第2章：数据质量定义与问题处理回答框架
本章聚焦数据质量高级工程师面试中最高频的两类问题：“你如何定义和衡量数据质量？”与“发现数据质量问题后如何处理？”。掌握结构化回答框架，将抽象的“质量”转化为可量化的维度、指标与行动路径，是拿到大厂Offer的关键。
数据质量衡量维度速查表
| 维度 | 定义 | 常见指标 | 面试加分表达 |
|---|---|---|---|
| 完整性 | 数据是否有缺失 | 字段缺失率 ≤ 1% | “通过空值率阈值监控持续优化采集逻辑” |
| 准确性 | 数据与真实值的一致性 | 异常值比例、同比波动 | “结合统计分布识别离群点并触发回滚” |
| 一致性 | 跨系统/跨表的数据对齐 | 主键唯一性、引用完整性 | “设计基于事件时间的对账机制” |
| 及时性 | 数据到达的延迟 | 延迟P99、SLA达标率 | “设置超时告警并启用双链路冗余” |
| 唯一性 | 无重复记录 | 重复率、主键冲突数 | “引入布隆过滤器提前拦截重复数据” |
问答卡片 1：如何定义和衡量数据质量？
面试问题：你如何定义数据质量？通常在项目中会从哪些维度去衡量？
考察点：对数据质量体系的理解深度、能否从抽象概念落地到可执行指标、是否具备工程化思维。
回答框架：定义→维度→指标→监控手段→闭环反馈。
简短示例回答：“我通常从完整性、准确性、一致性、及时性、唯一性五个维度定义数据质量。例如在用户画像项目中，我们要求 profile 字段缺失率低于 0.5%，跨表用户 ID 一致性达到 99.99%，ETL 延迟控制在 5 分钟内，并借助 Great Expectations 进行自动化校验，每周输出质量报告并推动业务验收。”
可能追问：如果指标冲突（如及时性与准确性如何权衡）？你选择的阈值依据是什么？
避坑提醒：不要只谈理论不提案例，更不要只说“我们做了质量检查”而没有具体数字。面试官期待看到你有量化能力和持续改进思维。
问答卡片 2：发现数据质量问题时的处理流程
面试问题：请描述一次你发现并处理严重数据质量问题的完整过程。
考察点：问题排查能力、根因分析思路、应急响应流程、是否具备预防意识。
回答框架：STAR（情境→任务→行动→结果）+ 复盘沉淀。
简短示例回答：“某次实时报表出现收入异常，次日 SLA 告警触发。我迅速定位到上游埋点字段变更导致解析异常，立即回滚至前一版本并通知业务侧暂用历史数据。事后推动建立字段变更预检流程和 schema 兼容性测试，收入数据准确率恢复至 99.99%，后续未再发生同类问题。”
可能追问：回滚期间数据怎么恢复？如何做到“事后”不再发生？
避坑提醒：避免只讲排查过程不讲根因与预防。面试官在意的是你能否从一次事故中提炼出可复用的机制。
问答卡片 3：数据质量监控体系的搭建
面试问题：你会如何设计一套数据质量监控体系来自动发现数据异常？
考察点：系统设计能力、技术选型、可扩展性、对业务场景的适配。
回答框架：分层架构（采集层→规则层→告警层→治理层）+ 规则类型 + 自动化闭环。
简短示例回答：“我会用 Great Expectations 定义包括空值率、主键唯一性、值域统计等规则，置于 Airflow 编排的定期校验任务中；检测到异常时通过 Alertmanager 发送到飞书群，并自动触发回滚或阻断下游任务。同时将失败样本写入 BigQuery 用于持续调优规则阈值。”
可能追问：如何处理误报？规则覆盖率怎么保证？
避坑提醒：不要只说工具名称而不说为什么选它。一定要结合业务规模与实时性要求说明技术选型理由。