你秃了但数据质量变好了！「市场部聊数据」之浅谈数据质量

书到用时方恨少，“数”到用时却方恨“多”！望着茫茫用户数据海洋，大部分市场部同仁可能和最初的小编一样，只能兴叹而不知如何回头是岸。这时候，你就需要营销自动化中的数据整合平台来帮你的忙。

• 场景一：你想更新 名单，要整合 10份“考古出土”的来自各种活动的高意向潜客名单，却惊奇的发现各类信息参差不齐，还有未标注的各色高亮标记、最新的意向状态居然是半年前更新的—— 小朋友，你是不是有很多问号？

• 场景二：你想要总结各渠道获客数据，发现每个渠道的用户数据没有存在统一字段下，要写无数个vlookup来帮你匹配无数个phone number、Shouji、手机、手机号、Name、姓名、Xingming、最新姓名、姓名-用这个，更有甚者，来个乱码的PNY2gGWVcQa3shUhAiB2Mg渠道名让你“哭问”客从何处来。

无论你是在B2B或是B2C公司的市场部搬砖，处理的数据大或小，以上都是你可能会遇到的数据质量挑战。在数据分析中有句俗话：垃圾进，垃圾出。再完美的数据模型、再全面的分析解释，都无法将垃圾数据变成有价值的商业洞察。 本期「市场部聊数据」我们就来聊聊用户数据分析中的数据质量。

数据质量指的是数据的质量水平，定义是“应用适用性”，由数据使用者来评判。若适用于运营、决策、规划的使用目的，则被认为是高质量的数据。美国数据科学国家机构制定的数据质量准则是：

从零售、旅游到制造业，各行业的商业数据都将在大数据趋势下迎接数据质量的挑战，呈现以下四大特征：Volume（大量）、Velocity（高速）、Variety（多样性）、Veracity（真实性）。

这带来了相应的数据质量挑战：

• 大量数据种类以及复杂的数据结构使 的困难程度上升；

• 数据变化太快而且数据的“及时性”很短，因此要求更高的处理技术；

• 目前没有统一和经过实践的数据质量标准，对于数据质量的研究才刚刚开始。

• 为全公司创建一个实用及有价值的数据收集和清洗过程

• 中心化地创建规则及清理元数据

• 如何分类及打标签（如男、男性、Male、0或1……）

好了，本期我们大致了解了市场部数据质量的理论。Stay tuned，且听小编「市场部聊数据」下回的实例分解！