数据质量度量指标体系：掌握 DQI、DQAF 等指标设计方法

Q1：请介绍你搭建数据质量度量体系的整体思路，以及如何选择 DQI 或 DQAF 指标？

面试官考察点：理论框架理解 + 落地选择性 + 结构化表达

回答框架：① 先定义核心维度（完整性/准确性/时效性等）；② 根据业务重要性选取每个维度下 1-2 个关键指标；③ 对于 DQI，侧重固定权重的综合评分；④ 对于 DQAF，倾向细粒度核查 + 动态阈值；⑤ 最后给出闭环改进流程。

示例回答（60-100字）：我会先以完整性、准确性、时效性为三大维度，在每个维度下选取缺失率、准确率、延迟分钟数作为基础指标。对于日常监控使用 DQI 加权评分（如总分 0-100）；对于核心资产表采用 DQAF 逐行校验+动态基线告警，确保问题秒级发现。两者互补，而非替代。

可能追问：阈值的上下界如何确定？动态基线怎么设计？

避坑提醒：不要只说理论定义而不举例业务场景；避免“所有指标都用 DQI”的一刀切话术。

Q2：在搭建度量体系时，如何让业务方认可我们设定的数据质量指标？

面试官考察点：跨团队协作能力 + 指标可解释性 + 业务价值导向

回答框架：① 邀请业务方参与维度优先级投票；② 用财务报表/运营指标的反面案例说明坏数据成本；③ 每个指标绑定对应的业务影响（如“延迟率每降低10%可减少信贷审批损失”）。

示例回答（60-100字）：我会先与业务方召开“数据质量维度工作坊”，请他们打分排序。例如风控团队关注准确性，财务关注完整性。然后针对每个指标给出SLA承诺——例如“贷款申请数据缺失率≤1%”对应减少无法打分样本，得到业务直接认可。最后将指标看板共享，每月复盘一次。

可能追问：业务方要求“零误差”怎么办？

避坑提醒：不要陷入技术术语（如“熵值法”）；要始终用业务语言解释“这个指标降低了什么风险”。

Q3：你如何监控大量表/字段的数据质量，避免“指标爆炸”？

面试官考察点：规模化落地经验 + 自动化能力 + 优先级策略

回答框架：① 按照表分级（核心/重要/普通）配置不同颗粒度；② 自动化探查工具跑全量扫描，只对核心表启用实时监控；③ 用“异常级联”机制减少重复告警。

示例回答（60-100字）：我们将表分为 P0-P3 四级：P0 核心表（如交易流水）配置完整性+准确性 5 个指标，实时告警；P1 表配置 3 个指标，每日扫描；P2/P3 表只做周度趋势监控。另外设计“上游表异常自动关联下游”规则，避免同一问题重复上报。目前全平台 2000+ 表，核心告警日均仅 5 条。

可能追问：分级标准如何量化？谁来定义？

避坑提醒：忌“所有表一视同仁”或“只关注核心表忽略长尾”。