3. 数据质量需求分析与SLA设计

遥测数据质量治理最容易失败的方式，是先建一堆指标，再去找业务用途。正确的顺序恰好相反：先明确业务场景要做什么决策、容忍什么误差、在多长时间内必须拿到数据，再把这些业务语言翻译成可测量、可监控、可追责的质量指标，最后固化为SLA。本节围绕“业务场景 → 质量维度 → 指标与阈值 → 权重与优先级 → 验收标准”这条反推链路展开。

一、从业务场景提取质量诉求

业务场景通常以“我要在什么条件下、对什么对象、做出什么动作”来描述。以某工业设备远程运维平台为例，存在三类典型场景：

• 实时告警：设备温度超过阈值后，需在10秒内推送告警给值班工程师，用于紧急停机判断。
• 能效日报：每天08:00生成前一日各产线能耗报表，用于排产与成本核算。
• 设备健康度建模：用近90天的振动、电流、温度序列训练劣化预测模型，用于备件预投。

这三个场景对质量的要求差异极大。实时告警最怕“漏报”和“迟报”，对完整性、时效性极敏感，对单点精度反而可以放宽；能效日报最怕“算错”，对准确性和一致性要求高，但允许小时级延迟；健康度建模最怕“断流”和“跳变”，对连续性、稳定性要求高，对实时性几乎无要求。因此，质量指标必须按场景分别定义，不能用一个全局SLA覆盖所有数据。

二、把业务语言翻译成质量维度

业界常用的遥测数据质量维度包括：完整性（Completeness）、准确性（Accuracy）、时效性（Timeliness）、一致性（Consistency）、连续性（Continuity）、唯一性（Uniqueness）、有效性（Validity）。翻译的关键是找到业务后果与维度的对应关系：

• “漏报” → 完整性 + 时效性：采样点缺失或延迟到达都会导致告警丢失。
• “算错” → 准确性 + 一致性：传感器漂移、单位不统一、多源口径不一致都会导致报表偏差。
• “断流/跳变” → 连续性 + 稳定性：序列中断或异常跳变会破坏模型训练样本。

这一步的产出是一张“场景—维度—后果”映射表，它是后续指标设计的依据，也是与业务方对齐预期的沟通工具。

三、定义可测量的指标与阈值

维度是定性方向，指标必须可计算。以实时告警场景为例，可定义：

• 完整性指标：窗口内实际到达点数 / 应到点数 ≥ 99.5%。
• 时效性指标：P95端到端延迟 ≤ 8秒，P99 ≤ 15秒。
• 准确性指标：温度值偏差 ≤ ±0.5℃（相对标准表）。

能效日报场景可定义：完整性 ≥ 99.9%，准确性偏差 ≤ ±1%，一致性（跨系统同指标差异）≤ 0.5%，时效性为每日07:30前完成入库。健康度建模场景可定义：连续性（无中断时长占比）≥ 99%，稳定性（相邻点跳变超过3σ的比例）≤ 0.1%。

阈值不是拍脑袋定的，应结合历史数据分布、业务容忍度和治理成本三方权衡。例如把完整性从99%提到99.9%，可能需要在边缘侧增加缓存重传机制，成本显著上升，必须让业务方确认“这0.9%的漏报是否值得”。

四、权重、优先级与SLA条款

一个场景往往同时受多个指标约束，必须区分权重和优先级。权重用于综合评分，反映各指标对业务目标的相对贡献；优先级用于资源调度和故障处置，反映哪个指标先保。以实时告警为例，可设：完整性权重0.4、时效性权重0.35、准确性权重0.15、一致性权重0.1。综合得分 = Σ(实际值/目标值 × 权重)，低于0.95即触发SLA预警。

优先级则按“业务不可用后果”排序：告警漏报属于P0，延迟超标属于P1，精度偏差属于P2。当资源冲突时，优先保障P0指标。SLA条款应包含：指标定义、计算公式、统计窗口、目标值、权重、优先级、数据来源、责任方、违约处理。例如：

SLA-ALARM-001
指标：告警链路端到端完整性
定义：窗口内成功到达告警引擎的点数 / 应到点数
统计窗口：滚动1小时
目标值：≥ 99.5%
权重：0.40    优先级：P0
数据来源：边缘网关发送计数 vs 告警引擎接收计数
违约处理：连续2个窗口低于目标，触发P0工单，2小时内响应

五、验收标准与落地要点

验收标准必须可执行、可复现。建议采用“连续N天达标”而非“单次抽检合格”，因为遥测数据质量具有波动性。例如：完整性连续7天每日达标，且无单日低于98%的极端情况；时效性P95连续7天≤8秒。验收数据应来自生产环境真实链路，而非测试环境模拟。

最后，SLA不是一次性文档，而应随业务场景演进而迭代。建议每季度回顾一次：业务是否变化、阈值是否仍合理、违约是否集中出现在某类设备或某条链路。把回顾结果反哺到指标设计，才能让质量治理持续贴合业务价值。