浅谈数据质量管理：为了更清醒的数据

浅谈数据质量管理：为了更清醒的数据
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。