浅谈数据质量管理：为了更清醒的数据

做过数据产品的人都会知道，质量高的数据对于产品的意义。笔者在之前曾经历过数据质量管理的具体功能设计，算是较为完整地感受过数据质量管理过程。所以在此简单复盘下经验，借此抛砖引玉。

战战兢兢地写下标题，得意下“清醒”这个词用得真是独树一帜，跟外面那些妖艳贱货好不一样。我们常常说人要时刻保持清醒，这样才能不被假象所蒙蔽。那数据其实更需要这点，我们需要透过数据挖掘本质，如果数据是不具备完整人格的，缺失完整性、规范性、一致性等维度，那么我们看到的本质也是偏差的。开篇先鬼扯一下，详情请往下滑~

基本概念

数据质量管理是指为了满足信息利用的需要，对信息系统的各个信息采集点进行规范，包括建立模式化的操作规程、原始信息的校验、错误信息的反馈、矫正等一系列的过程。

• 数据质量管理不是一时的数据治理手段，而是循环的管理过程。
• 数据质量管理不仅包含了对数据质量的改善，同时还包含了对组织的改善。
  

为什么有这么多人强调改善数据质量管理的重要性，用一种很抽象的比喻描述，如果把整个数据应用比作人体的话，那好的数据就相当于新鲜和沸腾的血液，能让我们的身体充满活力，高效地工作思考。而质量差的血液携带废物和毒素，随着毒素越积越多，血液以及血管就会发生病变，血液流经的全身各处器官也会大受影响。如果非要要具体的数据证明，我摘取了一些专家的统计：

• 据专家估计，由于用户拒绝不可靠的数据，导致多达70％的数据仓库项目遭到失败。
• 据专家估计，糟糕的数据通过使收入受损而会耗费商业机构多达10％～20％的操作总预算。而且，IT部门预算的40％50％之多可能都花在了纠正由糟糕的数据所引起的错误上(English，1999)。
• 专家认为，由于客户的死亡、离婚、结婚或调离，客户文件中的记录在一个月之内会有2％变得过时(Betts，2002)。
  

影响因素

那什么会影响数据质量呢？其实简单就分为2个因素。

• 客观因素：在数据各环节流转中，由于系统异常和流程设置不当等因素，从而引起的数据质量问题。
• 主观因素：在数据各环节处理中，由于人员素质低和管理缺陷等因素，从而操作不当而引起的数据质量问题。
  

在此附上数据的生命周期图，包括各环节的数据流转和数据处理。

评估维度

那怎么样才算质量好的数据呢？借用数据质量评估六要素，顺便附上自己的一些解析：

• 完整性 Completeness数据是完整不缺失的。例如人员信息完整涵盖性别、年龄等。

• 规范性 Conformity数据是规范统一的。例如时间信息都以yyyy-mm-dd格式存储。

• 一致性 Consistency同源或跨源的数据是一致不冲突的。例如同一个人在不同源取过来的性别都是一致的。

• 准确性 Accuracy数据是准确合理的。例如年龄在合理范围内。

• 唯一性 Uniqueness数据是唯一不重复的。例如同一个ID没有重复记录。

• 关联性 Integration数据的关联是不缺失的。例如两张表建立的关联关系存在，不丢失数据。

  
  

具体工作

如何通过具体工作来贯彻落实数据质量管理呢？由于数据质量管理是贯穿数据整个生命周期的，所以根据数据的各环节进行分点描述：

• 数据产生---控制外部数据源（1）非开放式输入，避免用户自己输入，尽量提供用户选择项。设定字典表，例如性别不允许输入（男、女、未知）以外的内容（2）开放式输入，增加提示或者校验。例如设定临界值，例如年龄填了-1或者200，不允许输入。

• 数据接入---保持多点录入一致建立统一的数据体系，例如指标（度量）、口径（维度）。

• 数据存储---保持数据结构统一建立标准的数据结构，例如字段格式，系统提前定义好一种时间默认格式为yyyy-mm-dd。

• 数据处理---保持处理流程一致，该点包括数据稽核和数据清洗按照标准的处理流程，例如统一的清洗规则等。

• 数据输出---保持数据结构统一对数据处理后的结果进行保存时，按照数据存储的要求，进行标准化的统一管理。

• 数据展示---持续监测分析数据设立监测规则不断发现问题，通过解决问题不断改进规则。

  
  

数据稽核（1）定义

数据稽核是指实现数据的完整性和一致性检查，提升数据质量，数据稽核是一个从数据采集，预处理，比对，分析，预警，通知，问题修复的完整数据质量管控链条。

（2）校验规则

• 关联性检查两个数据表的key值关联是否存在。

• 行级别两个数据表的数据量是否一致。

• 列级别两个数据表的表结构是否一致，如字段数量、字段类型和宽度等是否一致。

• 内容级别两个数据表的内容是否一致。其一数据表的内容是否缺失。

  
  

（3）校验流程

1、配置校验规则，例如字段映射等。2、配置调度规则，例如调度频率等。3、配置报表模板，例如稽核结果等。

数据清洗（1）定义

数据清洗是指发现并纠正数据文件中可识别的错误的最后一道程序，包括检查数据一致性，处理无效值和缺失值等。与问卷审核不同，录入后的数据清理一般是由计算机而不是人工完成。

（2）清洗规则

1）缺失值处理

• 根据同一字段的数据填充，例如均值、中位数、众数等。
• 根据其他字段的数据填充，例如通过身份证件号码取出生日期等。
• 设定一个全局变量，例如缺失值用“unknown ”等填充。
• 直接剔除，避免缺失值过多影响结果。
• 建模法，可以用回归、使用贝叶斯形式化方法的基于推理的工具或决策树归纳确定。
  

2）重复值处理

• 根据主键去重，利用工具去除重复记录。
• 根据组合去重，编写一系列的规则，对重复情况复杂的数据进行去重。例如不同渠道来的客户数据，可以通过相同的关键信息进行匹配，合并去重。
  

3）异常值处理

• 根据同一字段的数据填充，例如均值、中位数、众数等。
• 直接剔除，避免异常值过多影响结果。
• 设为缺失值，可以按照处理缺失值的方法来处理。
  

4）不一致值处理

• 从根源入手，建立统一的数据体系，例如指标（度量）、口径（维度）。
• 从结果入手，设立中心标准，对不同来源数据进行值域对照。
  

5）丢失关联值处理

• 重新建立关联。
  

参考资料

如何保证数据质量？
数据分析师必修课（1）——数据质量评估
浅谈数据质量管理
利用数据质量规则库推动数据质量管理
主数据-数据质量管理
谈数据稽核(3)
中兴软创-数据稽核系统解决方案