数据质量问题数据挖掘数据质量存在的问题

转载

mob6454cc68310b 2024-01-25 18:51:55

我们从以下几个维度对数据质量问题进行描述。

1.准确性

数据与客观实际要相符，即使数据项为空，也尽量不提供错误或者失真的数据。

2.合理性

数据要符合数据模型的定义和描述，且与常理不相违背。

3.一致性

如果同一个数据存在多处存储，那么数据及数据内容需要保持一致。

4.重复性

在同一个存储区域内，同样的一条记录应该避免重复

5.及时性

数据应该能够反映客观实体的当前状况。

6.完备性

数据要完备，要没有记录数量上的缺失和必要关键数据项的内容缺失。

我们将数据以实体数据(以下称为主数据)数据、业务指标和实体标签数据(统计结果数据)这四个层次在六个维度上形成一个二维表格，并将所见到的数据质量问题的情况逐一填写到对应的表格中(表1~表6)。

表1

数据展次	准确性问题
主数据	(1)定义不准确，各自定义。比如，对客户的定义，有的理解为包含潜在客户，有的仅仅理解为会员。 (2)在数据模型中对属性的理解不一致。比如，对门店面积的定义，有的填写门店的实际面积，有的填写经营面积。 (3)数内容不准确，被随意填写。比如，在客户信息中，对客户姓名、年龄、住址等内容随意填写
交易数据	数据不准确，存在脏数据，记录与事实不着
行为数据	数架噪声大
业务指标和实体标签数据	定义不准璃，计算口径、取数口径各自为政。比如，对同一个指标、不同的部门有不同的定义

表2

数据展次	合理性问题
主数据	(1)数据管理不合规，存在多头管理或无人管理。比如，销售部门和客户中心都可以管理客户信息，重复维护。 (2)数据使用不合规，存在泄漏风险。比如，所有客户名单数据都星露在FTP 服务器中。 (3)数据共享不合规，无技术规范
交易数据	——
行为数据	——
业务指标和实体标签数据	(1)无数据定义规范。 (2)数据在使用过程中存在泄漏风险

表 3

数据展次	一致性问题
主数据	(1)数据存在多个版本，同一个主数据的内容不一致。比如，员工账户信息在每个应用系统中都各自定义，账户不统一。 (2)多头定义，数据及数据属性定义不一致
交易数据	(1)数据内容前后不一致，有冲突。比如，在客户数据中存在性别信息，但是填写的内容和身份证信息中的性别信息冲突。 (2)数据内容与数据模型定义不一致。比如，用于记录产品的表格，记录了“门店装修返款”
行为数据	——
业务指标和实体标签数据	数据定义不一致

表4

表5

数据展次	及时性问题
主数据	(1)数据被多头维护。存在多个历史版本，内容不能反映当前情况。比如对于职工数据中的所在部门属性，由于员工调动和维护不及时存在多种内容。 (2)数据维护不及时，当前内容与真实情况不符。比如，客户信息中的“税号”信息。
交易数据	事后补录数据，数据维护不及时。比如，在房地产行业中，房屋销售数据经常在事后被一次性补录，或者根据业务需要自行决定录入时间
行为数据	——
业务指标和实体标签数据	(1)数据化原因导致数据无法获得。 (2)数据结果获取缓慢，以周或者月为获取时间单位不满足业务需求

表 6

数据展次	完备性问题
主数据	无法回答企业中存在多少个“客户”“供应商”“设备”“项目”等问题，缺少数据全局视图
交易数据	——
行为数据	由于技术问题导致行为数据大量缺失，如埋点服务器宕机导致数据不全
业务指标和实体标签数据	——