2. 数据质量维度框架：五大维度与坏账率计算

在构建坏账率哨兵体系之前，必须先建立统一的数据质量评估语言。本章将完整性、准确性、一致性、时效性、唯一性五大维度与坏账率计算的关键环节一一对应，形成可度量、可追溯的质量评估框架。

2.1 五大维度定义与坏账率关联

2.2 坏账率计算的数据链路与质量触点

从原始交易到最终坏账率指标，数据经历四个关键阶段。每个阶段都有对应的质量维度需要重点监控。

1. 源系统接入层：从核心银行、信贷系统、第三方支付平台抽取原始数据。主要风险：完整性（字段缺失）、唯一性（重复流水号）。
2. 数据清洗与整合层：进行去重、空值填充、格式标准化。主要风险：准确性（转换逻辑错误）、一致性（多源数据冲突）。
3. 汇总与计算层：按客户、产品、机构维度汇总余额，计算逾期天数。主要风险：时效性（汇总延迟）、准确性（计算口径偏差）。
4. 指标输出层：生成最终坏账率报表或接口数据。主要风险：一致性（不同报表口径打架）、完整性（分区缺失导致数据不全）。

2.3 维度间的依赖与冲突

五大维度并非完全独立，在实际数据治理中经常出现权衡场景。理解这些关系有助于制定合理的质量阈值。

• 完整性 vs 时效性：为了追求数据完整而等待所有源系统到位，会牺牲时效性。坏账率报表通常设定一个“等待窗口”（如 T+1 早上 8 点），超时未到的数据标记为缺失并告警。
• 准确性 vs 一致性：当源系统 A 和源系统 B 对同一笔贷款的逾期天数记录不同时，需要确定“黄金数据源”。盲目强制一致可能导致用错误数据覆盖正确数据。
• 唯一性 vs 完整性：去重操作可能误删有效数据（如一笔贷款确实有两次部分还款）。唯一性检查必须结合业务主键定义，不能简单按所有字段去重。

2.4 质量维度度量指标设计

每个维度都需要量化的评估指标，才能纳入哨兵监控体系。以下是与坏账率强相关的核心度量指标。

2.5 维度框架的 SQL 实现示例

以下 SQL 片段展示了如何在数据仓库中实现五大维度的质量检查，并关联到坏账率计算表。

-- 完整性检查：检测逾期天数缺失的合同
SELECT 
    '完整性' AS dimension,
    '逾期天数缺失' AS check_name,
    COUNT(*) AS violation_count,
    ROUND(COUNT(*) * 100.0 / (SELECT COUNT(*) FROM loan_fact), 4) AS violation_rate
FROM loan_fact
WHERE overdue_days IS NULL
  AND loan_status IN ('ACTIVE', 'OVERDUE');

-- 唯一性检查：检测合同号重复
SELECT 
    '唯一性' AS dimension,
    '合同号重复' AS check_name,
    COUNT(*) AS violation_count,
    ROUND((COUNT(*) - COUNT(DISTINCT contract_id)) * 100.0 / COUNT(*), 4) AS violation_rate
FROM loan_fact;

-- 准确性检查：检测逾期天数超出合理范围
SELECT 
    '准确性' AS dimension,
    '逾期天数超限' AS check_name,
    COUNT(*) AS violation_count,
    ROUND(COUNT(*) * 100.0 / (SELECT COUNT(*) FROM loan_fact), 4) AS violation_rate
FROM loan_fact
WHERE overdue_days < 0 
   OR overdue_days > 3650;  -- 超过10年视为异常

2.6 维度框架落地路线图

将五大维度从理论框架落地到实际哨兵监控系统，建议按以下阶段推进。