科技猎如何保证从数据仓库取出的数据质量？
编辑导语：数据分析的前期工作一定要确保无误，才能保证后期在进行数据运用和构建时不出错；数据仓库里的数据也是非常重要的，当你拿到一个数据分析的任务时，你可以先到数据仓库进行获取；本文作者介绍了如何保证取出的数据质量问题，我们一起来看一下。
在数据分析中，大家往往会比较重视数据清洗，数据统计和特征构建这些所谓的高级工作，而比较容易忽略数据获取这个环节。
大家可能会说，从数据仓库取数据不是一件很easy的事情吗，两行SQL语句就可以搞定。
事实上，很多数据分析的错误都是在数据获取阶段埋下的地雷，导致后续不停的返工，这里我们只讨论从数据仓库取数据的情形。
举个例子：
小飞是粮粮电商数字金融部门的新员工，老板让小飞统计下电商客户向信贷客户的转化漏斗结构。
小飞接到任务非常兴奋，打开了电脑，两行SQL语句把数据抓进excel，然后开始各种花式分析，忙得不亦乐乎。
当他把数据准备成各种酷炫图表给老板汇报时，老板问了一句：“你这个信贷客户的人数比我们线上监控的人数少了一半以上，你是从哪里拿的用户数据呀？”
小飞回答，我从credit card transaction tab里取的用户，都是有信用记录的用户。
火眼金睛的老板一眼就把问题指出来：“你这里只算了持有信用卡的用户，我们还有消费分期和现金分期的用户都没有算在里面。”
结果由于最基本的客户数没有算对，小飞后面所有的分析结果展示都没有意义了，只好默默回去重新准备数据。
这就是一个典型忽视基本的数据获取工作，在阴沟里翻船的例子。
大家刚入职时，都急于表现自己，看到一个数据能满足自己要求就立马使用，往往会写出下面这样的SQL语句：
这里transaction表的主键是txn id，一个用户可能有多条交易记录，所以被迫使用DISTINCT去重，暴力取出用户的列表。
基于上面的案列，我们可以知道，在做数据分析前，前期数据获取时做的准备工作是必不可少的，通常我们需要做如下的事情：
- 了解数据仓库的表；
- 整理表和表之间的逻辑关系；
- 理解用户数据在数据仓库的落库逻辑；
接下来，我以自己所在的金融行业为例，针对上面三点详细展开。
一、了解数据仓库的表
在接到一个数据分析的任务时，第一件时间就是找到相关数据的负责人，拿到存储数据的表和文档。
一般金融公司会有几个部门：DEV、DE、BI、DS。
作为DS的建模人员，去问谁才能获得最准确的信息呢？
这里大部分人会选择问DS内部的同事或者BI，因为都是做数据分析，大家也比较熟悉。
但事实上，DS和BI都不是数据质量负责的人；很多时候，数据表的变动他们是不清楚的，询问他们大概率拿到的信息都不能保证权威性。
在初步了解一个数据的时候，作为DS，其实最佳的询问对象是DE。
因为DE是负责把DEV做的生产数据库的表拉到数据仓库，并构建数仓表的负责人，他们对表的结构和数据的变动是最有发言权的。
一般情况下，DE在处理数据时，都会把数据的原始表从生产数据库里搬一份到数据仓库里，然后构建对应的数仓表。
所以一个数据在数据仓库一般有两个记录：原始表记录和数仓表记录。
如果DE说暂时还没有构建对应的数仓表，你要基于原始表做工作的话，后续是需要迭代到数仓表上去的。
二、整理表和表之间的逻辑关系
在找到DE的负责人后，需要他们提供数据表对应的文档，然后整理出这些表之间的逻辑关系，一般数仓表都会有维度表和明细表两大类，常见的套路就是维度表去关联明细表。
举个例子，信贷数据的表基本上可以归纳成用户相关的表，产品相关的表，贷款记录的表和还款记录的表。
我们可以把表的关系画成简易版的ER图结，方便自己和团队的其他成员理解。
在这里，用户维度表，产品信息表和借贷记录表可以认为是维度表，用户信用分可以认为是用户维度扩展出来的明细信息，还款记录可以认为是借贷维度扩展出来的明细信息。
所以在写SQL取用户的时候，都是从用户的维度表出发去关联其他对应的用户层面明细表，这样的SQL逻辑是最严谨可靠的。
回顾下之前的SQL例子：
这里从借贷记录表里拿用户维度的信息就是非常不合理的一类逻辑。
如果我们是想找有信贷记录的用户列表的话，应该是用户维度表去关联借贷记录表，并在筛选条件中设置只挑选有信贷记录的用户，这样的SQL才是严谨可靠的。
三、理解用户数据在数据仓库的落库逻辑
在熟悉了数据表里的字段和表的相互关系后，接下来就需要感受数据在业务逻辑中的流动和落盘。
一个数据老鸟在和业务沟通时候，会在脑子里带着表结构去询问业务的SOP。
当业务说用户注册账户，脑子里就要想着在用户维度表增加一行，用户注册的相关信息会被记录在这个维度表里。
然后用户填写相关的表格提交信息，就会知道我们收集的用户信息会按SOP流程在规定的时间落盘在用户信息表中。
其中哪些信息是必须非空的，哪些是可以有缺失的，缺失的时候数据表里是None值还是默认值。
如果用户更新这些信息，数据表是新增一个记录还是覆盖已有的记录？会对我们后续建模有无影响？是否有未来信息泄露的可能？用户在从下拉列表中选择信息的时候，下拉列表是固定不变的还是会改变的？会引起数据不一致嘛？后续需要对数据做清洗和归一化嘛？
只有当你回顾一个业务流程，用户的每个数据从app流转到数据表的逻辑都非常清晰后，才算做完了数据获取的准备工作。
说到这里，你可能就不会觉得数据获取是一件很简单的事情，而是需要很多耐心和经验，很考验一个人沟通能力和信息归纳整理能力的一件事情。
总结一下，在拿到一个数据分析任务的时候，首先要做好数据获取的准备工作，分成三方面：
- 了解数据仓库的表；
- 整理表和表之间的逻辑关系；
- 理解用户数据在数据仓库的落库逻辑；
这些工作会能极大地加深你对数据的理解，能在项目的早期把数据的坑点都找出来，能让你迅速的融入到业务中，做一个既有分析建模技能又有业务实战能力的数据科学家。
本文由 @FAL金科应用研院 原创发布于人人都是产品经理，未经许可，禁止转载。
题图来自 unsplash，基于 CC0 协议