大数据环境下的数据质量管理策略

转载地址：http://www.sohu.com/a/140135353_775689

 

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。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。

１ 信息系统数据质量

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（ｇａｒｂａｇｅ ｉｎ，ｇａｒｂａｇｅ ｏｕｔ）”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。

２ 大数据环境下数据质量管理面临的挑战

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。大数据与传统数据对比如表１所示。

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：

（１）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。

（２）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。

（３）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。

（４）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。

（５）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。

３ 数据质量管理策略

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图１所示。

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几个方面着手，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：①完整性：数据的记录和信息是否完整，是否存在缺失情况；②一致性：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；③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；④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图２所示。

在此流程中，会有一系列的数据采集点。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。信息类问题是由于对数据本身的描述、理解及其度量标准偏差而造成的数据质量问题。产生这类数据质量问题的主要原因包括：数据标准不完善、元数据描述及理解错误、数据度量得不到保证和变化频度不恰当等。技术类问题是指由于在数据处理流程中数据流转的各技术环节异常或缺陷而造成的数据质量问题，它产生的直接原因是技术实现上的某种缺陷。技术类数据质量问题主要产生在数据创建、数据接入、数据抽取、数据转换、数据装载、数据使用和数据维护等环节。流程类问题是指由于数据流转的流程设计不合理、人工操作流程不当造成的数据质量问题。所有涉及到数据流转流程的各个环节都可能出现问题，比如接入新数据缺乏对数据检核、元数据变更没有考虑到历史数据的处理、数据转换不充分等各种流程设计错误、数据处理逻辑有缺陷等问题。管理类问题是指由于人员素质及管理机制方面的原因造成的数据质量问题。比如数据接入环节由于工期压力而减少对数据检核流程的执行和监控、缺乏反馈渠道及处理责任人、相关人员缺乏培训和过程资产继承随之带来的一系列问题等。

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。技术元数据：存储关于信息仓库系统技术细节的数据，适用于开发和管理数据而使用的数据。主要包括数据仓库结构的描述，包括对数据结构、数据处理过程的特征描述，存储方式和位置覆盖整个涉及数据的生产和消费环节。业务元数据：从业务角度描述了数据仓库中的数据，提供了业务使用者和实际系统之间的语义层。主要包括业务术语、指标定义、业务规则等信息。

管理元数据：描述系统中管理领域相关概念、关系和规则的数据，主要包括人员角色、岗位职责、管理流程等信息。由此可见，本文提出的解决思路都需要元数据管理系统的支持。良好的元数据管理系统能为数据质量的采集、分析、监控、改进提供高效、有力的强大保障。同时，良好的数据质量管理系统也能促进元数据管理系统的持续改进，互相促进完善，共同为一个高质量和高效运转的数据平台提供支持。

４ 结语

数据质量（ＤａｔａＱｕａｌｉｔｙ）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。