1.1. 数据质量问题无处不在
基本上每个用数据的同学，都遇到过以下类似的问题。
- 表没有按时产出，影响下游，严重的甚至可能影响线上效果。
- 打点缺失，看了报表才发现数据对不上。
- 数据统计出来，uv大于pv，很尴尬。
- 数据产出暴增，本来1000万的数据变成了3000万。
- 字段里面的枚举值和注释里面的对不上，没人能解释。
- 某些维度缺失，没法做进一步的数据分析。
- 做了一通分析，发现结果很离谱，一点点向前分析，发现打点有问题。
- ……
以上都是数据质量的问题。本文尝试找到一种方法，能够尽可能的发现数据质量问题并解决之。
1.2. 数据标准
谈到数据质量，就必须了解评价数据质量的维度。DAMA UK 提出了数据质量的六个核心维度，见图1。
注：DAMA International （国际数据管理协会）成立于1980年，是一个由技术和业务专业人员组成的国际性数据管理专业协会，作为一个非营利的机构，独立于任何厂商，旨在世界范围内推广并促进数据管理领域的概念和最佳实践，为数字经济打下理论和实践基础。全球会员近万人，在世界48个国家成立有分会。
- 完整性Completeness：完整性是指数据信息信息是否存在缺失的状况，常见数据表中行的缺失，字段的缺失，码值的缺失。比如虽然整体pv是正确的，但在某个维度下，只有部分打点，这就是存在完整性的问题。不完整的数据所能借鉴的价值就会大大降低，也是数据质量问题最为基础和常见的问题。常见统计sql：count( not null) / count(*)
- 有效性Validity ：有效性一般指范围有效性、日期有效性、形式有效性等主要体现在数据记录的规范和数据是否符合逻辑。规范指的是，一项数据存在它特定的格式，如：手机号码一定是11位的数字；逻辑指的是，多项数据间存在着固定的逻辑关系，如：PV一定是大于等于UV的。
- 准确性Accuracy：准确性是指数据记录的信息是否存在异常或错误。最为常见的数据准确性错误就如乱码。其次，异常的大或者小的数据也是不符合条件的数据。准确性可能存在于个别记录，也可能存在于整个数据集，例如数量级记录错误。这类错误则可以使用最大值和最小值的统计量去审核。
- 及时性Timeliness：及时性是指数据从开始处理到可以查看的时间间隔。及时性对于数据分析本身的影响并不大，但如果数据建立的时间过长，就无法及时进行数据分析，可能导致分析得出的结论失去了借鉴意义。比如：实时业务大盘数据，及时反映业务关键指标的情况，暴露业务指标的异常波动，机动响应特殊突发情况都需要数据的及时更新和产出。某些情况下，数据并不是单纯为了分析用而是线上策略用，数据没有及时产出会影响线上效果。
- 一致性Consistency：一致性是指相同含义信息在多业务多场景是否具有一致性，一般情况下是指多源数据的数据模型不一致，例如：命名不一致、数据结构不一致、约束规则不一致。数据实体不一致，例如：数据编码不一致、命名及含义不一致、分类层次不一致、生命周期不一致等。
- 唯一性Uniqueness： 在数据集中数据不重复的程度。唯一数据条数，和总数据条数的百分比。 比如 count(distinct business key) / count(*)，一般用来验证主键唯一性。
1.3. 数据的生命周期
- 数据接入：接入上游表输入或者其它数据源的数据。
- 数据加工：编写sql生成目标数据表。
- 数据产出：定时调度任务生成数据表。
- 数据应用：下游数据分析、报表等应用数据。
在上面任何一个环节中，都可能出现数据质量的问题，提升数据质量需要从数据接入、数据加工、数据产出、数据应用、效果跟踪等全流程进行把控，全局观很重要，不拘一点，才能看的更全面。
