3、数据质量维度（下）：唯一性、有效性、稳定性、可信性

上一章我们聊了完整性、准确性、一致性和及时性。这四个维度，说实话，是数据质量最基础的「体检项」。但光有这些还不够。

你想想看，数据不重复、符合规则、长期稳定、来源可靠——这些才是让数据真正「能用」的关键。今天我把剩下的四个维度掰开揉碎了讲。

3.1 唯一性：别让数据「撞脸」

唯一性，说白了就是一条数据在集合里只能出现一次。没有重复，没有歧义。

我在项目中遇到过最典型的场景：客户表里同一个手机号出现了三条记录，姓名、地址都略有不同。业务部门问我「哪个才是对的？」——我答不上来。这就是唯一性出了问题。

诊断方法其实不复杂。我习惯用 GROUP BY + HAVING COUNT(*) > 1 来扫全表。但要注意，有些重复是「业务允许的」——比如订单表里同一个用户下了两单，这不叫重复，这叫正常业务。

-- 检查客户表手机号是否唯一
SELECT phone, COUNT(*) as cnt
FROM customer
GROUP BY phone
HAVING COUNT(*) > 1;

3.2 有效性：数据得「守规矩」

有效性，就是数据是否符合预定义的格式、范围、类型和业务规则。

举个例子：年龄字段出现 -5，邮箱字段没有 @ 符号，日期字段写成 2025-13-01——这些都是有效性违规。

我曾经接手过一个财务系统，金额字段居然存了「一百二十元」这种中文描述。嗯，这数据别说分析了，连聚合都跑不了。

诊断有效性，我建议用正则表达式 + 边界值检查。别只测正常值，要测「边界值」和「异常值」——这才是有效性的试金石。

-- 检查邮箱字段有效性
SELECT email
FROM user
WHERE email NOT LIKE '%@%.%';

3.3 稳定性：数据别「忽高忽低」

稳定性，衡量的是数据在时间维度上的波动是否在合理范围内。

你想想看，昨天日活 100 万，今天突然变成 10 万——这数据你敢信？大概率是采集链路断了，或者计算口径变了。

我习惯用「环比 + 同比 + 标准差」来量化稳定性。具体来说：

• 环比波动率：今天 vs 昨天，变化超过 30% 就要报警
• 同比波动率：本周 vs 上周同期，排除周期性因素
• 标准差/均值：CV 值超过 0.5 说明数据极不稳定

稳定性诊断最怕什么？最怕「假稳定」。数据一直不变，每天都是同一个值——这反而有问题，说明采集可能挂了，系统在返回缓存数据。

我曾经排查过一个案例：某报表连续 7 天数据一模一样。开发说「没问题啊，业务就是稳定的」。结果一查，是 ETL 任务挂了，一直在读上周的快照。嗯，稳定性检查不能只看「变没变」，还要看「该变的时候变了没有」。

3.4 可信性：数据「靠不靠谱」

可信性，是数据质量里最「软」的一个维度。它衡量的是数据来源是否可靠、数据血缘是否清晰、数据是否被篡改过。

说白了，就是「这数据我敢不敢拿来做决策」。

我遇到过最典型的场景：业务部门开会，销售说 A 数据源显示业绩增长 20%，财务说 B 数据源显示只增长 5%。两边吵得不可开交。最后发现，A 数据源把「下单」算作收入，B 数据源只算「已收款」——口径不同，数据自然打架。

可信性诊断，我一般从三个角度入手：

还有一个容易被忽略的点：数据时效性。过期的数据，即使当初是准确的，现在也不可信。比如用去年的客户地址做今年的物流配送——这不叫可信，这叫碰运气。

3.5 四个维度的关系图谱

这四个维度不是孤立的。我画了一张图，帮你理清它们之间的关系。

从图里你能看到：唯一性和有效性偏「静态检查」，数据入库时就能判断；稳定性和可信性偏「动态监控」，需要持续观察。但它们是联动的——唯一性差的数据，稳定性一定好不了；有效性违规的数据，可信性自然打折扣。