數(shù)據(jù)分析師的角色猶如一位大廚，原料有問題，大廚肯定烹飪不出色香味俱佳的大菜，數(shù)據(jù)有問題，數(shù)據(jù)分析師得出的結論自然也就不可靠。

如果你是一位大廚，剛剛眉飛色舞地給客人描繪了如何搭配一道色香味俱佳的大菜，甚至連炒菜的手法都一一交代了，當你備好了各種為這道菜增鮮增色的調(diào)料后準備烹飪時，才發(fā)現(xiàn)所需的主要原料有問題。

數(shù)據(jù)分析師的角色猶如一位大廚，原料有問題，大廚肯定烹飪不出色香味俱佳的大菜，數(shù)據(jù)有問題，數(shù)據(jù)分析師得出的結論自然也就不可靠，再好的數(shù)據(jù)分析方法論也只是建立在失真的數(shù)據(jù)基礎上，苦心構建的數(shù)據(jù)體系當然也被白白浪費了。

過往的項目中，筆者也時常遇到這樣的情況，客戶用永洪科技的產(chǎn)品做了一些精美專業(yè)的數(shù)據(jù)報告，卻因數(shù)據(jù)不準而影響了報告的使用價值。

前兩篇文章筆者分別探討了面對數(shù)據(jù)指標如何分析，以及如何構建系統(tǒng)化的數(shù)據(jù)體系，本文是“數(shù)據(jù)化運營方法論系列”文章的第三篇，重點探討的核心話題是——數(shù)據(jù)治理。

備注：

***篇《大道至簡的數(shù)據(jù)分析方法論》鏈接http://yonghongtech.com/html/news/company/2016/0129/460.html

第二篇《大道至簡的數(shù)據(jù)體系構建方法論》鏈接http://yonghongtech.com/html/news/media/2016/0308/466.html

數(shù)據(jù)治理是一項基礎工作，在很多人眼中是一項苦活兒累活兒，但是越是這樣的工作越是不能忽視，基礎打扎實了，上層建筑才會更穩(wěn)固。

下面，筆者先從臟數(shù)據(jù)的種類及處理方法談起。

臟數(shù)據(jù)的種類及處理方法

首先，我們來了解一下臟數(shù)據(jù)的種類，明白我們可能會面對哪些問題。

1 數(shù)據(jù)缺失：缺一些記錄，或者一條記錄里缺一些值(空值)，或者兩者都缺。原因可能有很多種，系統(tǒng)導致的或人為導致的可能性都存在。如果有空值，為了不影響分析的準確性，要么不將空值納入分析范圍，要么進行補值。前者會減少分析的樣本量，后者需要根據(jù)分析的計算邏輯，選擇用平均數(shù)、零、或者等比例隨機數(shù)等來填補。如果是缺一些記錄，若業(yè)務系統(tǒng)中還有這些記錄，則通過系統(tǒng)再次導入，若業(yè)務系統(tǒng)也沒有這些記錄了，只能手工補錄或者放棄。

2 數(shù)據(jù)重復：相同的記錄出現(xiàn)多條，這種情況相對好處理，去掉重復記錄即可。但是怕就怕不完全重復，比如兩條會員記錄，其余值都一樣，就是住址不一樣，這就麻煩了，有時間屬性的還能判斷以新值為準，沒有時間屬性的就無從下手了，只能人工判斷處理。

3 數(shù)據(jù)錯誤：數(shù)據(jù)沒有嚴格按照規(guī)范記錄。比如異常值，價格區(qū)間明明是100以內(nèi)，偏偏有價格=200的記錄;比如格式錯誤，日期格式錄成了字符串;比如數(shù)據(jù)不統(tǒng)一，有的記錄叫北京，有的叫BJ，有的叫beijing。對于異常值，可以通過區(qū)間限定來發(fā)現(xiàn)并排除;對于格式錯誤，需要從系統(tǒng)級別找原因;對于數(shù)據(jù)不統(tǒng)一，系統(tǒng)無能為力，因為它并不是真正的“錯誤”，系統(tǒng)并不知道BJ和beijing是同一事物，只能人工干預，做一張清洗規(guī)則表，給出匹配關系，***列是原始值，第二列是清洗值，用規(guī)則表去關聯(lián)原始表，用清洗值做分析，再好一些的通過近似值算法自動發(fā)現(xiàn)可能不統(tǒng)一的數(shù)據(jù)。

4 數(shù)據(jù)不可用：數(shù)據(jù)正確，但不可用。比如地址寫成“北京海淀中關村”，想分析“區(qū)”級別的區(qū)域時還要把“海淀”拆出來才能用。這種情況***從源頭解決，即數(shù)據(jù)治理。事后補救只能通過關鍵詞匹配，且不一定能全部解決。

BI對數(shù)據(jù)的要求

接下來，我們了解一下BI對數(shù)據(jù)的要求，結合上面臟數(shù)據(jù)的種類，中間的規(guī)避手段就是數(shù)據(jù)治理。

1 結構化：數(shù)據(jù)必須是結構化的。這可能是句廢話，如果數(shù)據(jù)是大段的文本，比如微博，那就不能用BI做量化的分析，而是用分詞技術做語義的分析，比如常說的輿情分析。語義分析不像BI的量化分析一樣***計算準確，而是有概率的，人的語言千變?nèi)f化，人自己都不能保證完全理解到位，系統(tǒng)就更不可能了，只能盡可能提高準確率。

2 規(guī)范性：數(shù)據(jù)足夠規(guī)范。這么說比較含糊，簡單來講就是解決了上述各類臟數(shù)據(jù)的問題，把所有臟數(shù)據(jù)洗成“干凈數(shù)據(jù)”。

3 可關聯(lián)：如果想將兩個維度/指標做關聯(lián)分析，這兩個維度/指標必須能關聯(lián)上，要么在同一張表里，要么在兩張有可關聯(lián)字段的表里。

數(shù)據(jù)治理的原則

前面講了臟數(shù)據(jù)的處理方法，但那些都是治標不治本的應對方法，且需要長期耗費大量時間和人力來做這種痛苦的工作。要想從根本上改善臟數(shù)據(jù)的問題，還是需要做好數(shù)據(jù)治理的規(guī)范工作。

簡單來講，數(shù)據(jù)治理就是要約束輸入，規(guī)范輸出。

1 約束輸入：你永遠想不到用戶會輸入哪些值，所以別給用戶太多發(fā)揮的空間，做好約束工作。該用戶填寫的，系統(tǒng)必須設置為“必填”;值有固定選項的，一定用列表讓用戶選，別再手工輸入;系統(tǒng)在錄入提交時就做好檢查，格式不對，值不在正常范圍內(nèi)，直接報錯的情況必須讓用戶重新輸入;設計錄入表單時盡量原子化字段，比如上面說的地址，設計時就分成國家、省、市、區(qū)、詳細地址等多個字段，避免事后拆分;錄入數(shù)據(jù)保存的數(shù)據(jù)表也盡量統(tǒng)一，不要產(chǎn)生有大量相同數(shù)據(jù)的表，造成數(shù)據(jù)重復隱患。

2 規(guī)范輸出：老板看不同人做的報表，同一個“收益率”指標，每張報表的值都不一樣，老板的內(nèi)心一定是崩潰的，不知該罵誰，只能全罵。排除計算錯誤的情況，一般都是統(tǒng)計口徑不一致造成的。所以要統(tǒng)一語義，做一個公司級別的語義字典(不是數(shù)據(jù)庫的數(shù)據(jù)字典)。所有給人看的報告上的指標名稱，都要在語義字典中備案，語義字典明確定義其統(tǒng)計口徑和含義。不同統(tǒng)計口徑的指標必須用不同的名詞。如果發(fā)現(xiàn)一個詞已經(jīng)在語義字典中有了，就必須走流程申請注冊一個新詞到語義字典。

數(shù)據(jù)治理的落地

臟數(shù)據(jù)的處理需要ETL工具，語義字典不一定要借助于系統(tǒng)。事實上，由于這類系統(tǒng)過于復雜，國內(nèi)鮮見實施成功的案例，用Excel加制度就能達到很好的效果。

關于落地推廣策略，說來也簡單，老大拍板說必須實行，再用優(yōu)先話語權吸引一個部門試點，再橫向擴展。哪個部門先落地，哪個部門就能按***自己習慣的用詞來命名指標，相當于占坑。后面的部門都要遵從前人的標準，重名但意義不同的指標需要另外找詞兒命名。這樣就不怕沒人積極主動。

以上，就是精煉版的數(shù)據(jù)治理方法論。大家都知道這是個苦活，但是筆者還要提醒的是，越晚動手越苦。有了經(jīng)驗以后，做新業(yè)務系統(tǒng)設計時，大家就可以充分考慮數(shù)據(jù)治理的規(guī)范了。

作者敬告：

由于時間關系和水平有限，文中或有不妥之處還請讀者多多諒解。如果希望一起探討數(shù)據(jù)分析方法論和數(shù)據(jù)體系構建方法論等相關話題，歡迎讀者通過tylerwang@yonghongtech.com或微信號tyler_wangtong與本文作者永洪科技副總裁王桐取得聯(lián)絡(轉(zhuǎn)載文章請務必注明出處并附帶這段作者信息)。