大數(shù)據(jù)中數(shù)據(jù)的質(zhì)量問題探析

劉妍東

摘 要：隨著云時代的來歷，大數(shù)據(jù)技術(shù)也越來越引起人們的關(guān)注。大數(shù)據(jù)帶來的巨大的技術(shù)和商業(yè)機遇使眾多的企業(yè)趨之若鶩。大數(shù)據(jù)分析挖掘和利用將為企業(yè)帶來巨大的商業(yè)價值，但隨著數(shù)據(jù)規(guī)模的急劇劇增，數(shù)據(jù)體量巨大、數(shù)據(jù)類型繁多，數(shù)據(jù)的價值參差不齊，在數(shù)據(jù)分析時將導(dǎo)致分析偏差。所以在大數(shù)據(jù)時代，數(shù)據(jù)的質(zhì)量問題也是重中之重。通過分析，數(shù)據(jù)的質(zhì)量問題主要存在這六大方面的問題：準(zhǔn)確性、完整性、一致性、相關(guān)性、時效性、可信性和可解釋性。

關(guān)鍵詞：大數(shù)據(jù);質(zhì)量問題

中圖分類號：TB ? ? 文獻標(biāo)識碼：A ? ? ?doi：10.19311/j.cnki.1672-3198.2020.04.092

1 從采集的角度劃分質(zhì)量問題

1.1 準(zhǔn)確性

準(zhǔn)確性是指數(shù)據(jù)是否正確的，數(shù)據(jù)存儲在數(shù)據(jù)庫中的值是否對應(yīng)于真實世界的值。例如，某用戶在使用支付寶綁定銀行卡時，網(wǎng)站要求驗證用戶的真實姓名和身份證號碼。如果用戶提供的證件號碼與實際號碼一致，那么該號碼存儲在數(shù)據(jù)庫中的值就是正確的。

數(shù)據(jù)的不準(zhǔn)確由如下原因造成：一是在收集數(shù)據(jù)時，設(shè)備出現(xiàn)故障，導(dǎo)致數(shù)據(jù)存儲的值出現(xiàn)亂碼。二是在數(shù)據(jù)輸入時，人為的輸入不準(zhǔn)確的信息，或者計算機內(nèi)部出錯導(dǎo)致錄入的信息有誤，比如我們上網(wǎng)注冊一些信息時，出于隱私考慮，用戶會故意輸入不正確的信息，包括年齡、地址、手機號等。 三是在數(shù)據(jù)傳輸?shù)倪^程中出現(xiàn)錯誤。比如，超出了傳輸緩沖區(qū)的大小，數(shù)據(jù)會出現(xiàn)截斷等現(xiàn)象。最后一種是命名約定、數(shù)據(jù)代碼、輸入字段的格式不一致導(dǎo)致出錯。其中，最常見的是：不按格式輸入導(dǎo)致出錯，例如輸入字段為日期時，多個用戶輸入日期的格式不一致。

1.2 完整性

完整性是指信息具有一個實體描述的所有必需的部分。在傳統(tǒng)關(guān)系型數(shù)據(jù)庫中，完整性通常與空值（NULL）有關(guān)。空值是指缺失或不知道具體的值，可能是一條記錄中的某個屬性缺失，也可能是整條記錄都丟失。

不完整的數(shù)據(jù)對數(shù)據(jù)分析會產(chǎn)生影響，比如考慮構(gòu)造一個預(yù)測交通事故發(fā)生率的模型。如果忽略了駕駛員的年齡和性別信息，那么除非這些信息可以間接地通過其他屬性得到，否則模型的精度可能是有限的。這種情況下，我們就需要盡量采集全面的數(shù)據(jù)信息。

1.3 一致性

數(shù)據(jù)一致性是指在數(shù)據(jù)庫中，不同表中存儲和使用的同一數(shù)據(jù)應(yīng)當(dāng)是等價的，表示數(shù)據(jù)有相等的值和相同的含義。

比如表1描述學(xué)生的基本信息，包括學(xué)號、姓名、性別、出生日期和所在專業(yè)，而所在專業(yè)必須從專業(yè)信息表獲取。表2描述了專業(yè)的基本信息。從這兩個表可以看到，表1中的學(xué)生李想所在的專業(yè)號并沒有出現(xiàn)在表2中，說明該條記錄的專業(yè)號有誤，必須修改正確，才能保證兩張表對應(yīng)字段的正確性，這是數(shù)據(jù)的邏輯不一致。 數(shù)據(jù)不一致還體現(xiàn)在記錄的不規(guī)范上，比如兩個表中對日期的格式記錄不一致，如20100405和2019年4月5日這兩種格式，會導(dǎo)致在數(shù)據(jù)集成中造成數(shù)據(jù)沖突。

另外在數(shù)據(jù)出現(xiàn)冗余的情況下，數(shù)據(jù)內(nèi)容由于各種原因比如并發(fā)控制不當(dāng)，或程序故障導(dǎo)致前后數(shù)據(jù)不一樣也是造成數(shù)據(jù)不一致的原因。

2 從應(yīng)用的角度劃分質(zhì)量問題

2.1 相關(guān)性

數(shù)據(jù)的相關(guān)性是指數(shù)據(jù)與特定的應(yīng)用和領(lǐng)域有關(guān)。與數(shù)據(jù)相關(guān)的應(yīng)用場景一般有，比如進行數(shù)據(jù)挖掘或構(gòu)造模型預(yù)測時，需要采集相關(guān)的數(shù)據(jù)。例如考慮構(gòu)造一個模型，預(yù)測交通事故發(fā)生率。如果忽略了駕駛員的年齡和性別信息，那么除非這些信息可以間接地通過其他屬性得到，否則模型的精度可能是有限的。這種情況下，我們就需要盡量采集全面的相關(guān)的數(shù)據(jù)信息。

另外一個相關(guān)性的質(zhì)量問題表現(xiàn)在相同的數(shù)據(jù)，在不同的應(yīng)用領(lǐng)域中，相關(guān)性也是不一樣的。例如，對于某個公司的大型客戶數(shù)據(jù)庫，由于時間和統(tǒng)計的原因，顧客地址列表的正確性為80%，其他地址可能過時或不正確。當(dāng)市場分析人員訪問公司的數(shù)據(jù)庫，獲取顧客地址列表時，基于目標(biāo)市場營銷考慮，市場分析人員對于該數(shù)據(jù)庫的準(zhǔn)確性滿意度較高。而當(dāng)銷售經(jīng)理訪問該數(shù)據(jù)庫時，由于地址的缺失和過時，對該數(shù)據(jù)庫的滿意度較低。

2.2 時效性

數(shù)據(jù)的時效性是指有些數(shù)據(jù)會隨時間而變化的，這些數(shù)據(jù)收集后就開始老化，使用老化后的數(shù)據(jù)進行數(shù)據(jù)分析、數(shù)據(jù)挖掘，將會產(chǎn)生不同的分析結(jié)果。 如商品推薦。顧客的當(dāng)時購買行為或Web瀏覽行為稱為快照，它只代表有限時間內(nèi)的真實情況。如果數(shù)據(jù)已經(jīng)過時，則基于它的模型和模式也就已經(jīng)過時，所以進行商品推薦需要采集當(dāng)前的數(shù)據(jù)進行分析和推薦。在這種情況下，我們需要考慮重新采集數(shù)據(jù)信息，及時對數(shù)據(jù)進行更新。

另應(yīng)用場景是城市的智能交通管理。以前沒有智能手機和智能汽車，很多大城市雖然有交管中心，但它們收集的路況信息非常滯后。用戶看到的，可能已經(jīng)是半小時前的路況了，那這樣的信息就沒有什么價值。但是，能定位的智能手機普及以后可就不同。很多用戶開放了實時位置信息，做地圖服務(wù)的公司，就能實時得到人員流動信息，并且根據(jù)流動速度和所在位置，區(qū)分步行的人群和汽車，然后提供實時的交通路況信息，給用戶帶來便利。這就是大數(shù)據(jù)的時效性帶來的好處。

3 從用戶的角度劃分質(zhì)量問題

3.1 可信性

數(shù)據(jù)的可信性由三個因素決定：數(shù)據(jù)來源的權(quán)威性、數(shù)據(jù)的規(guī)范性、數(shù)據(jù)產(chǎn)生的時間。例如新浪微博某一用戶發(fā)布的微博內(nèi)容是否具有可信性，首先確定數(shù)據(jù)來源是否具有權(quán)威性，如果是權(quán)威機構(gòu)的數(shù)據(jù)，那么可信度比較高。如果微博字數(shù)較長且敘述比較詳細，可信度也會增加。同時微博的發(fā)布時間是否接近實時，也影響數(shù)據(jù)的可信度。

3.2 可解釋性

數(shù)據(jù)的可解釋性，也稱為可讀性，是指數(shù)據(jù)被人理解的難易程度，如果數(shù)據(jù)具有解釋性或包含有注釋性信息，而且數(shù)據(jù)書寫規(guī)范，則數(shù)據(jù)的可解釋性越高。相反如果數(shù)據(jù)晦澀難懂就根本不具備分析的條件。

當(dāng)我們在數(shù)據(jù)采集和處理時能處理好這六種數(shù)據(jù)質(zhì)量問題，則在大數(shù)據(jù)分析中，就會得到正確及實用的信息。

參考文獻

[1]朱慧明.大數(shù)據(jù)背景下電商運營課程教學(xué)改革研究[J].現(xiàn)代商貿(mào)工業(yè)，2019，（32）.

[2]張余丹.大數(shù)據(jù)時代在線教育平臺商業(yè)模式淺析[J].現(xiàn)代商貿(mào)工業(yè)，2019，（21）.