據(jù)調(diào)查，56%的組織面臨至少四種不同類型的數(shù)據(jù)質(zhì)量問題，而71%的組織面臨至少三種不同類型的問題。組織在設(shè)計(jì)數(shù)據(jù)質(zhì)量框架和解決數(shù)據(jù)質(zhì)量問題時(shí)花費(fèi)了大量時(shí)間和資源。但要獲得良好的結(jié)果，了解這些問題的確切性質(zhì)并首先確定它們?nèi)绾巫罱K出現(xiàn)在系統(tǒng)中是很重要的。
什么是數(shù)據(jù)質(zhì)量問題
數(shù)據(jù)質(zhì)量問題是指數(shù)據(jù)集中存在無法容忍的缺陷，從而降低了該數(shù)據(jù)的可靠性和可信度。
跨不同來源存儲(chǔ)的數(shù)據(jù)必然包含數(shù)據(jù)質(zhì)量問題。由于多種原因，這些問題可能會(huì)被引入系統(tǒng)，例如人為錯(cuò)誤、不正確的數(shù)據(jù)、過時(shí)的數(shù)據(jù)或組織中缺乏數(shù)據(jù)素養(yǎng)技能。由于數(shù)據(jù)為關(guān)鍵業(yè)務(wù)提供動(dòng)力，因此此類問題可能會(huì)給公司帶來一些嚴(yán)重的風(fēng)險(xiǎn)和損害。
在所有業(yè)務(wù)流程中利用高質(zhì)量數(shù)據(jù)的需求非常明顯。領(lǐng)導(dǎo)者正在投資招聘數(shù)據(jù)質(zhì)量團(tuán)隊(duì)，因?yàn)樗麄兿胱屓藗冐?fù)責(zé)獲得和維持?jǐn)?shù)據(jù)質(zhì)量。并且設(shè)計(jì)了復(fù)雜的數(shù)據(jù)質(zhì)量框架，采用先進(jìn)的技術(shù)，確保數(shù)據(jù)質(zhì)量管理快速準(zhǔn)確。所有這些努力都是為了讓清潔數(shù)據(jù)夢(mèng)想成真。
但是，如果不首先了解是什么污染了數(shù)據(jù)以及它究竟來自何處，這一切都是不可能的。
公司面臨的12大數(shù)據(jù)質(zhì)量問題
問題#01：缺乏記錄唯一性
一個(gè)擁有200-500名員工的普通組織使用大約123個(gè)SaaS應(yīng)用程序。用于捕獲、管理、存儲(chǔ)和使用數(shù)據(jù)的應(yīng)用程序數(shù)量龐大且種類繁多，是導(dǎo)致數(shù)據(jù)質(zhì)量差的主要原因。在這種情況下最常見的問題是為同一實(shí)體存儲(chǔ)多個(gè)記錄。
例如，客戶在購買過程中與品牌進(jìn)行的所有互動(dòng)都記錄在數(shù)據(jù)庫中的某個(gè)位置。這些記錄可能來自網(wǎng)站、登陸頁面表格、社交媒體廣告、銷售記錄、賬單記錄、營銷記錄、購買點(diǎn)記錄等領(lǐng)域。如果沒有系統(tǒng)的方法來識(shí)別客戶身份并將新信息與現(xiàn)有信息合并，最終可能會(huì)在整個(gè)數(shù)據(jù)集中出現(xiàn)重復(fù)信息。要修復(fù)重復(fù)，必須運(yùn)行高級(jí)數(shù)據(jù)匹配算法來比較兩個(gè)或多個(gè)記錄并計(jì)算它們屬于同一實(shí)體的可能性。
問題#02：缺乏關(guān)系約束
一個(gè)數(shù)據(jù)集通常引用多個(gè)數(shù)據(jù)。但是，當(dāng)兩個(gè)或多個(gè)不同的數(shù)據(jù)之間沒有定義和強(qiáng)制執(zhí)行任何關(guān)系時(shí)，最終可能會(huì)得到很多不正確和不完整的信息。
以這種情況為例：客戶門戶包含今年贏得的新業(yè)務(wù)以及從去年升級(jí)的現(xiàn)有客戶的記錄。除了基本客戶信息外，肯定有一些客戶字段僅適用于NewBusiness和一些僅適用于NewCustomer。可以使用相同的通用數(shù)據(jù)模型處理這兩種情況，但它可能會(huì)導(dǎo)致許多數(shù)據(jù)質(zhì)量問題，例如缺少必要的信息，以及客戶記錄中的模糊或不正確的信息。
要處理此類情況，應(yīng)該始終創(chuàng)建特定的數(shù)據(jù)模型并加強(qiáng)它們之間的關(guān)系。通過在實(shí)體之間強(qiáng)制執(zhí)行父/子(超類型/子類型)關(guān)系，可以使處理此信息的人員更好地捕獲、更新和理解數(shù)據(jù)。需要將基本Customer字段與其子子類型(即NewBusiness和ExistingCustomer)分開。
問題#03：缺乏參照完整性
參照完整性意味著數(shù)據(jù)記錄與其引用對(duì)應(yīng)物是真實(shí)的。要了解由于缺乏參照完整性而產(chǎn)生的問題，我們考慮一家零售公司的例子。一家零售公司可能將他們的銷售記錄存儲(chǔ)在Sales表中，每條記錄都提到在進(jìn)行銷售時(shí)售出的產(chǎn)品。因此，可能希望在Sales表中找到銷售ID和產(chǎn)品ID。但是，如果Sales記錄引用Product表中不存在的ProductID，則很明顯數(shù)據(jù)集缺乏引用完整性。
這些問題可能會(huì)導(dǎo)致團(tuán)隊(duì)創(chuàng)建不正確的報(bào)告、運(yùn)送不正確的產(chǎn)品或?qū)a(chǎn)品運(yùn)送給不存在的客戶等等。
問題#04：缺乏關(guān)系基數(shù)
關(guān)系基數(shù)是指兩個(gè)實(shí)體之間可以擁有的最大關(guān)系數(shù)。通常，可以在數(shù)據(jù)對(duì)象之間創(chuàng)建不同類型的關(guān)系，這取決于公司允許如何進(jìn)行業(yè)務(wù)交易。
參考以下示例以了解不同數(shù)據(jù)對(duì)象之間的基數(shù)，例如Customer、Purchase、Location和Product：
- 一個(gè)客戶一次只能有一個(gè)位置
- 一個(gè)客戶可以進(jìn)行多次購買
- 許多客戶可以來自一個(gè)位置
- 許多客戶可以購買許多產(chǎn)品
如果基數(shù)約束沒有明確定義，它可能會(huì)在數(shù)據(jù)集中引起許多數(shù)據(jù)質(zhì)量問題。
問題#05：缺乏屬性的唯一性和意義
我們經(jīng)常發(fā)現(xiàn)與數(shù)據(jù)集屬性或列相關(guān)的問題。很多時(shí)候數(shù)據(jù)模型沒有明確定義，因此結(jié)果信息被認(rèn)為是不可用的。發(fā)現(xiàn)的常見問題有：
- 存在具有相同名稱的多個(gè)列，其中包含一條記錄的不同信息。
- 存在具有不同名稱的多個(gè)列，這在技術(shù)上意味著相同的事物，因此存儲(chǔ)相同的信息。
- 列標(biāo)題不明確，會(huì)使數(shù)據(jù)輸入操作者混淆要在列中存儲(chǔ)的內(nèi)容。
- 有些列總是留空;要么是因?yàn)樗鼈円驯粭売茫词菦]有獲取此類信息的來源。
- 有些列從未使用過，因此被不必要地存儲(chǔ)。
所有這些場(chǎng)景都描述了數(shù)據(jù)集中的屬性管理不善，并增加了數(shù)據(jù)質(zhì)量問題的數(shù)量。
問題#06：缺乏驗(yàn)證約束
大多數(shù)數(shù)據(jù)質(zhì)量問題都是由于缺乏驗(yàn)證約束造成的。驗(yàn)證約束確保數(shù)據(jù)值有效且合理，并根據(jù)定義的要求進(jìn)行標(biāo)準(zhǔn)化和格式化。例如，缺少對(duì)CustomerName的驗(yàn)證約束檢查會(huì)導(dǎo)致以下錯(cuò)誤：
- 名稱中的額外空格(前導(dǎo)、尾隨或中間的雙空格)，
- 使用不適當(dāng)?shù)姆?hào)和字符，
- 名稱的長度太長，
- 單字母中間名不大寫或不以句號(hào)結(jié)尾，
- 名字、中間名和姓氏的所有字母都大寫，而不是僅將第一個(gè)字母大寫。
此外，某些字段可能包含不正確的縮寫和代碼，或其他不屬于屬性域的值。如果這些約束未在數(shù)據(jù)模型中定義并在數(shù)據(jù)入口點(diǎn)上強(qiáng)制執(zhí)行，最終會(huì)在數(shù)據(jù)集最關(guān)鍵和最基本的字段(例如客戶姓名)中出現(xiàn)大量驗(yàn)證錯(cuò)誤。
問題#07：缺乏準(zhǔn)確的公式和計(jì)算
數(shù)據(jù)集中的許多字段是從其他字段派生或計(jì)算得出的。因此，每次在相關(guān)字段中輸入或更新新數(shù)據(jù)時(shí)，都會(huì)設(shè)計(jì)、實(shí)施并自動(dòng)執(zhí)行公式。公式或計(jì)算中存在的任何錯(cuò)誤都可能導(dǎo)致數(shù)據(jù)集的整個(gè)列中獲得不正確的信息。這會(huì)使用于任何預(yù)期目的的字段無效。
根據(jù)其他字段計(jì)算的字段示例包括根據(jù)生日計(jì)算的年齡、根據(jù)購買的產(chǎn)品數(shù)量計(jì)算的適用折扣或任何其他百分比計(jì)算。
問題#08：跨來源缺乏一致性
與數(shù)據(jù)相關(guān)的最常見挑戰(zhàn)之一是在所有節(jié)點(diǎn)或數(shù)據(jù)源中維護(hù)關(guān)于同一“事物”的一個(gè)定義。例如，如果一家公司使用CRM和一個(gè)單獨(dú)的計(jì)費(fèi)應(yīng)用程序，則客戶的記錄將出現(xiàn)在這兩個(gè)應(yīng)用程序的數(shù)據(jù)庫中。隨著時(shí)間的推移，在所有數(shù)據(jù)庫中保持一致的客戶信息視圖是一項(xiàng)艱巨的任務(wù)。
缺乏一致性可能會(huì)擾亂企業(yè)所有職能和運(yùn)營的報(bào)告。一致性不僅與數(shù)據(jù)值的含義有關(guān)，還與它們的表示有關(guān);例如，當(dāng)值不適用或不可用時(shí)，必須使用一致的術(shù)語來表示所有來源的數(shù)據(jù)不可用。
問題#09：缺乏數(shù)據(jù)完整性
數(shù)據(jù)完整性是指數(shù)據(jù)集中存在必要的字段。數(shù)據(jù)集的完整性可以垂直(屬性級(jí)別)或水平(記錄級(jí)別)計(jì)算。通常，字段被標(biāo)記為必填以確保數(shù)據(jù)集的完整性，因?yàn)椴⒎撬凶侄味际潜匦璧摹?/p>
通常會(huì)在大量字段留空的數(shù)據(jù)集中發(fā)現(xiàn)此數(shù)據(jù)質(zhì)量問題–大量記錄。但空并不一定意味著不完整。數(shù)據(jù)集的完整性只能通過首先對(duì)數(shù)據(jù)模型的每個(gè)字段進(jìn)行如下分類來準(zhǔn)確衡量：
- 字段是必填項(xiàng)嗎?意思是，它不能留空;例如，客戶的名稱。
- 該字段是可選的嗎?意思是，它不一定需要填寫;例如，客戶的愛好字段。
- 該字段在某些情況下不適用嗎?意思是，根據(jù)記錄的上下文，它變得無關(guān)緊要，應(yīng)該留空;例如，未婚客戶的配偶姓名。
問題#10：缺乏數(shù)據(jù)流通
數(shù)據(jù)老化得非常快——無論客戶是否更換了他們的住址、電子郵件地址、聯(lián)系電話等。此類更改可能會(huì)影響數(shù)據(jù)集的流通性，并導(dǎo)致產(chǎn)生數(shù)周或數(shù)月的舊數(shù)據(jù)，從而導(dǎo)致根據(jù)過時(shí)的信息做出關(guān)鍵決策。為確保數(shù)據(jù)集的流通性，可以設(shè)置提醒以更新數(shù)據(jù)，或?qū)傩缘哪挲g設(shè)置限制，確保所有值在給定時(shí)間內(nèi)接受審查和更新。
問題#11：缺乏數(shù)據(jù)素養(yǎng)技能
盡管為保護(hù)數(shù)據(jù)及其跨數(shù)據(jù)集的質(zhì)量做出了所有正確的努力，但組織中缺乏數(shù)據(jù)素養(yǎng)技能仍然會(huì)對(duì)數(shù)據(jù)造成很大的損害。員工經(jīng)常存儲(chǔ)錯(cuò)誤的信息，因?yàn)樗麄儾焕斫饽承傩缘暮x。此外，他們不知道自己行為的后果，例如在某個(gè)系統(tǒng)或某個(gè)記錄中更新數(shù)據(jù)會(huì)產(chǎn)生什么影響。
這種差異只能通過創(chuàng)建和設(shè)計(jì)數(shù)據(jù)素養(yǎng)計(jì)劃和課程來消除，這些計(jì)劃和課程向團(tuán)隊(duì)介紹組織數(shù)據(jù)并解釋：
- 它包含什么，
- 每個(gè)數(shù)據(jù)屬性的含義，
- 其質(zhì)量的可接受標(biāo)準(zhǔn)是什么，
- 輸入/操作數(shù)據(jù)的錯(cuò)誤和正確方法是什么，
- 使用什么數(shù)據(jù)來實(shí)現(xiàn)給定的結(jié)果。
問題#12：錯(cuò)誤輸入和其他人為錯(cuò)誤
錯(cuò)誤輸入或拼寫錯(cuò)誤是最常見的數(shù)據(jù)質(zhì)量錯(cuò)誤來源之一。眾所周知，人類在輸入10,000個(gè)數(shù)據(jù)時(shí)至少會(huì)犯400個(gè)錯(cuò)誤。這表明即使存在唯一標(biāo)識(shí)符、驗(yàn)證檢查和完整性約束，人為錯(cuò)誤仍有可能產(chǎn)生并使數(shù)據(jù)質(zhì)量下降。
