不少团队做数据清洗，习惯先打开表格，看到空值就补、看到重复就删、看到格式乱就统一改一遍。改完自我感觉良好，等报表一出，业务部门一句“这个数和上月对不上”，又得推倒重来。问题往往不在清洗动作本身，而在于动手之前没有一套明确的校验规则。清洗是执行，校验规则才是依据。在星空服务企业数据管理项目的过程中，我们发现规则设计得越靠前，后续返工越少。
第一步：先盘点字段，别急着定规则
校验规则是挂在字段上的，字段没盘清楚，规则就无处落脚。建议先把待清洗表的每个字段列出来，标注四件事：字段含义、取值范围、是否必填、与其他字段的关联关系。比如“客户编号”是否全局唯一，“订单金额”是否必须大于零，“签约日期”是否不能晚于“交付日期”。这些约束写下来，规则就有了雏形。
星空在协助企业梳理字段时，常提醒一点：字段含义要写到业务人员能看懂的程度，不能只写“状态码”三个字，而要写清每个取值代表什么。含义模糊的字段，规则一定写不严谨。
第二步：把规则分层，硬规则和软规则分开
校验规则不是一刀切。可以分成两层：硬规则是必须满足的，比如主键不能重复、金额不能为负、日期格式必须统一，违反即判定为错误数据；软规则是提示性的，比如手机号位数异常、客户名称含特殊符号，违反后进入待核实清单，由人工判断。分层的好处是清洗过程有轻重，不会因为一条软规则把整批数据卡住。
- 硬规则：唯一性、非空、值域、格式、跨字段逻辑一致性
- 软规则：疑似重复、异常长度、罕见取值、与历史分布偏离较大
- 两类规则分别记录命中数量，便于后续评估数据质量数据变化
第三步：设定阈值，让规则可执行
规则写完不等于能用。比如“客户名称不能为空”，听起来明确，但历史数据里空值占比可能很高，一刀切会导致大批记录被拒。这时需要设定阈值和处理策略：空值率低于多少走自动补全，高于多少转人工核查。阈值不是拍脑袋，要结合字段重要性和历史数据分布来定。星空在数据管理实践中建议，阈值先按批次统计再确定，避免规则上线第一天就误伤大半数据。
第四步：建立例外登记，别让特殊情形反复解释
任何规则都会遇到例外。某些老客户编号确实存在复用，某些历史订单金额确实为负（冲红）。这些情形如果每次都被当成错误反复沟通，清洗效率会很低。有效做法是建一张例外登记表，写清例外字段、例外条件、业务原因、审批人。规则执行时先匹配例外清单，命中则放行并留痕。这样既保住规则严肃性，也避免业务方反复解释。
第五步：清洗后做回归验证，规则才算闭环
清洗完成不是终点。要用同一套校验规则对清洗后的数据再跑一遍，看硬规则命中是否归零、软规则命中是否在可接受范围。同时抽样比对清洗前后的关键汇总指标，确认没有因为清洗动作引入新的偏差。星空在项目交付前通常会做一轮回归验证，把规则命中情况和指标差异一并记录，作为后续规则迭代的依据。
校验规则不是一次写死的文档，而是随着业务变化持续调整的资产。把上面五步走扎实，数据清洗才有据可依，星空数据管理栏目也会继续围绕规则落地中的具体问题展开讨论。
