數(shù)據(jù)分析前提:數(shù)據(jù)質(zhì)量管理四要素

數(shù)據(jù)質(zhì)量控制作為數(shù)據(jù)倉(cāng)庫(kù)的基礎(chǔ)環(huán)節(jié)，是保障上層數(shù)據(jù)應(yīng)用的基礎(chǔ)。數(shù)據(jù)質(zhì)量保證主要包括數(shù)據(jù)概要分析（Data Profiling）、數(shù)據(jù)審核（Data Auditing）和數(shù)據(jù)修正（Data Correcting）三個(gè)部分，前一篇文章介紹了Data Profiling的相關(guān)內(nèi)容，從Data Profiling的過程中獲得了數(shù)據(jù)的概要統(tǒng)計(jì)信息，所以下面就要用這些數(shù)據(jù)統(tǒng)計(jì)信息來審核數(shù)據(jù)的質(zhì)量，檢查數(shù)據(jù)中是否存在臟數(shù)據(jù)，所以這一篇主要介紹數(shù)據(jù)審核（Data Auditing）的內(nèi)容。

數(shù)據(jù)質(zhì)量的基本要素

首先，如何評(píng)估數(shù)據(jù)的質(zhì)量，或者說怎么樣的數(shù)據(jù)才是符合要求的數(shù)據(jù)？可以從4個(gè)方面去考慮，這4個(gè)方面共同構(gòu)成了數(shù)據(jù)質(zhì)量的4個(gè)基本要素。

完整性

數(shù)據(jù)的記錄和信息是否完整，是否存在缺失的情況。

數(shù)據(jù)的缺失主要有記錄的缺失和記錄中某個(gè)字段信息的缺失，兩者都會(huì)造成統(tǒng)計(jì)結(jié)果的不準(zhǔn)確，所以完整性是數(shù)據(jù)質(zhì)量最基礎(chǔ)的保障，而對(duì)完整性的評(píng)估相對(duì)比較容易。

一致性

數(shù)據(jù)的記錄是否符合規(guī)范，是否與前后及其他數(shù)據(jù)集合保持統(tǒng)一。

數(shù)據(jù)的一致性主要包括數(shù)據(jù)記錄的規(guī)范和數(shù)據(jù)邏輯的一致性。數(shù)據(jù)記錄的規(guī)范主要是數(shù)據(jù)編碼和格式的問題，比如網(wǎng)站的用戶ID是15位的數(shù)字、商品ID是10位數(shù)字，商品包括20個(gè)類目、IP地址一定是用”.”分隔的4個(gè)0-255的數(shù)字組成，及一些定義的數(shù)據(jù)約束，比如完整性的非空約束、唯一值約束等；數(shù)據(jù)邏輯性主要是指標(biāo)統(tǒng)計(jì)和計(jì)算的一致性，比如PV>=UV，新用戶比例在0-1之間等。數(shù)據(jù)的一致性審核是數(shù)據(jù)質(zhì)量審核中比較重要也是比較復(fù)雜的一塊。

準(zhǔn)確性

數(shù)據(jù)中記錄的信息和數(shù)據(jù)是否準(zhǔn)確，是否存在異?；蛘咤e(cuò)誤的信息。

導(dǎo)致一致性問題的原因可能是數(shù)據(jù)記錄的規(guī)則不一，但不一定存在錯(cuò)誤；而準(zhǔn)確性關(guān)注的是數(shù)據(jù)記錄中存在的錯(cuò)誤，比如字符型數(shù)據(jù)的亂碼現(xiàn)象也應(yīng)該歸到準(zhǔn)確性的考核范疇，另外就是異常的數(shù)值，異常大或者異常小的數(shù)值，不符合有效性要求的數(shù)值，如訪問量Visits一定是整數(shù)、年齡一般在1-100之間、轉(zhuǎn)化率一定是介于0到1的值等。對(duì)數(shù)據(jù)準(zhǔn)確性的審核有時(shí)會(huì)遇到困難，因?yàn)閷?duì)于沒有明顯異常的錯(cuò)誤值我們很難發(fā)現(xiàn)。

及時(shí)性

數(shù)據(jù)從產(chǎn)生到可以查看的時(shí)間間隔，也叫數(shù)據(jù)的延時(shí)時(shí)長(zhǎng)。

雖然說分析型數(shù)據(jù)的實(shí)時(shí)性要求并不是太高，但并不意味了就沒有要求，分析師可以接受當(dāng)天的數(shù)據(jù)要第二天才能查看，但如果數(shù)據(jù)要延時(shí)兩三天才能出來，或者每周的數(shù)據(jù)分析報(bào)告要兩周后才能出來，那么分析的結(jié)論可能已經(jīng)失去時(shí)效性，分析師的工作只是徒勞；同時(shí)，某些實(shí)時(shí)分析和決策需要用到小時(shí)或者分鐘級(jí)的數(shù)據(jù)，這些需求對(duì)數(shù)據(jù)的時(shí)效性要求極高。所以及時(shí)性也是數(shù)據(jù)質(zhì)量的組成要素之一。

Data Auditing

基于數(shù)據(jù)質(zhì)量的4個(gè)要素，可以對(duì)數(shù)據(jù)進(jìn)行審核，以評(píng)估數(shù)據(jù)是否滿足完整性、一致性、準(zhǔn)確性和及時(shí)性這4方面的要求，其中數(shù)據(jù)的及時(shí)性主要跟數(shù)據(jù)的同步和處理過程的效率相關(guān)，更多的是通過監(jiān)控ETL任務(wù)的方式來保證數(shù)據(jù)的及時(shí)性，所以這里的數(shù)據(jù)審核主要指的是評(píng)估數(shù)據(jù)的完整性、一致性和準(zhǔn)確性。

完整性

我們從Data Profiling得到的數(shù)據(jù)統(tǒng)計(jì)信息里面看看哪些可以用來審核數(shù)據(jù)的完整性。首先是記錄的完整性，一般使用統(tǒng)計(jì)的記錄數(shù)和唯一值個(gè)數(shù)。比如網(wǎng)站每天的日志記錄數(shù)是相對(duì)恒定的，大概在1000萬上下波動(dòng)，如果某天的日志記錄數(shù)下降到了只有100萬，那很有可能記錄缺失了；或者網(wǎng)站的訪問記錄應(yīng)該在一天的24小時(shí)均有分布，如果某個(gè)整點(diǎn)完全沒有用戶訪問記錄，那么很有可能網(wǎng)站在當(dāng)時(shí)出了問題或者那個(gè)時(shí)刻的日志記錄傳輸出現(xiàn)了問題；再如統(tǒng)計(jì)訪客的地域分布時(shí)，一般會(huì)包括全國(guó)的32個(gè)省份直轄市，如果統(tǒng)計(jì)的省份唯一值個(gè)數(shù)少于32，那么很有可能數(shù)據(jù)也存在缺失。

完整性的另一方面，記錄中某個(gè)字段的數(shù)據(jù)缺失，可以使用統(tǒng)計(jì)信息中的空值（NULL）的個(gè)數(shù)進(jìn)行審核。如果某個(gè)字段的信息理論上必然存在，比如訪問的頁(yè)面地址、購(gòu)買的商品ID等，那么這些字段的空值個(gè)數(shù)的統(tǒng)計(jì)就應(yīng)該是0，這些字段我們可以使用非空（NOT NULL）約束來保證數(shù)據(jù)的完整性；對(duì)于某些允許空的字段，比如用戶的cookie信息不一定存在（用戶禁用cookie），但空值的占比基本恒定，比如cookie為空的用戶比例通常在2%-3%，我們同樣可以使用統(tǒng)計(jì)的空值個(gè)數(shù)來計(jì)算空值占比，如果空值的占比明顯增大，很有可能這個(gè)字段的記錄出現(xiàn)了問題，信息出現(xiàn)缺失。

一致性

如果數(shù)據(jù)記錄格式有標(biāo)準(zhǔn)的編碼規(guī)則，那么對(duì)數(shù)據(jù)記錄的一致性檢驗(yàn)比較簡(jiǎn)單，只要驗(yàn)證所有的記錄是否滿足這個(gè)編碼規(guī)則就可以，最簡(jiǎn)單的就是使用字段的長(zhǎng)度、唯一值個(gè)數(shù)這些統(tǒng)計(jì)量。比如對(duì)用戶ID的編碼是15位數(shù)字，那么字段的最長(zhǎng)和最短字符數(shù)都應(yīng)該是15；或者商品ID是P開始后面跟10位數(shù)字，可以用同樣的方法檢驗(yàn)；如果字段必須保證唯一，那么字段的唯一值個(gè)數(shù)跟記錄數(shù)應(yīng)該是一致的，比如用戶的注冊(cè)郵箱；再如地域的省份直轄市一定是統(tǒng)一編碼的，記錄的一定是“上?！倍皇恰吧虾Ｊ小薄ⅰ罢憬倍皇恰罢憬　?，可以把這些唯一值映射到有效的32個(gè)省市的列表，如果無法映射，那么字段通不過一致性檢驗(yàn)。

一致性中邏輯規(guī)則的驗(yàn)證相對(duì)比較復(fù)雜，很多時(shí)候指標(biāo)的統(tǒng)計(jì)邏輯的一致性需要底層數(shù)據(jù)質(zhì)量的保證，同時(shí)也要有非常規(guī)范和標(biāo)準(zhǔn)的統(tǒng)計(jì)邏輯的定義，所有指標(biāo)的計(jì)算規(guī)則必須保證一致。我們經(jīng)常犯的錯(cuò)誤就是匯總數(shù)據(jù)和細(xì)分?jǐn)?shù)據(jù)加起來的結(jié)果對(duì)不上，導(dǎo)致這個(gè)問題很有可能的原因就是數(shù)據(jù)在細(xì)分的時(shí)候把那些無法明確歸到某個(gè)細(xì)分項(xiàng)的數(shù)據(jù)給排除了，比如在細(xì)分訪問來源的時(shí)候，如果我們無法將某些非直接進(jìn)入的來源明確地歸到外部鏈接、搜索引擎、廣告等這些既定的來源分類，但也不應(yīng)該直接過濾掉這些數(shù)據(jù)，而應(yīng)該給一個(gè)“未知來源”的分類，以保證根據(jù)來源細(xì)分之后的數(shù)據(jù)加起來還是可以與總體的數(shù)據(jù)保持一致。如果需要審核這些數(shù)據(jù)邏輯的一致性，我們可以建立一些“有效性規(guī)則”，比如A>=B，如果C=B/A，那么C的值應(yīng)該在[0,1]的范圍內(nèi)等，數(shù)據(jù)無法滿足這些規(guī)則就無法通過一致性檢驗(yàn)。

準(zhǔn)確性

數(shù)據(jù)的準(zhǔn)確性可能存在于個(gè)別記錄，也可能存在于整個(gè)數(shù)據(jù)集。如果整個(gè)數(shù)據(jù)集的某個(gè)字段的數(shù)據(jù)存在錯(cuò)誤，比如常見的數(shù)量級(jí)的記錄錯(cuò)誤，這種錯(cuò)誤很容易發(fā)現(xiàn)，利用Data Profiling的平均數(shù)和中位數(shù)也可以發(fā)現(xiàn)這類問題。當(dāng)數(shù)據(jù)集中存在個(gè)別的異常值時(shí)，可以使用最大值和最小值的統(tǒng)計(jì)量去審核，或者使用箱線圖也可以讓異常記錄一目了然。

還有幾個(gè)準(zhǔn)確性的審核問題，字符亂碼的問題或者字符被截?cái)嗟膯栴}，可以使用分布來發(fā)現(xiàn)這類問題，一般的數(shù)據(jù)記錄基本符合正態(tài)分布或者類正態(tài)分布，那么那些占比異常小的數(shù)據(jù)項(xiàng)很可能存在問題，比如某個(gè)字符記錄占總體的占比只有0.1%，而其他的占比都在3%以上，那么很有可能這個(gè)字符記錄有異常，一些ETL工具的數(shù)據(jù)質(zhì)量審核會(huì)標(biāo)識(shí)出這類占比異常小的記錄值。對(duì)于數(shù)值范圍既定的數(shù)據(jù)，也可以有效性的限制，超過數(shù)據(jù)有效的值域定義數(shù)據(jù)記錄就是錯(cuò)誤的。

如果數(shù)據(jù)并沒有顯著異常，但仍然可能記錄的值是錯(cuò)誤的，只是這些值與正常的值比較接近而已，這類準(zhǔn)確性檢驗(yàn)最困難，一般只能與其他來源或者統(tǒng)計(jì)結(jié)果進(jìn)行比對(duì)來發(fā)現(xiàn)問題，如果使用超過一套數(shù)據(jù)收集系統(tǒng)或者網(wǎng)站分析工具，那么通過不同數(shù)據(jù)來源的數(shù)據(jù)比對(duì)可以發(fā)現(xiàn)一些數(shù)據(jù)記錄的準(zhǔn)確性問題。