数字化转型时代的数据质量管理系统

信息时代，数据已经慢慢成为一种资产，数据质量成为决定资产优劣的一个重要方面。随着大数据的发展，越来越丰富的数据给数据质量的提升带来了新的挑战和困难。

本文提出一种数据质量策略，从建立数据质量评价体系、落实质量信息的采集分析与监控、建立持续改进的工作机制和完善元数据管理4个方面，多方位优化改进，最终形成一套完善的质量管理体系，为信息系统提供高质量的数据支持。 

信息由数据构成，数据是信息的基础，数据已经成为一种重要资源。

对于企业而言，进行市场情报调研、客户关系维护、财务报表展现、战略决策支持等，都需要信息系统进行数据的搜集、分析、知识发现，为决策者提供充足且准确的情报和资料。

对于政府而言，进行社会管理和公共服务，影响面更为宽广和深远，政策和服务能否满足社会需要，是否高效地使用了公共资源，都需要数据提供支持和保障，因而对数据的需求显得更为迫切，对数据质量的要求也更为苛刻。 

作为信息系统的重要构成部分，数据质量问题是影响信息系统运行的关键因素，直接关系到信息系统建设的成败。根据“垃圾进，垃圾出（garbagein，garbageout）”的原理，为了使信息系统建设取得预期效果，达到数据决策的目标，就要求信息系统提供的数据是可靠的，能够准确反应客观事实。

如果数据质量得不到保证，即使数据分析工具再先进，模型再合理，算法再优良，在充满“垃圾”的数据环境中也只能得到毫无意义的垃圾信息，系统运行的结果、作出的分析就可能是错误的，甚至影响到后续决策的制定和实行。高质量的数据来源于数据收集，是数据设计以及数据分析、评估、修正等环节的强力保证。

因此，信息系统数据质量管理尤为重要，这就需要建立一个有效的数据质量管理体系，尽可能全面发现数据存在的问题并分析原因，以推动数据质量的持续改进。 

随着三网融合、移动互联网、云计算、物联网的快速发展，数据的生产者、生产环节都在急速攀升，随之快速产生的数据呈指数级增长。在信息和网络技术飞速发展的今天，越来越多的企业业务和社会活动实现了数字化。

全球最大的零售商沃尔玛，每天通过分布在世界各地的6000多家商店向全球客户销售超过2.67亿件商品，每小时获得2.5PB的交易数据。而物联网下的传感数据也慢慢发展成了大数据的主要来源之一。有研究估计，2015年全球数据量为8ZB，而到2020年则高达35.2ZB，是2015年数据量的44倍之多。此外，随着移动互联网、Web2.0技术和电子商务技术的飞速发展，大量的多媒体内容在指数增长的数据量中发挥着重要作用。 

大数据时代下的数据与传统数据呈现出了重大差别，直接影响到数据在流转环节中的各个方面，给数据存储处理分析性能、数据质量保障都带来了很大挑战。大数据与传统数据特点对比如下表所示。

大数据与传统数据特点对比

由于以上特性，大数据的信息系统更容易产生数据质量问题： 

a.在数据收集方面，大数据的多样性决定了数据来源的复杂性。来源众多、结构各异、大量不同的数据源之间存在着冲突、不一致或相互矛盾的现象。在数据获取阶段保证数据定义的完整性、数据质量的可靠性尤为必要。 

b.由于规模大，大数据获取、存储、传输和计算过程中可能产生更多错误。采用传统数据的人工错误检测与修复或简单的程序匹配处理，远远处理不了大数据环境下的数据问题。

c.由于高速性，数据的大量更新会导致过时数据迅速产生，也更易产生不一致数据。 

d.由于发展迅速，市场庞大，厂商众多，直接产生的数据或者产品产生的数据标准不完善，使得数据有更大的可能产生不一致和冲突。 

e.由于数据生产源头激增，产生的数据来源众多，结构各异，以及系统更新升级加快和应用技术更新换代频繁，使得不同的数据源之间、相同的数据源之间都可能存在着冲突、不一致或相互矛盾的现象，再加上数据收集与集成往往由多个团队协作完成，期间增大了数据处理过程中产生问题数据的概率。 

为了改进和提高数据质量，必须从产生数据的源头开始抓起，从管理入手，对数据运行的全过程进行监控，密切关注数据质量的发展和变化，深入研究数据质量问题所遵循的客观规律，分析其产生的机理，探索科学有效的控制方法和改进措施。必须强化全面数据质量管理的思想观念，把这一观念渗透到数据生命周期的全过程。 

大数据下信息系统的数据处理架构如下图所示。

数据平台架构

传统数据仓库中ETL的环节在大数据应用中会根据实际业务需求在不同的环节存在，分别进行粗细粒度不等的数据抽取、转换和加载，以适应容纳处理不同规模、不同结构、不同流量的数据。 

结合大数据的参考框架及数据处理实际需求情况，数据质量管理可以从以下四个方面着手，以多方协作改进，最终实现系统数据处于持续高效可用的状态。

3.1 建立数据质量评价体系

评估数据质量，可以从如下4个方面来考虑：

a.完整性：数据的记录和信息是否完整，是否存在缺失情况。

b.一致性：数据的记录是否符合规范，是否与前后及其它数据集保持统一。

c.准确性：数据中记录的信息和数据是否准确，是否存在异常或者错误信息。

d.及时性：数据从产生到可以查看的时间间隔，也叫数据的延时时长。

有了评估方向，还需要使用可以量化、程序化识别的指标来衡量。通过量化指标，管理者才可能了解到当前数据质量，以及采取修正措施之后数据质量的改进程度。

而对于海量数据，数据量大、处理环节多，获取质量指标的工作不可能由人工或简单的程序来完成，而需要程序化的制度和流程来保证，因此，指标的设计、采集与计算必须是程序可识别处理的。 

完整性可以通过记录数和唯一值来衡量。比如某类的交易数据，每天的交易量应该呈现出平稳的特点，平稳增加、平稳增长或保持一定范围内的周期波动。如果记录数量出现激增或激减，则需要追溯是在哪个环节出现了变动，最终定位是数据问题还是服务出现了问题。对于属性的完整性考量，则可以通过空值占比或无效值占比来进行检查。 

一致性检验主要是检验数据和数据定义是否一致，因此可以通过合规记录的比率来衡量。比如取值范围是枚举集合的数据，其实际值超出范围之外的数据占比，比如存在特定编码规则的属性值不符合其编码规则的记录占比。还有一些存在逻辑关系的属性之间的校验，比如属性A取某定值时，属性B的值应该在某个特定的数据范围内，都可以通过合规率来衡量。 

准确性可能存在于个别记录，也可能存在于整个数据集上。准确性和一致性的差别在于一致性关注合规，表示统一，而准确性关注数据错误。因此，同样的数据表现，比如数据实际值不在定义的范围内，如果定义的范围准确，值完全没有意义，那么这属于数据错误。但如果值是合理且有意义的，那么可能是范围定义不够全面，则不能认定为数据错误，而是应该去补充修改数据定义。 

通过建立数据质量评价体系，对整个流通链条上的数据质量进行量化指标输出，后续进行问题数据的预警，使得问题一出现就可以暴露出来，便于进行问题的定位和解决，最终可以实现在哪个环节出现就在哪个环节解决，避免了将问题数据带到后端及其质量问题扩大。 

3.2 落实数据质量信息的采集、分析与监控  

有评价体系作为参照，还需要进行数据的采集、分析和监控，为数据质量提供全面可靠的信息。在数据流转环节的关键点上设置采集点，采集数据质量监控信息，按照评价体系的指标要求，输出分析报告。一个典型的数据流转流程如下图所示。 

数据采集点位置

在此流程中，会有一系列的数据采集点，如上图红点所示。根据系统对数据质量的要求，配置相应的采集规则，通过在采集点处进行质量数据采集并进行统计分析，就可以得到采集点处的数据分析报告。通过对来源数据的质量分析，可以了解数据和评价接入数据的质量；通过对上下采集点的数据分析报告的对比，可以评估数据处理流程的工作质量。配合数据质量的持续改进工作机制，进行质量问题原因的定位、处理和跟踪。 

3.3 建立数据质量的持续改进工作机制  

通过质量评价体系和质量数据采集系统，可以发现问题，之后还需要对发现的问题及时作出反应，追溯问题原因和形成机制，根据问题种类采取相应的改进措施，并持续跟踪验证改进之后的数据质量提升效果，形成正反馈，达到数据质量持续改良的效果。

在源头建立数据标准或接入标准，规范数据定义，在数据流转过程中建立监控数据转换质量的流程和体系，尽量做到在哪发现问题就在哪解决问题，不把问题数据带到后端。 

导致数据质量产生问题的原因很多。有研究表示，从问题的产生原因和来源，可以分为四大问题域：信息问题域、技术问题域、流程问题域和管理问题域。

了解问题产生的原因和来源后，就可以对每一类问题建立起识别、反馈、处理、验证的流程和制度。比如数据标准不完善导致的问题，这就需要有一整套数据标准问题识别、标准修正、现场实施和验证的流程，确保问题的准确解决，不带来新的问题。

比如缺乏反馈渠道和处理责任人的问题，则属于管理问题，则需要建立一套数据质量的反馈和响应机制，配合问题识别、问题处理、解决方案的现场实施与验证、过程和积累等多个环节和流程，保证每一个问题都能得到有效解决并有效积累处理的过程和经验，形成越来越完善的一个有机运作体。 

当然，很多问题是相互影响的，单一地解决某一方面的问题可能暂时解决不了所发现的问题，但是当多方面的持续改进机制协同工作起来之后，互相影响，交错前进，一点点改进，最终就会达到一个比较好的效果。 

3.4 完善元数据管理  

数据质量的采集规则和检查规则本身也是一种数据，在元数据中定义。元数据按照官方定义，是描述数据的数据。面对庞大的数据种类和结构，如果没有元数据来描述这些数据，使用者无法准确地获取所需信息。正是通过元数据，海量的数据才可以被理解、使用，才会产生价值。 

元数据可以按照其用途分为3类：技术元数据、业务元数据和管理元数据。

数据质量管理贯穿数据生命周期的全过程，覆盖质量评估、数据监控、数据探查、数据清洗、数据诊断等方面。数据源在不断增多，数据量在不断加大，新需求推动的新技术也不断诞生，这些都对大数据下的数据质量管理带来了困难和挑战。

因此，数据质量管理要形成完善的体系，建立持续改进的流程和良性机制，持续监控各系统数据质量波动情况及数据质量规则分析，适时升级数据质量监控的手段和方法，确保持续掌握系统数据质量状况，最终达到数据质量的平稳状态，为业务系统提供良好的数据保障。

来源：rjdk.org