关于数据仓库数据质量的问题探讨(转载)

一、 数据质量和清洗
ETL是数据仓库的最重要的基础，良好的ETL从业务系统中抽取数据，转换数据质量，保证数据一致性，这样才能够保证各个独立的不同的数据源能够集成到一起，最终只有这样才能真正达到决策支持的目的。
数据清洗是ETL系统的一个最重要的步骤，数据的抽取和加载也是很必要的，但是他们只负责数据的迁移和重组格式。只有数据清洗才能真正改变数据，并且为了目标提供高质量的数据保证。

[@more@]

高质量数据意味着：
? 正确的。数据的值和描述一定是真实的和业务系统保持一致的。
? 明确的。数据的值和描述有且只能有一个意思
? 一致的。数据的值和描述在全局中也即数据仓库中都表示一个意思
? 完整的。这有两个方面。首先确保每一条数据都必须是有意义的（不能为NULL值），其次要求我们在处理过程中不能有任何信息的“损失”

通常情况下，当BI/DW项目结束时，用户总是会将BI报表和OLTP报表或者明细报表进行比较，以检验数据仓库报表的准确性。一旦用户发现它们之间是不一致的或者误差超过一定比率，他们往往就会认为BI项目很失败。
没有绝对的准确，但是一定要知道为什么不准确，这是数据仓库项目的一个基本要求。

数据仓库的数据来自于多个数据源，所以数据的一致性很难得到保证，既然没有绝对的准确，那么就需要制定一个标准。因此我们建议和客户达成一种相对标准，定义一个可以接受的误差范围。在这个前提下，我们找到误差的原因，并给出分析报告，来提高客户的满意度和对数据仓库项目的信心，从而确保数据仓库项目成功的机率。

二、 原因分析和解决思路
数据质量存在问题的根本原因在于数据源，保证数据质量是很困难的事情。这是事实，但是那一些潜在的问题会带来数据质量问题呢？可以归为以下几类：
1. 数据格式问题,l例如数据缺失，超出数据范围，无效数据格式等等。
2. 数据一致性问题，处于数据库性能考虑，有时候可能会有意的去掉一些外间或者检查约束。
3. 业务逻辑问题，这个很难说正确还是错误，通常是由于数据库设计得不够严格或者谨慎。

构造数据仓库系统时，完全理解业务系统的业务逻辑和整体情况是不可能的。我们不能完全去研究那些详细的设计文档，同时后来的很多需求变更也并不完全放映到文档上来，因此需要花费大量的时间去定位和分析其中的原因和变化。用户要求在进行ETL之前必须了解所有的业务逻辑和规则，显然也是不现实的。个人认为我们只需要了解和处理那些可能遭遇问题的数据。我们必须决定这些数据是拒绝呢还是处理。假如数据质量得不到保证的话，在后续的处理过程中，这样的错误将逐渐被放大。
正是因为数据质量问题贯穿于项目的整个生命周期，而且不能避免，我们必须面对而且给出解决办法，尽量把影响减小到最少。
通常情况下，当我们遇到错误数据，ETL一般提供以下4种解决办法：
1. 没有任何处理的通过记录
2. 通过记录，打上错误标记
3. 拒绝记录
4. 停止ETL任务

下面就这几种情况进行一下分析：
首先选项1明显不能保证数据质量，并将最终影响报表质量。
其次选项3也不能保证数据完整性，因为数据将发生遗弃，也将会影响报表质量。
再次选项4会影响ETL处理，导致数据仓库不能正常运行下去。
所以，最常见的处理方式就是选项2，首先保证这些记录顺利通过，然后记录一些错误标志，并通过报表反映出来。

这样做有以下四种好处：
1. 通过特殊处理确保了数据的完整性
2. 反映了数据仓库的数据源数据质量
3. 对数据质量可以有一个比较准确的度量
4. 确保了数据仓库的顺利实施和任务的正常调度
数据质量应该尽量确保在ETL环节中进行，因为每一点的错误都会导致后续处理的无限放大，同时数据仓库的处理是线性进行的，当发现错误时，很难回过头来对数据进行重新的处理。因此尽量把错误和数据质量问题消除在靠前的位置。

三、 处理对策

数据清洗通常根据不同的情况进行处理，在这里没有办法一一列举，只能对常用的几种情况进行分析处理。

1. 维度：NULL值
假如维度数据为空，在数据处理时可能会导致错误的处理，通过SQL处理时事实表中可能会丢失这部分数据。

2. 维度：外键丢失
前者提到处于数据库性能考虑，业务系统有时候会放弃外间约束或者检查约束，但这样数据的完整性有时无法得到保证，当数据被修改或者删除的时候，这部分数据可能会变成孤儿数据。

3. 度量值：超出范围
假如没有约束和检查规则，原始数据表中的度量值可能为空或者超出预想的范围，当我们处理和计算这部分数据的时候，也会导致错误的结果。

4. 业务逻辑和录入错误
很显然，这部分错误，我们基本上是无能为力的，缺乏有效的验证和纠错，实际上数据仓库的流水线作业形式和巨大的数据量，让我们对这些数据的校验变得不太可能了。我们只能祈求业务系统录入人员的责任心了。

五、 可度量性
如果用户对报表质量提出质疑，我们可以比较容易的给出错误度量报表，只需要提供各个维度中-1，-2的数据即可。假如方便的话，还可以提供相关图表。

当然如果在报表仍然存在问题，我们只能求助于SQL，通过排除法，来完成报表的质量验证工作。

来自 “ ITPUB博客 ” ，链接：http://blog.itpub.net/7757832/viewspace-911984/，如需转载，请注明出处，否则将追究法律责任。

转载于:http://blog.itpub.net/7757832/viewspace-911984/