数据质量

【背景】 我在做一套面向 B 端的数据分析平台，前端埋点通过 Kafka 上报，经 Flink 清洗后写入 ClickHouse，下游是业务方直接查的指标看板。链路本身不复杂，但最近反复踩到一个让我很头疼的问题。 【现象】 前端埋点字段发生

【背景】 我做了 15 年算法，习惯从现象倒推根因，近两年主做 B 端 SaaS 的指标体系。核心大盘约 40 个指标，底层 ClickHouse + Airflow 小时级 T+0，看板直接面向业务方。DQC 规则我早已配齐：空值率、行数

数据质量监控（DQC）规则怎么分层落地：从「天天误报」到「该响的响」 «站在指标体系落地视角，对比「全量规则一刀切」与「规则分层 + 阈值分级」两种 DQC 方案的取舍，给一套可复现的规则分层、阈值定法与误报治理路径。» 一、现象与背景：规

维度表里的「静默空值」：0.3% 的 null shop_id 如何让 Top 商户 GMV 虚高 4.2%，以及三层修复 «站在指标体系落地视角，讲一个被 99% 团队忽略的问题：维度表覆盖率不是「参考信息」，而是指标口径的一部分。空值对

【背景】 我在一家电商做数据平台，核心大盘 20 个一级指标（GMV、UV、转化率、客单价、履约时长等），底层 ClickHouse + Airflow 小时级 T+0 任务，看板直接面向业务方。业务方对「小时级」的预期是硬性的：每个整点后