3. 数据质量维度定义：完整性、准确性、一致性、及时性、唯一性、有效性

在风控数据治理中，数据质量并非单一概念，而是由多个可量化、可观测的维度构成。本章将系统定义六大核心维度——完整性、准确性、一致性、及时性、唯一性、有效性，并给出每个维度在风控场景下的具体含义、度量方式与典型问题案例。

3.1 完整性（Completeness）

定义：数据记录中是否存在缺失值或空值，反映数据覆盖的全面程度。

风控场景示例：客户申请表中“身份证号”字段缺失，导致无法完成实名认证；交易记录中“商户ID”为空，无法定位风险商户。

度量公式：

完整性 = (1 - 缺失记录数 / 总记录数) × 100%

看板指标建议：字段级缺失率、表级完整率、必填字段空值数量趋势。

3.2 准确性（Accuracy）

定义：数据值与其真实值或标准值的一致程度，反映数据是否“正确”。

风控场景示例：用户年龄字段填写为“200岁”，明显超出合理范围；交易金额小数点错位导致风控规则误判。

度量方式：通过与权威数据源交叉比对、规则校验（如范围检查、格式校验）来评估。

看板指标建议：字段级准确率、异常值占比、规则命中率。

3.3 一致性（Consistency）

定义：同一数据在不同系统、不同表或不同时间点之间是否保持逻辑统一。

风控场景示例：客户在CRM系统中状态为“已注销”，但在风控系统中仍为“正常”；同一笔交易在交易流水表和结算表中金额不一致。

度量方式：跨表比对、跨系统对账、逻辑约束校验。

看板指标建议：跨表不一致率、对账差异笔数、逻辑冲突记录数。

3.4 及时性（Timeliness）

定义：数据从产生到可被使用的时间延迟，反映数据是否“新鲜”。

风控场景示例：实时风控接口要求数据延迟小于1秒，但批处理任务延迟30分钟，导致黑名单更新滞后，产生风险敞口。

度量方式：数据产生时间戳与到达时间戳的差值。

看板指标建议：平均延迟时长、延迟超过阈值的记录占比、最大延迟时间。

3.5 唯一性（Uniqueness）

定义：数据集中是否存在重复记录，反映数据是否“冗余”。

风控场景示例：同一用户被重复注册多个账户，导致多头借贷风险被低估；同一笔交易被重复记录，造成交易量虚高。

度量方式：基于主键或业务唯一键检查重复记录。

看板指标建议：重复记录数、重复率、主键冲突次数。

3.6 有效性（Validity）

定义：数据是否符合预定义的格式、类型、取值范围或业务规则，反映数据是否“合规”。

风控场景示例：手机号字段包含字母字符、日期字段格式为“2024/13/01”（月份超出范围）、枚举字段出现未定义的值。

度量方式：格式校验、枚举值校验、范围校验、正则表达式匹配。

看板指标建议：字段级有效通过率、格式错误记录数、非法值占比。

3.7 维度间的关联与冲突

六大维度并非完全独立，在实际治理中常出现权衡与关联：

• 完整性 vs 准确性： 强制填充所有字段可能引入更多错误值，需平衡缺失率与准确率。
• 及时性 vs 准确性： 追求极低延迟可能牺牲数据校验深度，导致准确性下降。
• 唯一性 vs 一致性： 去重操作可能在不同系统间产生数据不一致，需建立统一的唯一标识。

3.8 看板落地检查清单