数据质量不用人盯死：聊聊“规则 + 阈值 + 自愈”怎么玩才靠谱？
兄弟们，做大数据的要是没被“数据质量”折磨过，我都怀疑你是不是在玩票。线上业务天天变、源头数据花式造、表字段随时加减，今天你多一列，明天我空一列——只要没人盯，报表迟早出事故。
但靠人盯？呵呵，凌晨三点你真愿意爬起来瞧一眼“库存数又为负了”？这事儿不能靠人肉。
所以这几年我一直在琢磨——自动化数据质量检查到底怎么落地？重点不是写几条规则，而是模型、阈值和自愈能力能不能闭环。今天咱就聊点接地气的：
- 什么规则才算靠谱？
- 阈值靠拍脑袋？还是智能调整？
- 数据都错了，用啥自愈？
别担心，不讲虚的，全是落地套路，还有点代码意思意思。
🥩 一、什么是数据质量？一句话说透
数据质量不是“看着正常”，而是可量化、可追踪、可恢复。
一句话总结：
数据质量 = 规则（检测数据） + 阈值（判断异常） + 自愈（问题闭环）
如果缺一项？你就是再造一批提醒和报警垃圾。
🛑 二、规则：不要一上来就搞 100 条，先把“致命场景”兜住
很多公司做质量规则，一上来就“200 条规则齐发”，最后没人维护，只剩垃圾。
我一般建议三层模型：
| 层级 | 目标 | 示例 |
|---|---|---|
| 业务致命规则 | 保命，不合格就停 | 订单金额不可为负 |
| 稳定性规则 | 数据行为不可变形 | 行数环比、字段分布 |
| 异常感知 | 背景监控，不断拉响 | 长尾分布、突刺点 |
比如库存表的关键规则：
✔ 必须有规则（SQL 级）
SELECT *
FROM inventory
WHERE quantity < 0;
✔ 稳定规则（同比趋势）
假设昨天库存 10000、今天掉到 200，你敢上线？
🎚 三、阈值：比“拍脑袋”更可怕的，是一直没人调
传统阈值两种死法：
- PM 拍脑袋：“订单金额超 1% 就报警”
- 前端拍脑袋：“小波动没问题，不要报警”
最后报警系统变成哑炮。
我更推崇方式：
✨ 动态阈值三板斧
1）滑动窗口中位数
import numpy as np
window = [100,105,110,120,95] # 最近 N 天
median = np.median(window)
threshold = median * 0.8 # 异常阈值
2）MAD（Median Absolute Deviation）抗离群
mad = np.median(np.abs(window - median))
lower = median - 3 * mad
upper = median + 3 * mad
3）分位数阈值
lower = np.quantile(window,0.05)
upper = np.quantile(window,0.95)
越写你越发现：阈值是数据算出来的，而不是老板喊出来的。
🔄 四、自愈系统：报警不是目的，把事办了才叫闭环
报警只是系统的嘴。
自愈才是系统的心脏。
我常见三种自愈方式：
🩹 方式 1：自动重跑
某个任务因为数据延迟导致空跑，这种最容易修复：
def rerun_task(task):
print(f"Re-run {task}")
🔄 方式 2：回滚最近可用快照
数据算坏了？回滚：
import shutil
def rollback(snapshot_path, online_path):
shutil.copy(snapshot_path, online_path)
🧠 方式 3：自动补齐（维表、枚举、字段缺失）
比如埋点漏了字段 device_type，可以默认值填充：
df['device_type'] = df['device_type'].fillna("unknown")
有同学说：“这样不是掩盖问题？”
兄弟，线上系统保运行第一，补齐 ≠ 忽略，补齐 + 上报才是专业。
🧩 五、闭环处理：别以为报警发钉钉就完了
真正的闭环，我只认四件事：
- 规则可配置
- 阈值可回溯
- 告警有工单
- 自愈可审计
比如每次异常，我们记录：
log = {
"rule": "inventory < 0",
"action": "fill_to_zero",
"timestamp": "2025-12-20 10:00"
}
这样半年后业务查你“为啥库存那天数据不对”，你能摊牌：“哥，我有证据。”
🚦 六、说说坑：数据质量系统的三次死亡
▶ 第一次死亡 — 规则太多没人维护
▶ 第二次死亡 — 报警太多没人处理
▶ 第三次死亡 — 问题没人修复
所以记住一句：
数据质量不是系统，是文化。
没有 owner、没有处罚，就没有质量。
⚙ 七、现实例子：电商库存自愈闭环
假设电商库存表一天跑一次，今天库存突然为 0：
系统步骤：
- 判断：环比下降超过 90%，异常触发
- 行为：自动重跑任务
- 若仍为 0：回滚昨日数据并发工单
- 人工确认后修复数据来源
你瞧，这就是闭环。
💡 八、我的些许温度与经验
做数据十几年，我最大的感受：
- 数据问题不可避免
- 越早发现成本越低
- 没人想半夜背锅
- 自愈是善待工程师
你搭质量体系不是为了 KPI，不是为了报表，是为了——
人生可以不用凌晨救火。
你要是还在靠“出问题再找 DBA”这种手工模式运转公司，那你离 2025 的数据治理差着几十年。
🏁 九、结语
自动化数据质量检查，本质是三件事：
- 规则保底：防止致命
- 阈值科学：动态适配
- 自愈闭环：让系统自己解决
