客观的讲，数据质量是质量保证的基石之一，我想没有哪个企业会不同意这一事实。
但我们如何去评估数据的质量？
如何去辨别什么是好的数据质量呢？
在中国大部分企业客观的讲，基本没有意识到数据质量的重要性，更没有专门的数据质量测试计划、团队、投入等。
下面从几个方面就数据质量的测试做些分享。
数据质量标准
对于特定的业务和功能，我们需要去定义好数据质量的checklist，定义如何处理数据、数据状态及结果等，为评估数据质量提供基准。
所以我们在构建checklist时，除了业务相关还需要考虑一些通用的领域：
数据获取，如何获取数据?是当前企业所真正拥有的数据吗？还是来源第三方？
可访问下，数据是否可访问？给谁访问？有多快？
可用性，当前企业是否可使用这些数据吗？
结构，数据是否具备良好的结构化，并且以一种易于使用的方式？
可靠性，数据的可靠性如何？我们是否可以相信它？它是否适合使用？
一致性和完整性，数据的一致性如何？是否是完整的？其约束关系是否正常？
数据质量测试
一旦确定了目标数据质量标准，那么我们就可以计划进行数据质量测试了，数据质量测试一般有几个步骤：
定义特定的数据质量指标
测试实施并标定基准
尝试一个或多个解决方案
评估结果
下面我就这四个步骤进行相对详细的说明。
定义特定的数据质量指标
仅仅定制数据质量标准对于实际测试工作还是远远不够的，我们还需要针对特定的指标进行测试。例如：它是什么类型的数据？我们拿这些数据用来干什么？仔细的考量数据的业务用途，将会更利于我们定义影响业务的特定指标，一些简单的业务场景如下：
- 邮件退回量
- 手机号码
- 地址格式
- 个性化服务用户数
所以重要的数据质量指标应该是根据业务领域、技术、用户特征、应用场景等进行变化。
测试实施并标定基准
如果不定义基准状态指标，就无法推动数据质量的改进，而且随着测试的深入基准应该进行一定的修订，以适应数据质量改进带来的变化。
尝试一个或多个解决方案
在测试实施过程中，一旦意识到严重的数据质量问题时，要立即着手解决。可以探索和实践不同的解决方案来解决与团队、人员、流程或技术相关的数据质量问题，甚至是修订测试方案。
评估结果
在一段时间的测试实施后，应该根据初始的度量标准对结果进行一定的评估，从而根据实际的评估结果、问题等情况调整、甚至更改解决方案，以确保每次测试实施后数据质量得到改进。
最后，数据质量对于不同的组织，业务意味着不同的东西，但只要我们依据实际的业务和组织需要定义了有意义的度量标准，并针对这些标准定制了测试方案进行测试，那么我们一定可以找到合适的促进数据质量改进的方法。
另外你可以参考以前的大数据相关的几篇文章，见下面的链接，谢谢
扫一扫加我微信，注明：入群，加入微信群
扫一扫关注开源优测公众号，原创文章首发平台
在公众号里回复一下关键字获取对应的系列文章
| 物联网 | appium | 大数据测试 | RobotFramework | Python |
| 自动驾驶 | jmeter | selenium | jenkins | 接口测试 |
顺手点点点右下角的
