改善数据质量从数据剖析(Data Profiling)开始

改善数据质量从数据剖析(Data Profiling)开始
吕悦，转自《通信产业报》2010年第42期


市场研究公司Forrester副总裁Erin Kinikin曾经把低劣的数据质量做了一个形象的比喻“用更好的方法访问劣质的数据，结果类似于把已经腐烂了的桃子用更快的卡车，走更好的路线运输到达市场时，桃子仍然是腐烂的。”质量低劣的数据带给我们的不仅仅是报表数据的错误，更危险的是它可能会导致决策的偏离。

随着数据质量问题渐渐被广泛地关注，我们为了降低和避免低劣的数据质量带来的影响和危害，通常在ETL（抽取、转换和加载）过程中增加了数据清洁的步骤，这样一来ETL就变成了ECTL（抽取、清洁、转换和加载），数据在被转换和加载到数据仓库之前，会被过滤、清洁和规则化，在很大程度上提高了数据仓库中的数据质量。

然而我们慢慢会发现，仅仅依靠ECTL对数据进行清洁是远远不够的。我们低估了“脏数据”表现形式的不确定性。“脏数据”之所以“脏”的原因有很多，例如：空值，字段值溢出，违反外键约束，重复记录，违反业务逻辑等。在最初设计ETL规则的时候，我们并不知晓哪个字段会有什么类型的脏数据，无法有针对性地在ETL过程中建立有效的数据清洁规则，而只能在ETL规则运行时遇到数据质量问题引发的错误后，才能去解决它。这样虽然在一定程度上提高了数据质量，但是这种“头疼医头，脚疼医脚”的方式永远是被动的，无法统筹和系统化地解决数据质量的问题。

面对脏数据突施的冷箭，与其被动地对应，不如主动地有所作为。面对错综复杂的数据源系统，在进行数据处理和ETL规则的设计之前，我们应该对数据有一个全面的，完整的认识——这就是数据剖析，即Data Profiling。数据仓库大师Ralph Kimball博士对数据剖析是这样定义的——对数据源内容系统化的预先的分析。他认为在做数据整合的时候，数据源系统能够提供什么质量等级的数据制约着下一步的ETL设计工作，全面了解系统中数据情况是提出合理完善的解决办法的前提。

数据剖析通常会包含如下几个内容：
1）        列分析。列分析是对数据源表中的字段的值进行统计，比如：最大值，最小值，唯一值个数，NULL 值的比例，字段类型，长度，字段格式以及数值分布比例等。作为数据剖析的基础，我们通过列分析可以获得数据NULL值的情况，数值是否越界，数值格式是否规范等信息，这对于我们设计ETL中数据清洁规则是非常必要的。
2）        连接分析。连接分析是对两个表之间的连接列和匹配程度进行分析。它能够显著提高ETL中的Lookup操作的匹配率和正确率。
3）        键值分析。键值分析是分析和检查表的中某1列或多列是否符合唯一性约束。它对于数据仓库中数据模型的设计和ETL规则设计也是非常重要的。

通过数据剖析，我们能够深入了解数据的结构，数值的有效性，分布情况以及在多个分散系统之间关联等重要信息。而获取这些信息是我们变被动为主动地改善数据质量的第一步。当天空突然下起大雨，我们总会看到有的人被雨水淋得湿透，狼狈不堪，而有的人撑起雨伞从容应对。出门之前听天气预报，是生活中的常识。而在设计ETL规则之前先进行数据剖析，是我们实践的真谛。

话是不错，方法大概也有效
问题是，做那么多东西，已经舍本逐末了
做数据的目的是啥？不会是为了发现业务系统的脏数据吧
为什么这种抱怨是市场研究公司说出来的
企业业务系统事实上没这么多毛病