Part 01、  什么是數(shù)據(jù)質(zhì)量管理 

數(shù)據(jù)質(zhì)量管理，是DAMA數(shù)據(jù)管理知識(shí)體系指南中數(shù)據(jù)治理領(lǐng)域非常重要的一部分（圖1 所示），主要是指對(duì)數(shù)據(jù)從計(jì)劃、獲取、存儲(chǔ)、共享、維護(hù)、應(yīng)用、消亡生命周期的每個(gè)階段里可能引發(fā)的各類數(shù)據(jù)質(zhì)量問題,進(jìn)行識(shí)別、度量、監(jiān)控、預(yù)警等一列管理活動(dòng)，并通過改善和提高組織的管理水平使得數(shù)據(jù)質(zhì)量獲得進(jìn)一步提高。

Part 02、 數(shù)據(jù)質(zhì)量問題原因及評(píng)價(jià)標(biāo)準(zhǔn) 

數(shù)據(jù)在計(jì)劃、獲取、存儲(chǔ)、共享、維護(hù)等各個(gè)環(huán)節(jié)都有可能引發(fā)數(shù)據(jù)質(zhì)量問題，主要原因分為幾下幾個(gè)方面：

數(shù)據(jù)不完整：由于企業(yè)信息系統(tǒng)的孤立使用，各個(gè)業(yè)務(wù)系統(tǒng)或模塊按照各自的需要錄入系統(tǒng)，沒有統(tǒng)一的錄入工具和數(shù)據(jù)出口，業(yè)務(wù)系統(tǒng)不需要的信息就不錄，造成同樣的數(shù)據(jù)有不同的信息屬性，再或者取數(shù)動(dòng)作不規(guī)范，或許某個(gè)數(shù)據(jù)本身就是采集過來的，本來就是不完整的，數(shù)據(jù)完整性無法得到保障。

數(shù)據(jù)不合規(guī)：沒有統(tǒng)一的數(shù)據(jù)管理平臺(tái)和數(shù)據(jù)源頭，數(shù)據(jù)生命周期管理不完整，同時(shí)企業(yè)各信息系統(tǒng)的數(shù)據(jù)錄入環(huán)節(jié)過于簡(jiǎn)單且手工參與較多，就數(shù)據(jù)本身而言，缺少是否重復(fù)、合法、對(duì)錯(cuò)等校驗(yàn)環(huán)節(jié)，導(dǎo)致各個(gè)信息系統(tǒng)的數(shù)據(jù)不夠準(zhǔn)確，格式混亂，各類數(shù)據(jù)難以集成和統(tǒng)一，沒有質(zhì)量控制導(dǎo)致海量數(shù)據(jù)因質(zhì)量過低而難以被利用。

數(shù)據(jù)時(shí)效性差：大數(shù)據(jù)項(xiàng)目對(duì)數(shù)據(jù)的時(shí)效性要求是非常嚴(yán)格的，比如離線項(xiàng)目是每天計(jì)算前一天的數(shù)據(jù)，如果前一天的源數(shù)據(jù)因?yàn)槟承┰驔]有被及時(shí)的傳輸過來，這樣就會(huì)嚴(yán)重影響后面指標(biāo)的計(jì)算以及報(bào)表的生成。

數(shù)據(jù)冗余：各個(gè)信息系統(tǒng)針對(duì)數(shù)據(jù)的標(biāo)準(zhǔn)規(guī)范不一、編碼規(guī)則不一、校驗(yàn)標(biāo)準(zhǔn)不一、且部分業(yè)務(wù)系統(tǒng)針對(duì)數(shù)據(jù)的驗(yàn)證標(biāo)準(zhǔn)缺失，造成了企業(yè)頂層視角的數(shù)據(jù)出現(xiàn)“一物多碼，一碼多物”等現(xiàn)象。

數(shù)據(jù)不精確：數(shù)據(jù)的精確性也是指數(shù)據(jù)的準(zhǔn)確性，是指數(shù)據(jù)是否與目標(biāo)值匹配；比如一個(gè)訂購金額，如果遠(yuǎn)遠(yuǎn)大于或低于常規(guī)的數(shù)值，那么我們就要懷疑這個(gè)的數(shù)據(jù)的精確性不夠。

那么如何判斷數(shù)據(jù)質(zhì)量的優(yōu)劣？從哪些方面可以評(píng)估數(shù)據(jù)質(zhì)量？在實(shí)踐中，我們可以通過數(shù)據(jù)質(zhì)量評(píng)估維度進(jìn)行評(píng)估。數(shù)據(jù)質(zhì)量評(píng)估維度是數(shù)據(jù)質(zhì)量的特征之一，它們?yōu)槎攘亢凸芾頂?shù)據(jù)的質(zhì)量提供了一種途徑和標(biāo)準(zhǔn)。在一個(gè)具體的數(shù)據(jù)質(zhì)量項(xiàng)目中，要選擇最適用于業(yè)務(wù)需求的數(shù)據(jù)質(zhì)量維度進(jìn)行測(cè)量，以評(píng)價(jià)數(shù)據(jù)的質(zhì)量。

在《GB/T36344－信息技術(shù)數(shù)據(jù)質(zhì)量評(píng)價(jià)指標(biāo)》中，國(guó)家標(biāo)準(zhǔn)化管理委員會(huì)明確了數(shù)據(jù)質(zhì)量評(píng)價(jià)指標(biāo)框架如圖2所示。

圖2

• 規(guī)范性：數(shù)據(jù)符合數(shù)據(jù)標(biāo)準(zhǔn)、數(shù)據(jù)模型、業(yè)務(wù)規(guī)則、元數(shù)據(jù)或權(quán)威參考數(shù)據(jù)的程度。
• 完整性：按照數(shù)據(jù)規(guī)則要求，數(shù)據(jù)元素被賦予數(shù)值的程度。
• 準(zhǔn)確性：數(shù)據(jù)準(zhǔn)確表示其所描述的真實(shí)實(shí)體（實(shí)際對(duì)象）真實(shí)值的程度。
• 一致性：數(shù)據(jù)與其他特定上下文中使用的數(shù)據(jù)無矛盾的程度。
• 時(shí)效性：數(shù)據(jù)在時(shí)間變化中的正確程度。
• 可訪問性：數(shù)據(jù)能被訪問的程度。

Part 03、目前常用的數(shù)據(jù)質(zhì)量管理工具 

3.1 Apache Griffin

Griffin是一個(gè)開源的大數(shù)據(jù)質(zhì)量解決方案， 2016年12月07日進(jìn)入 Apache 孵化，由eBay開源，它支持批處理和流模式兩種數(shù)據(jù)質(zhì)量檢測(cè)方式，是一個(gè)基于Hadoop和Spark建立的數(shù)據(jù)質(zhì)量服務(wù)平臺(tái) (DQSP)，如圖3所示。它提供了一個(gè)全面的框架來處理不同的任務(wù)，例如定義數(shù)據(jù)質(zhì)量模型、執(zhí)行數(shù)據(jù)質(zhì)量測(cè)量、自動(dòng)化數(shù)據(jù)分析和驗(yàn)證，以及跨多個(gè)數(shù)據(jù)系統(tǒng)的統(tǒng)一數(shù)據(jù)質(zhì)量可視化。

圖3

Griffin由Define、Measure、Analyze三大模塊組成，各個(gè)部分的職責(zé)如下：

Define：主要負(fù)責(zé)定義數(shù)據(jù)質(zhì)量統(tǒng)計(jì)的維度，比如數(shù)據(jù)質(zhì)量統(tǒng)計(jì)的時(shí)間跨度、統(tǒng)計(jì)的目標(biāo)（源端和目標(biāo)端的數(shù)據(jù)數(shù)量是否一致，數(shù)據(jù)源里某一字段的非空的數(shù)量、不重復(fù)值的數(shù)量、最大值、最小值、top5的值數(shù)量等）。

Measure：主要負(fù)責(zé)執(zhí)行統(tǒng)計(jì)任務(wù)，生成統(tǒng)計(jì)結(jié)果。這一塊主要技術(shù)棧使用的是Livy+ Spark，Spark作為執(zhí)行引擎，Apache Livy基于Spark的開源REST服務(wù)，它能夠通過REST的方式將代碼片段或是序列化的二進(jìn)制代碼提交到Spark集群中去執(zhí)行。

Analyze：主要負(fù)責(zé)保存與展示統(tǒng)計(jì)結(jié)果。

-現(xiàn)狀分析：

• Griffin的社區(qū)并不太活躍，現(xiàn)在最新版本還是0.6，網(wǎng)上技術(shù)文檔并不算太多， 擔(dān)心出了問題比較難找到解決方案。
• 從技術(shù)棧的角度Livy過于小眾，數(shù)據(jù)存儲(chǔ)方面ES的運(yùn)維對(duì)于一個(gè)小團(tuán)隊(duì)來說也比較麻煩。
• 針對(duì)數(shù)據(jù)檢查任務(wù)的調(diào)度和數(shù)據(jù)檢查結(jié)果的后續(xù)處理方面，Griffin一般還需要和現(xiàn)有的大數(shù)據(jù)調(diào)度平臺(tái)打通，也有一定的工作量。

3.2 Apache DolphinScheduler

在2022年4月22日，Apache DolphinScheduler 正式宣布 3.0.0 alpha 版本發(fā)布，此版本中用戶期待已久的數(shù)據(jù)質(zhì)量校驗(yàn)應(yīng)用功能上線，實(shí)現(xiàn)了數(shù)據(jù)質(zhì)量的原生支持，支持在工作流運(yùn)行前進(jìn)行數(shù)據(jù)質(zhì)量的校驗(yàn)，可由用戶自定義數(shù)據(jù)質(zhì)量的校驗(yàn)規(guī)則，實(shí)現(xiàn)了任務(wù)運(yùn)行過程中對(duì)數(shù)據(jù)質(zhì)量的嚴(yán)格控制和運(yùn)行結(jié)果的監(jiān)控，如圖4所示。

圖4

-現(xiàn)狀分析：

• DolphinScheduler作為一個(gè)任務(wù)調(diào)度系統(tǒng)，具備了執(zhí)行任務(wù)的基礎(chǔ)，不需要引入新的組件來提交任務(wù)；
• 數(shù)據(jù)質(zhì)量檢查可以作為一種任務(wù)類型無縫接入到工作流當(dāng)中；
• 無需新增其他服務(wù)來增加運(yùn)維的難度；
• 可以很好地與社區(qū)共建開源。

基于以上現(xiàn)狀，DolphinScheduler是一款比較適合與業(yè)務(wù)相結(jié)合進(jìn)行二次開發(fā)的數(shù)據(jù)質(zhì)量工具，但是目前僅適用于離線數(shù)據(jù)驗(yàn)證。

3.3 Deequ

Deequ是一個(gè)來自AWS實(shí)驗(yàn)室的開源工具，可以用來驗(yàn)證許多大型生產(chǎn)數(shù)據(jù)集的質(zhì)量。數(shù)據(jù)生產(chǎn)者可以通過添加和編輯數(shù)據(jù)質(zhì)量約束，使得系統(tǒng)定期計(jì)算數(shù)據(jù)質(zhì)量指標(biāo)。當(dāng)數(shù)據(jù)質(zhì)量約束成功時(shí)將數(shù)據(jù)集發(fā)布給消費(fèi)者，錯(cuò)誤時(shí)可停止數(shù)據(jù)集的發(fā)布，并通知生產(chǎn)者采取行動(dòng)，這樣數(shù)據(jù)質(zhì)量問題就不會(huì)傳播到消費(fèi)者的數(shù)據(jù)管道，從而減少它們的爆炸半徑。主要組件如圖5所示。

圖5

• 指標(biāo)計(jì)算（Metrics Computation），Deequ 計(jì)算數(shù)據(jù)質(zhì)量指標(biāo)，即完整性、最大值或相關(guān)性等統(tǒng)計(jì)數(shù)據(jù)。Deequ 使用 Spark 從 Amazon S3 等源中讀取數(shù)據(jù)，并通過一組優(yōu)化的聚合查詢計(jì)算指標(biāo)。
• 約束驗(yàn)證（Constraint Verification）,作為用戶，可以專注于定義一組要驗(yàn)證的數(shù)據(jù)質(zhì)量約束，Deequ負(fù)責(zé)利用該約束在數(shù)據(jù)集上進(jìn)行計(jì)算，進(jìn)而生成數(shù)據(jù)質(zhì)量報(bào)告，其中包含約束驗(yàn)證的結(jié)果。
• 約束建議（Constraint Suggestion）,可以選擇自定義所需的數(shù)據(jù)質(zhì)量約束，或使用自動(dòng)約束建議方法來分析數(shù)據(jù)以推斷有用的約束。

-現(xiàn)狀分析：

• Deequ和spark關(guān)聯(lián)密切，使用spark技術(shù)框架的可以考慮。
• 社區(qū)較為活躍，使用的較多。

3.4 Great Expectations

Great expectations是一個(gè)python的工具包，Python近幾年在數(shù)據(jù)分析領(lǐng)域大放異彩，而Python本身對(duì)于數(shù)據(jù)質(zhì)量問題的解決一直是一個(gè)大問題。而Great expectations正好彌補(bǔ)了這方面的不足。對(duì)于一些對(duì)Python支持良好的公司，可以優(yōu)先選擇Great expectations來進(jìn)行數(shù)據(jù)質(zhì)量的解決方案建設(shè)。

-現(xiàn)狀分析：

• 版本更新快，Bug修復(fù)也快。
• 社區(qū)非?；钴S，值得長(zhǎng)期關(guān)注。