📚 课程目录第3章数据质量定义与指标体系

第3章数据质量定义与指标体系

数据质量是数据中台与治理岗位的核心面试考察点。本章聚焦定义 → 维度 → 标准 → 规范的应答路径，帮助你从“会干活”升级到“能定义、能量化、能对齐行业标准”。

核心知识点速览： 数据质量 = 数据满足业务使用要求的程度；五大维度（完整性、准确性、一致性、及时性、唯一性）；度量标准（比率、阈值、波动监控）；行业规范（DAMA、TDQM、ISO 8000）。

面试加分点： 在阐述维度时主动补充“数据质量没有值，取决于业务场景”，体现平衡思维。

考察点	是否理解数据质量的业务属性，而非纯技术指标；是否具备定义抽象概念的能力。
回答框架	定义 → 举例（如用户画像字段）→ 强调业务场景依赖。
示例回答	数据质量指数据满足特定业务使用要求的程度。例如用户性别字段，在推荐场景中缺失率<5%算合格，但在风控场景中必须<0.1%。同一字段质量门槛因业务而异。
可能追问	如果业务方说“我不管定义，你直接告诉我这个表质量好不好”，你怎么应对？
避坑提醒	不要背诵维基百科定义，必须绑定具体业务场景；避免说“数据质量就是准确”这种片面回答。

考察点	对五大维度度量方法的熟悉度；阈值设定的经验与合理性；是否考虑波动与趋势。
回答框架	先列举维度（完整性=非空率，准确性=异常值率，一致性=交叉校验通过率等）→ 说明阈值来源（历史基线+业务容忍度）→ 补充动态调整。
示例回答	完整性用非空率衡量，如订单表用户ID必须>99.9%；准确性用有效值占比，如年龄字段0-120外算异常；一致性用跨表比对差异率。阈值先取过去30天P90，再与业务方确认上下界，每季度复审。
可能追问	如果历史数据本身就脏，历史基线不可靠怎么办？
避坑提醒	不要只给出一个数值，要体现“基线+业务协商+迭代”的思路；避免把阈值说死如“90%”，应补充场景差异。

考察点	行业视野广度；能否将理论与工程实践结合；避免空谈“我读过DAMA”。
回答框架	点名2-3个规范（DAMA/DMBOK、TDQM、ISO 8000）→ 选其一说明核心思想 → 举1个落地例子。
示例回答	常用DAMA的数据质量6维度模型，以及TDQM的数据产品化理念。实际落地时我们参照ISO 8000定义数据质量指标元数据，为每个指标绑定数据责任人、监控频率与SLO，并在Data Catalog中公开，推动质量治理闭环。
可能追问	DAMA和TDQM哪个更适合互联网企业？为什么？
避坑提醒	不要只背诵规范名称，要展示如何转化为代码/平台功能；避免说“我们完全按照ISO 8000执行”，几乎没有公司能完整落地。

常见雷区： 面试者容易只讲理论不讲实践，或只讲实践不讲理论。回答时坚持“定义→维度→标准→规范→业务影响”的闭环，让面试官看到系统性思维。

第3章 数据质量定义与指标体系