浅谈数据质量管理

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。