数据质量管理深入浅出

质量是生活中最常关注的话题，我们都期望享用高质量的商品与服务，且企业也不断加大质量管理的投入，为了更好的用户体验。

在企业数字化转型浪潮下，传统手段已无法应对数字化转型中的数据质量管理需求，我们需要探索出一条数据独有的质量管理体系应对新的需求。

本篇文章以数据质量管理为目标，探究数据质量背后的逻辑，并通过管理与技术手段进行落地。

一、概述

1、数据质量

数据质量就是通过一组维度来评价数据的方式，如同判断商品的好坏一样，数据也有评价标准。

数据是对现实世界的反映，如果当前数据代表的意义与现实世界不符，则认为数据出了质量问题。

2、质量问题原因

追根溯源，导致数据出现质量问题的原因有很多，总的来看，主要有业务、技术、管理、基础设施四个方面：

• 业务端： 业务源系统变更（源系统数据库表结构变更、源系统环境变更）、业务端数据输入不规范等；
• 技术端： 数据开发任务中各种任务的流程、参数、配置等出错；
• 管理端 ： 认知层面缺乏质量意识、缺乏有效的数据质量问题处理机制等；
• 基础设施： 物理资源不足、基础设施不稳定等。

3、数据质量评判标准

• 准确性：
  数据描述的信息与客观现实是否相符，准确性是数据质量中最重要的评价标准。
• 完整性：
  当前数据是否存在丢失、关键字段为空、或者不可用的情况，主要包括：实体完整、属性完整、记录完整和字段值完整。
• 一致性：
  多源数据是否遵循了统一的规范，数据集合是否保持了统一的格式。
• 规范性：
  数据是否遵循预定的语法规则并符合其定义，例如数据的类型、长度、格式、取值范围等。
• 唯一性：
  当前数据是否有重复，是否存在唯一标识保证数据的唯一性，包括：主键唯一，实体唯一，事件唯一
• 及时性：
  数据从产生到可以查看的时间间隔。数据分析对于及时性要求不高，但如果数据分析周期过长，可能导致分析结论失去借鉴意义。

4、数据质量管理

数据质量管理（Data Quality Management），是指对数据生命周期的每个阶段可能引发的数据质量问题，进行识别、度量、监控、预警等一系列管理活动，并通过改善和提高组织的管理水平使得数据质量获得进一步提高。

通俗点说就是：能够确保数据质量的管理活动，我们称其为数据质量管理。

二：意义

下图即可说明：

三：当前痛点

1、决策导向不可控（重中之重）

目前国内企业掀起了一波数字化转型的浪潮，数据作为生产要素的价值也愈发凸显出来。依赖错误的数据做出的决策，必然会将企业导向错误的方向。在此背景下，数据质量被越来越多的企业管理者重视。

2、数据使用成本高

数据质量较低，导致在数据使用过程中，开发人员需要反复对数据进行校准（准确性）、补全（完整性）、校对（一致性）、转义（规范性）、去重（唯一性）等操作，确保结果真实可用。数据使用成本激增。

3、故障恢复成本高

数据质量导致的问题，最后都会反馈到员工以及用户之中，到时无论是排错，修复，决策调整，都会占用开发-业务-管理人员大量的时间精力，增加人力成本开支。

四：主要目标

1、成本可控

高质量的数据在开发时可以省去数据清洗与预处理的成本，提高开发效率并大幅降低故障率，从而节省出大量的开发与使用成本，减少故障恢复的投入。

2、结果可靠

高质量的数据产出可靠的统计结果与报表。

3、协作高效

依据可靠的结果进行协作，降低了校对以及沟通成本，提高协作效率。

五：数据质量管理落地实施

1、痛点为导向

首先需要明确一点，数据质量在绝大多数的数据平台建设中，都不会作为前期建设的主要重点。

数据质量的建设一般不会以需求为导向，即在平台建设过程中就规划相关内容并进行开发迭代，平台建设的前期一般以业务产出为主。

平台建设完成后，数据质量相关痛点愈发凸显，导致平台遭受质疑，数据使用成本升高，此时数据质量才会被重点关注，并投入大量精力去进行整改优化。

2、事前规范

规范制定
在数据流程正常运行的前提下，大部分数据质量问题均是因为没有遵循开发规范导致。我们可以根据数据质量特性制定相关开发规范并在事前进行遵守。

• 数据模型规范：
  数据结构清晰、分层明确-层级依赖、高内聚-低耦合-可扩展、规范化-反规范化等。
• 元数据规范：
  字段描述、字段类型-长度-取值范围、枚举范围、主键唯一等。
• 命名规范：
  表、字段名称，项目名称，文件名称、函数名称、编码规范等。
• 安全规范：
  隐私字段脱敏、权限层级管控等。
• 上线规范：
  唯一性校验、试运行正常、数据条数校验、NULL 值校验等。

规范核验
针对已经制定的开发规范，需要采取自动化或人工手段进行规范校验，并提醒相关责任人进行整改，否则规范只是流于表面。

3、事中监控（数据质量监控系统）

数据质量的落地实施，最核心还是需要通过数据质量监控系统，通过自动化的质量检核方式，极大的减少人力的投入和过程干预，提升效率，减少误差。围绕完备性、真实性性、一致性、及时性等指标监控分析数据质量问题并进行整改优化。

监控规则制定
引用系统定义的校验规则对系统表、字段进行多角度的数据质量监控，对系统关键业务数据的质量情况进行全方位把握，监控规则分为字段级与表级监控，具体包含以下几种：

• 唯一值监控： 监控某个字段值是否唯一，例如 ID，如果唯一值字段出现重复数据，则代表数据质量异常。
• 空值监控： 某个字段必须有值，例如付款记录中的金额。此规则监控此类字段是否为空，为空则判断异常。
• 指标波动监控： 某个指标例如 GMV，如果当天指标比昨天暴涨 10 倍，大概率为异常。
• 取值范围监控： 例如年龄字段，值是否超过常规范围。枚举字段，值是否超过定义范围。
• 记录数量波动监控： 如果当前表日均增加 1W 条记录，某天新增超过 2W 条，大概率出现异常。
• 数据规范校验： 字段格式规范（例如时间字段是否按照指定格式），

监控异常告警
对上述监控规则中，出现异常的任务进行告警至责任人。包括但不限于：微信、钉钉、飞书、邮件、短信、手机等方式。

异常修复及记录
责任人接收到异常告警后，及时对数据任务进行排查以及修复，同时对当前异常进行记录用于后续整改。

4、事后改进

事实上，再严格的预防措施和监控都无法完全避免数据质量问题的发生，事后的管理和评估就尤为重要了。

要想真正解决数据质量问题，就要明确业务需求并从需求开始控制数据质量，并建立数据质量管理机制。

从业务出发做问题定义，由工具自动、及时发现问题，明确问题责任人，通过邮件、短信等方式进行通知，保证问题及时通知到责任人。跟踪问题整改进度，保证数据质量问题全过程的管理。

六：评价体系

在公司实施了一系列的数据质量管理策略之后，我们如何评价是否有效，可以从以下几点：

1. 数据完整性
   ☆ 考量数据项信息是否全面、完整、无缺失
   ★ 指标公式：表完整性和字段完整性的平均值

2. 监控覆盖率
   ☆ 确保数据遵循统一的数据标准或规范要求
   ★ 指标公式：已监控作业个数/作业总个数

3. 告警响应度
   ☆ 通过日常管理、应急响应，降低或消除问题影响，避免数据损毁、丢失
   ★ 指标公式：已处理告警个数(本周)/告警总个数(本周)

4. 作业准确性
   ☆ 考量数据是否符合预设的质量要求，如唯一性约束、记录量校验等
   ★ 指标公式：1 - 告警作业个数(本周)/监控作业总个数

5. 作业稳定性
   ☆ 考量作业的运行稳定性，是否经常报错，导致数据事故
   ★ 指标公式：1 - 错误作业个数(本周)/作业总个数

6. 作业时效性
   ☆ 考量数据项信息可被获取和使用的时间是否满足预期要求
   ★ 指标公式：延迟的高价值作业个数/高价值作业总个数

7. 作业性能分
   ☆ 考量作业的执行效率和健康度，诊断作业是否倾斜等性能问题
   ★ 指标公式：1 - 危急作业个数(本周)/作业总个数