关的期望并不总是已知的。通常，客户可能不清楚自身的质量期望，数据管理人员也不会询问这些需求。然而，如果数据是可靠和可信的，那么数据管理专业人员需要更好地了解客户的质量要求，以及如何衡量数据质量。随着业务需求和外力的发展，需求会随着时间的推移而变化，因此需要进行持续的讨论。

要确保资产符合数据质量期望，通常需要定义几个关键要素。根据选项提供的内容，以下是对每个选项的分析：

A: 维度（Dimensions） - 数据质量维度是评估数据质量的标准，如准确性、完整性、一致性、及时性等。定义数据质量维度有助于明确数据质量的各个方面，并为评估和改进提供框架。

B: 业务规则（Business rules） - 业务规则是用于确保数据符合业务需求和逻辑的具体规则和限制。定义业务规则可以帮助识别和纠正不符合业务期望的数据，从而支持数据质量目标。

C: 元数据（Meta-data） - 元数据是关于数据的数据，包括数据的结构、来源、格式等信息。虽然元数据有助于理解和管理数据，但它本身并不直接定义数据质量期望。

D: 价值域（Value domains） - 价值域定义了数据字段可以接受的值范围。这有助于确保数据的有效性和一致性，但它只是数据质量的一部分。

综合考虑，最直接回答“应该定义什么来使资产符合数据质量期望”的是A: 维度（Dimensions），因为它提供了一个全面的框架来评估和管理数据质量。然而，B: 业务规则也非常重要，因为它们直接影响数据是否符合具体的业务质量期望。因此，A和B都是实现数据质量期望的重要组成部分。