做數(shù)據(jù)分析，首先解決這兩類數(shù)據(jù)質(zhì)量問題

為了能夠系統(tǒng)化地、高效地解決出現(xiàn)的任何問題，我們必須學(xué)會(huì)將這些問題分而治之。畢竟，知己知彼方是解決問題的首重至要。由此，我們才會(huì)發(fā)現(xiàn)解決之道就在其中。而對于提高數(shù)據(jù)質(zhì)量同樣適用：每一個(gè)解決問題的方法都有不同的階段與角度。

當(dāng)一個(gè)數(shù)據(jù)質(zhì)量改進(jìn)程序在啟動(dòng)時(shí)，僅知道數(shù)據(jù)庫中有多少錯(cuò)誤計(jì)算或重復(fù)錄入是遠(yuǎn)遠(yuǎn)不夠的。不止于此，我們還需要知道不同類型的錯(cuò)誤在收集的資源中是如何分配的。

據(jù) Jim barker 一篇很有意思的博客所述，數(shù)據(jù)質(zhì)量被分解成兩種不同類型。而在本文中，我會(huì)帶領(lǐng)大家仔細(xì)區(qū)分這些“類型”有何不同，并且如何利用這些“類型”在開發(fā)預(yù)算中確保我們的優(yōu)勢資源放在何處。

數(shù)據(jù)類型

被譽(yù)為“數(shù)據(jù)博士”的Jim barker，借用了一個(gè)簡單的醫(yī)學(xué)概念來定義數(shù)據(jù)質(zhì)量問題。 在他的博客中介紹了如何將這兩種“類型”組合在一起，并且成功激發(fā)了那些一直糾結(jié)于找到在數(shù)據(jù)庫中拉低數(shù)據(jù)質(zhì)量的幺蛾子的數(shù)據(jù)分析師們的興趣。

I型數(shù)據(jù)質(zhì)量問題我們可以使用自動(dòng)化工具檢測到。II型數(shù)據(jù)質(zhì)量問題就非常隱秘了。大家都知道它是存在的，但它看不見摸不著，更處理不了，因?yàn)樗枰旁谔厥馇榫巢拍鼙粰z測到。

它們之間的區(qū)別簡而言之可歸納為如下幾點(diǎn)：

型數(shù)據(jù)質(zhì)量問題首先需要“知其然”才能來檢測數(shù)據(jù)的完整性、一致性、唯一性和有效性。這些屬性靠數(shù)據(jù)質(zhì)量軟件甚至手動(dòng)很好地找到。你不需要有很多的背景知識，或者數(shù)據(jù)分析經(jīng)驗(yàn)。只要按照4個(gè)屬性驗(yàn)證它的存在，就可以判定它錯(cuò)誤的。例如，如果我們在性別領(lǐng)域插入一個(gè)3，我們就可以判定它到底是不是一個(gè)有效值。

型數(shù)據(jù)質(zhì)量問題需要“知其所以然”來檢測時(shí)效性、一致性和準(zhǔn)確性屬性。需要研究能力、洞察力和經(jīng)驗(yàn)，而不是簡簡單單就可以找得出來的。這些數(shù)據(jù)集經(jīng)常從表面上看起來沒有問題。但幺蛾子往往存在于細(xì)節(jié)中，需要時(shí)間去發(fā)現(xiàn)。Jim舉的例子就是一份退休人員的雇傭記錄。如果我們不知道他們早已退休的話，是看不出來這個(gè)數(shù)據(jù)是錯(cuò)的。

所以，解決這些數(shù)據(jù)質(zhì)量問題的關(guān)鍵就是需要一個(gè)復(fù)雜的、戰(zhàn)略化的方法，而非孤立的、片面的來看問題。一旦數(shù)據(jù)質(zhì)量不好，我們就需要尋求自動(dòng)化與人工的方式才能解決這個(gè)問題了，真可謂是“屋漏偏逢連夜雨”啊。

成本調(diào)整

所以，我們?nèi)绾谓鉀QI型和II型數(shù)據(jù)質(zhì)量問題呢?處理它們所花費(fèi)的費(fèi)用是可比的，還是完全不同的?

要記住重要的一點(diǎn)是，I型數(shù)據(jù)的驗(yàn)證問題可以在邏輯上定義，這意味著我們可以靠編寫軟件來查找并顯示它。軟件自動(dòng)修復(fù)的速度快、成本低，甚至配合手動(dòng)審查就可以完成。考慮到I型數(shù)據(jù)質(zhì)量問題實(shí)際上是作為表格內(nèi)字段型的驗(yàn)證，一旦解決了表格字段的問題，I型數(shù)據(jù)質(zhì)量問題實(shí)際上也就解決了。

根據(jù)我們以往的經(jīng)驗(yàn)：I型數(shù)據(jù)基本涵蓋了80%的數(shù)據(jù)質(zhì)量問題，但消耗了我們20%的經(jīng)費(fèi)成本。

第二類數(shù)據(jù)問題往往需要多方的輸入，以便發(fā)現(xiàn)、標(biāo)記和根除。雖然我們客戶關(guān)系管理系統(tǒng)中的每個(gè)人都有購買日期，但購買日期可能不正確，或者與發(fā)票或發(fā)貨清單不符。只有專家才能通過仔細(xì)核查其內(nèi)容來解決問題并手動(dòng)改進(jìn)客戶關(guān)系管理系統(tǒng)。

通常情況下，企業(yè)很難做到資源的合理分配，原因有二，特別是企業(yè)處于快速增長階段;或者處于人才流失的時(shí)候。你別看這些II類問題較少，可能僅占數(shù)據(jù)問題剩余的20%，但它們很有可能需要消耗超過80%的成本預(yù)算。所以，如果當(dāng)企業(yè)處于人才大量流失，卻又對此無能為力的時(shí)候。你會(huì)發(fā)現(xiàn)第二類數(shù)據(jù)問題更難處理，因?yàn)槿斯そ鉀Q的途徑已不復(fù)存在了。

提高精確程度

為了提高數(shù)據(jù)的準(zhǔn)確性，我們必須將I型和II型數(shù)據(jù)問題作為單獨(dú)的，但同時(shí)存在的問題進(jìn)行研究。I類型數(shù)據(jù)質(zhì)量的挑戰(zhàn)可以呈現(xiàn)快速獲勝，但第II類問題提出了一個(gè)挑戰(zhàn)，必須依靠人類的專業(yè)知識才可以解決。

隨著時(shí)間的推移，數(shù)據(jù)庫會(huì)超過使用期限。為保其時(shí)效性，這需要持續(xù)不斷的努力。數(shù)據(jù)可以在數(shù)據(jù)庫中進(jìn)行清洗，或在使用階段進(jìn)行清理，但由于如導(dǎo)入/導(dǎo)出、損壞、手動(dòng)編輯、人為導(dǎo)致錯(cuò)誤等多種原因，仍然要注意I型錯(cuò)誤的發(fā)生。第II類數(shù)據(jù)問題在這階段自然而然地發(fā)生，因?yàn)榫退銛?shù)據(jù)經(jīng)過驗(yàn)證和審查之后看起來正確，但對于現(xiàn)在來說仍有可能是不正確的，因?yàn)榇藭r(shí)已非彼時(shí)，數(shù)據(jù)的使用環(huán)境改變了。

確保數(shù)據(jù)的完整

數(shù)據(jù)的完整會(huì)有助于我們觀察整個(gè)事物的全貌并推動(dòng)其對事物的決策。正如我們前面所說，發(fā)現(xiàn)I型數(shù)據(jù)質(zhì)量問題是比較簡單、廉價(jià)和快速的。但如果企業(yè)的工作業(yè)務(wù)還沒有采用某種數(shù)據(jù)質(zhì)量軟件來解決I型數(shù)據(jù)質(zhì)量問題的話，那現(xiàn)在也應(yīng)該著手考慮了，因?yàn)檫@樣才可能避免將來出現(xiàn)的資源浪費(fèi)、損害品牌效應(yīng)和來自大眾的誤解。

而對于第II類數(shù)據(jù)問題，關(guān)鍵是要理解它為什么會(huì)發(fā)生，并采取措施以防止它的發(fā)生。從日常工作中，處事的變通以及員工疏忽常導(dǎo)致數(shù)據(jù)的質(zhì)量不佳。隨著時(shí)間的推移，資源分配失當(dāng)也會(huì)增加II型數(shù)據(jù)問題的增加。而改善它的費(fèi)用也會(huì)成倍增加，因?yàn)槟阈枰邆鋵＜业难酃夥侥茉诿Ｃ５臄?shù)據(jù)中找到它的存在。

其實(shí)，發(fā)現(xiàn)并解決這兩類問題在當(dāng)下已不是不可能的事了。會(huì)變得越來越容易。很多數(shù)據(jù)質(zhì)量供應(yīng)商們也在不斷尋找新的方法，相信在不遠(yuǎn)的將來，得到高質(zhì)量的數(shù)據(jù)會(huì)變得越來輕松，越來越簡單。