数据质量评价指标是一组用来判断数据能否满足使用要求的可度量规则。它把数据好不好拆成可以计算的项目,例如必填字段有没有值、金额是否与业务流水一致、同一订单在两张表里是否对得上、数据是否在约定时间前到达。一个完整的指标通常要说清检查对象、判定规则、分子、分母、统计时间窗和阈值。
国家标准 GB/T 36344-2018《信息技术 数据质量评价指标》把评价指标分为规范性、完整性、准确性、一致性、时效性、可访问性六类,适用于数据生存周期各阶段。另一套业内常见的说法把数据质量分为准确性、完整性、一致性、及时性、唯一性、有效性六个维度。两套体系有交集,企业落地时按业务场景选用即可,不必为了凑齐维度而增加检查项。数据质量管理的闭环,也建立在这套指标语言上。
数据质量通常指数据对其期望目的的满足程度,也就是从使用者角度看,数据满足使用要求的程度。指标的作用,是把这种满足程度变成可比较、可追踪的数值。没有指标,质量问题只能靠感觉描述;有了指标,团队才能判断问题有多大、修复有没有效。
SoftServe 发布的 2025 年调查显示,在 750 位全球企业领导中,58% 的受访者表示关键业务决策经常甚至总是建立在不准或不一致的数据上。这说明数据质量评价指标直接影响管理层能否放心使用数据,不只是数据团队的内部报表。
一、数据质量评价指标是什么
数据质量评价指标是对数据质量某个方面进行量化判断的规则。它关心的是数据在某项使用要求上是否合格、合格到什么程度,不判断数据本身有没有业务价值。比如订单表的必填字段完整率是 98%,表示在统计范围内,应填的字段里有 98% 填了值。这个结果能不能接受,要看业务对订单数据的要求,不能只看数字高低。
日常沟通中,数据质量指标和评价指标常被混用。本文用评价指标指用于判断是否合格的那组规则,用监控指标指持续跟踪的数值。两者可以共用同一套计算口径,区别在用途,一个用于评价,一个用于预警。
一个指标要能复算,至少要写清六件事。
| 要素 | 要写清的内容 | 示例 |
|---|---|---|
| 检查对象 | 哪张表、哪些字段、哪批记录 | 订单表 2026 年 10 月 1 日的订单 |
| 判定规则 | 什么算合格 | 渠道字段不为空,且不属于占位值 |
| 分子 | 合格记录或合格字段的数量 | 非空且非占位值的记录数 |
| 分母 | 应参与校验的全部记录或字段 | 当日应产生的订单记录数 |
| 时间窗 | 统计哪一段时间 | 按自然日统计,T+1 产出 |
| 阈值与责任人 | 低于多少告警,由谁处理 | 低于 99% 告警,数据负责人跟进 |
同一个百分比,分母不同,含义可能完全不同。订单表有 100 行,支付表只有 96 条,字段完整率按 100 行算,支付记录完整率要按应到的 100 笔订单算,金额准确率只能按能对上支付流水的记录算。三个指标都叫完成率或准确率,放在一张报表里比较,就会得出错误结论。
二、常见的六类评价指标
GB/T 36344-2018 的六类指标覆盖了数据从产生到使用的几个关键问题。不同企业还会在六类之外增加唯一性、有效性、稳定性等维度,名称可以不同,检查的问题不能漏。

图1:六类指标分别回答的问题
1. 规范性
规范性看数据是否符合数据标准、数据模型、业务规则、元数据或权威参考数据。性别代码是否落在规定取值内,身份证号是否符合编码规则,订单状态是否使用了字典里的枚举值,都属于规范性检查。规范性通常可以全量跑,规则也更容易固化成程序。
2. 完整性
完整性看按照数据规则要求,数据元素被赋予数值的程度。它至少分三层,字段是否为空,应到的记录是否到达,应有时段是否连续。只检查字段非空,可能漏掉整批记录没有到达;只检查记录数,可能漏掉关键字段大面积为空。三层一起看,完整性才有意义。
3. 准确性
准确性看数据是否准确表示其所描述的真实实体。它需要一个可信基准,例如源业务系统、支付流水、人工复核结果或权威参考数据。没有基准时,只能检查格式、范围和逻辑,算不出准确率。格式合规只能算入门检查,不能替代内容正确性。
4. 一致性
一致性看数据与其他特定上下文中使用的数据是否无矛盾。常见有三种,同一行内字段关系是否成立,主表和明细表是否对得上,同一实体在不同系统是否一致。一致性检查要先定对账键、时间窗、币种和单位。时间窗错开一天,晚到的支付会被误判为缺失;币种没有统一,金额差异会被误判为错误。
5. 时效性
时效性看数据在时间变化中的正确程度,也就是数据是否在约定时间前到达并可查询。订单数据要求 T+1 早上 8 点前就绪,到了 10 点才产出,即使数值全对,当天早会也用不上。时效性可以看按时产出批次占应产出批次的比例,也可以看延迟时间的中位数和长尾。
6. 可访问性
可访问性看数据能被访问的程度。权限是否到位,查询是否成功,响应时间是否可接受,都算可访问性。一个数据表质量很高,但业务人员申请权限要等一周,或者查询经常超时,它在实际使用中的可用性仍然有限。
7. 唯一性和有效性为什么常被单列
唯一性看同一业务对象是否重复出现,典型指标是主键重复率和重复记录占比。有效性看数据是否符合定义的格式、类型或范围,例如年龄是否为正数、手机号位数是否正确。GB/T 36344-2018 的六类指标里没有单列这两项,很多团队仍把它们作为补充维度,因为这两类问题在订单、支付和埋点事件表里出现频率高,单独监控更容易定位。
三、数据质量指标怎么计算
大多数指标都可以还原成一个通过率。
通过率等于合格记录数除以应校验记录数,再乘以 100%。公式简单,难点在三个地方,什么算合格,分母取哪批数据,证据从哪里来。把这三件事写进规则,指标才能复算。
| 维度 | 常见指标 | 计算口径 | 例子 |
|---|---|---|---|
| 完整性 | 字段完整率 | 非空必填字段数除以应填必填字段数 | 400 个必填字段中 8 个为空,完整率 98.0% |
| 完整性 | 记录到达率 | 实际到达且可识别的记录数除以应到记录数 | 应到 100 笔订单,实到 96 笔,到达率 96.0% |
| 准确性 | 准确率 | 与可信基准一致的记录数除以参与核对的记录数 | 抽 50 笔,49 笔可核对,46 笔一致,准确率 93.9% |
| 一致性 | 对账一致率 | 对账一致的记录数除以参与对账的记录数 | 100 笔应检订单,92 笔金额一致,一致率 92.0% |
| 时效性 | 按时产出率 | 按时产出批次除以应产出批次 | 10 个日批次,8 个按时,按时率 80.0% |
| 唯一性 | 主键重复率 | 重复主键记录数除以总记录数 | 10 万行中 20 行重复,重复率 0.02% |
| 规范性 | 规则合规率 | 符合规则的记录数除以被检记录数 | 1 万条记录中 35 条状态值非法,合规率 99.65% |
表中的数字用于说明算法,不是实际企业数据。
准确性有一个容易混淆的地方。抽样 50 笔,1 笔没有支付记录,49 笔可核对,46 笔一致,准确率可以写成 46 除以 49,等于 93.9%,也可以写成 46 除以 50,等于 92.0%。两个数都真实,前者回答能核对的部分里有多少正确,后者回答送检样本里有多少正确。只报 93.9% 而不报核对覆盖率,读者会以为 49 笔代表了 50 笔。更完整的写法是同时给出准确率和覆盖率。
一致性也要写清分母。订单表应检 100 笔,支付表能关联 96 笔,其中 4 笔金额不一致。按应检订单算,一致率是 92 除以 100,等于 92.0%;按可关联订单算,一致率是 92 除以 96,等于 95.8%。前者回答全部应检订单里有多少能对上,后者回答能对上的订单里有多少金额一致。两个口径不能混用。
能全量跑的规则尽量全量跑,例如非空、枚举、范围、主键重复。需要人工核对的准确性检查可以分层抽样,但要报告样本量、分层维度和核对覆盖率。结算、分成、合规字段优先全量或高覆盖核对。
四、多个指标怎么合成质量分
把多个指标合成一个总分,常见做法是加权求和。
总分 Q = w1 × S1 + w2 × S2 + … + wn × Sn,其中 S 是指标得分,w 是权重,所有权重之和等于 1。每个指标先归一化到 0 到 100 分,再按权重相加,最后得到数据表、数据集或部门的质量分。
| 维度 | 示例权重 | 权重偏高的理由 |
|---|---|---|
| 准确性 | 30% | 结算和经营决策直接依赖数值正确 |
| 完整性 | 20% | 缺记录会让后续分析漏掉样本 |
| 一致性 | 20% | 跨系统对不上会引发反复核对 |
| 时效性 | 15% | 数据晚到会错过决策窗口 |
| 规范性 | 10% | 格式和枚举问题会污染下游处理 |
| 可访问性 | 5% | 权限和查询问题影响使用效率 |
这张表只是示例,不能当成通用标准。结算场景可以把准确性权重调高,实时推荐场景可以把时效性权重调高,历史归档场景可以降低时效性权重。权重由业务影响决定,不由数据团队凭感觉分配。
质量分适合看趋势,不适合替代分维度指标。权重一改,排名就会变;一个核心金额字段失准,也可能被其他高分维度平均掉。更稳妥的做法是保留每个维度的原始指标,质量分只作为管理层看趋势的辅助视图。核心字段的准确率、主键唯一性这类关键指标,应该单独设告警。
阈值也要按错误后果定。下面是一组起步示例,适合订单、支付这类交易数据,其他场景要重新评估。
| 检查项 | 起步阈值示例 | 适用条件 |
|---|---|---|
| 订单主键唯一性 | 100% | 订单号、支付单号、事件 ID |
| 核心金额字段准确性 | 大于等于 99.5% | 与支付流水或源系统核对 |
| 核心记录完整性 | 大于等于 99% | 应到订单、应到支付记录 |
| 跨系统金额一致率 | 大于等于 99.9% | 日终对账,允许 0.01 元容差 |
| 非核心分析字段完整性 | 大于等于 95% | 渠道、设备型号、页面来源 |
一开始不要把阈值定得太高。团队天天处理噪声,最后可能直接关掉告警。历史基线稳定后,再逐步收紧。
五、企业怎么选指标并落地
指标体系先从影响业务的问题入手,再逐步扩展。
第一步,从业务问题倒推。 列出最近半年因为数据问题被耽误的决策、报表、结算和客户投诉,找出涉及的表和字段。财务对账慢、库存账实不符、渠道报表口径不一,都是明确的切入点。
第二步,定对象和范围。 每次检查要写清时间窗、来源系统、数据粒度和纳入排除规则。范围写不清,分母就无法稳定复算,两次检查结果也不可比。
第三步,写指标卡和规则。 每条规则要有判定条件、分母口径和证据来源。判定条件要能被程序或人工明确判为合格或不合格,避免基本完整、大致准确这类模糊表述。
第四步,设阈值和告警。 按错误后果分级,核心字段严格,分析字段适度放宽。告警要能落到具体责任人,不能只发到群里。
第五步,定检查频率。 核心交易链路可以实时或小时级监控,字段空值和主键重复每天查,跨表对账每周做,规则和阈值每月复盘。频率跟着决策节奏走,不跟着工具默认值走。
第六步,做问题闭环。 发现、定位、修复、复核,每一步都要留记录。问题反复出现时,要回到规则、流程或源头找原因,不能每次只改数。
可以用一个 90 天节奏推进。
| 阶段 | 重点动作 | 产出 |
|---|---|---|
| 第 1 至 30 天 | 选一个高频痛点场景,梳理数据对象和问题清单 | 试点范围、指标卡、基线数据 |
| 第 31 至 60 天 | 固化规则,接入监控,设置阈值和责任人 | 可重复运行的检查任务、告警记录 |
| 第 61 至 90 天 | 复盘误报漏报,扩展到第二个场景,纳入考核 | 规则版本、质量报告、改进计划 |
落地过程中有四个常见偏差。指标铺得太多,没人维护;只看总分,不看具体字段;脱离业务目标,为检查而检查;买了工具,却没有责任人和流程。工具降低执行成本,问题能否关闭仍取决于制度和责任。更完整的组织与流程做法,可以参考企业数据治理的落地路径。
六、数据质量评价指标如何与 AI Agent 配合
AI Agent 对数据质量更敏感。分析 Agent 要做归因、分群和策略建议,前提是它读到的数据完整、准确、口径一致。数据质量评价指标在这里有两个作用,一是给 Agent 提供可判断的质量门槛,二是把 Agent 的检查结果变成可复核的证据。
在采集端,数据采集 Agent可以根据业务问题生成埋点方案,落成代码埋点,再做调试验证,让事件、参数和上报时机在开发阶段就对齐。采集范围可以按业务配置,敏感字段可以脱敏,采集异常时可以降级,有助于减少字段缺失和事件错报。
在分析端,数据分析 Agent可以自动跑规则、识别异常值、比对跨系统口径,并把问题定位到具体数据源。人工核查需要数小时甚至数天的工作,Agent 可以先完成初筛,再由数据负责人确认。
Agent 不替代业务定义口径,也不替代责任人和流程。哪些字段算核心,什么差异可以接受,哪个系统是权威源,仍然要由业务、财务和数据团队共同确认。Agent 适合承担重复检查、异常发现和初步定位,最终的质量结论要有规则、样本和证据支撑。
对数据敏感度高的企业,还可以选择私有化部署,让数据在自有环境内处理,满足数据不出域的要求。ThinkingAI 已服务全球超 1500 家企业,接入产品超 8000 款,在数据采集、分析和行动闭环上有相应的产品能力。企业是否需要引入 Agent,要看数据基础、场景复杂度和治理成熟度,不能把工具当成质量问题的全部答案。
常见问题
1. 数据质量评价指标是不是越多越好
先把能稳定运行的指标跑顺,再考虑扩展。指标越多,维护成本越高,告警噪声也越大。先覆盖影响核心决策的字段和记录,再按问题出现频率扩展。一个能稳定运行的五维指标集,比一套没人维护的二十维指标更有用。
2. 完整率 100% 就说明数据质量好吗
不一定。完整率只说明该填的地方有值,值可能填错,也可能和其他系统矛盾。一个渠道字段 100% 有值,如果全部是未知,完整率仍然很高,分析价值很低。完整性要跟准确性、一致性一起看。
3. 准确性和一致性有什么区别
准确性拿真实基准比对,回答值对不对;一致性拿不同位置的数据比对,回答有没有矛盾。两个系统可以一致地记录同一个错误值,所以一致性通过不代表准确性通过。
4. 没有可信基准,怎么评价准确性
先找源系统、支付流水、人工复核或权威参考数据。确实没有基准时,只能做格式、范围、枚举和逻辑检查,并在报告里说明准确率无法计算。不要用系统内部的自洽代替真实基准。
5. 数据质量分多少算合格
没有统一分数线。质量分要和业务后果、历史基线、同类数据集比较才有意义。结算字段错一笔可能造成真实损失,阈值应更严;分析字段缺一部分只影响分群精度,可以放宽。比分数更重要的是核心指标的绝对值、变化趋势和问题关闭率。
6. 小团队要不要建完整指标体系
可以先建一个小而完整的闭环。选三到五个核心字段,覆盖完整性、准确性、一致性、时效性和唯一性,把规则、阈值、责任人和复盘频率定下来。跑顺一个场景,再扩展。团队规模小,工具和流程都要轻,先把问题关闭率做起来。
7. 数据质量指标多久检查一次
按决策节奏和数据新鲜度定。核心交易链路可以实时或小时级监控,字段空值和主键重复每天查,跨表对账每周做,规则和阈值每月复盘。频率太高会产生大量噪声,频率太低会错过问题窗口。
参考资料
- GB/T 36344-2018《信息技术 数据质量评价指标》,2018 年 6 月 7 日发布,2019 年 1 月 1 日实施。
- 中国软件评测中心,《助力夯实数据底座,强化数据质量测评》,https://cstc.org.cn/info/1081/245525.htm
- SoftServe,《Bad Data Makes Bad Decisions》,2025 年 2 月 6 日,https://www.softserveinc.com/de-de/news/bad-data-makes-bad-decisions
- ThinkingAI,《如何衡量数据质量?完整性、准确性与一致性的检查方法》,https://www.thinkingai.cn/blog/data-quality-completeness-accuracy-consistency






