数据清理指标主要围绕四类展开：重复数据率、无效附件占比、孤儿数据量、清理覆盖率，再配合清理前后数据量变化说明投入产出。要让这些数字经得起追问，每项指标都要先固定统计范围、时间窗和分母，再按公式计算；分母为零时单独标注，不并入比率。清理成效需要前后对比与覆盖率共同解释，单看数据量下降不足以说明清理有效。
要点总览（TL;DR）
- 迁移前数据清理的度量围绕四类指标展开：重复数据率、无效附件占比、孤儿数据量、清理覆盖率，再配合清理前后数据量变化说明投入产出。
- 每项指标先固定统计范围、时间窗和分母：重复数据率按对象类型分别计算，无效附件占比要声明按数量还是按容量，孤儿数据量按类型拆分列示。
- 清理覆盖率的分母是清理前锁定的计划清理记录数；数据量变化同时给出绝对差值和变化率，并注明两次统计的具体日期。
- 清理前后必须使用同一取数来源、同一脚本或同一查询条件，去重组合键与无效附件判定标准在两次统计之间不得修改。
- 数据量下降不等于质量提升，覆盖率低时前后对比不可比；指标反映清理结果，迁移是否成功仍需在迁移验证与切换环节另行确认。
清理成效要回答哪几个问题
向管理层说明迁移前数据清理的投入产出，本质上是回答三个不同层次的问题。把这三个问题分开，指标才不会互相替代，汇报时也能对应到不同的决策。
第一个问题是数据是否变干净了，对应数据质量类指标，包括重复数据率、无效附件占比和孤儿数据量。这类指标衡量清理对象本身的状态变化，回答“脏数据还剩多少”。第二个问题是清理是否做全了，对应执行程度类指标，核心是清理覆盖率，回答“计划清理的范围里实际处理了多少”。第三个问题是数据规模变化了多少，对应规模类指标，即清理前后的记录数、附件数及其变化率，回答“这次清理动了多大的量”。
三类指标服务于同一个汇报目标，但作用不同：质量类指标说明改善方向，覆盖率说明改善的完整程度，规模类指标说明工作量与影响面。评估时点固定为两个：清理前采集基线，清理后按同一口径复测。缺少基线，前后对比就无从谈起；缺少复测，改善只是过程描述。
需要明确的是，这套指标服务于清理投入产出的说明，它反映的是数据内容层面的清理结果。迁移后的结果核验、切换确认属于迁移验证环节的工作，不在本文指标范围内，两者不能互相替代。
指标清单与统计范围怎么定
下面给出五项核心指标的定义。所有指标在计算前必须先声明统计范围：涉及哪些对象类型（如需求、缺陷、任务、文档）、哪些项目或空间、哪个时间区间。同一份报告内，所有指标的统计范围应保持一致，否则横向比较没有意义。
| 指标 | 公式 | 分子 | 分母 | 单位 | 统计范围说明 |
|---|---|---|---|---|---|
| 重复数据率 | 重复记录数 ÷ 统计范围内记录总数 | 按去重规则判定为重复的记录数 | 该对象类型在统计范围内的记录总数 | 百分比 | 按对象类型分别计算，不跨类型合并 |
| 无效附件占比 | 无效附件数 ÷ 附件总数（或无效附件容量 ÷ 附件总容量） | 判定为无效的附件数或容量 | 统计范围内附件总数或总容量 | 百分比 | 需明确按数量还是按容量，二者不可混用 |
| 孤儿数据量 | 无有效父对象的记录数（或容量） | 父对象缺失或已失效的记录 | 不适用，为绝对量 | 条或MB | 按对象类型拆分列示 |
| 清理覆盖率 | 已处理记录数 ÷ 计划清理记录数 | 实际完成处理的记录数 | 清理计划中列明的记录数 | 百分比 | 计划范围需在清理前锁定 |
| 数据量变化 | 清理后总量 − 清理前总量；变化率 = 差值 ÷ 清理前总量 | 差值 | 清理前总量 | 条、MB、百分比 | 注明两次统计的具体时点 |
几处口径细节需要在定义阶段就写清楚。重复数据率按对象类型分别计算，因为需求与附件的重复判定规则不同，合并成一个总比率会掩盖结构性问题。无效附件占比要事先声明按数量还是按容量：按数量统计时，大量小文件会拉高占比；按容量统计时，少数大文件影响更大，两种口径给出的结论可能相反。孤儿数据量是绝对量而非比率，适合按类型拆分后列示，便于定位问题集中在哪类对象。清理覆盖率的分母是计划清理记录数，这个数字必须在清理开始前锁定，事后调整计划会让覆盖率失去意义。数据量变化要同时给出绝对差值和变化率，并注明清理前、清理后两次统计的具体日期。
数据从哪里取、口径怎么统一
指标可信的前提是两次统计可比。取数来源通常有三类：系统批量导出、数据库直接查询、迁移工具生成的清单。无论选哪一类，清理前后必须使用同一来源、同一脚本或同一查询条件，中途更换取数方式会导致口径断裂。
口径统一要落实到四条具体规则上。第一，对象类型范围固定，明确本次统计包含哪些工作项类型和文档类型，排除哪些。第二，字段判定规则固定，例如“无效附件”是按文件大小为零、格式无法打开，还是按关联对象已删除来判定，规则要写成可执行的判断条件。第三，去重判定规则固定，常见做法是用标题、编号、创建时间等字段组合成判定键，组合键一旦确定，前后两次不得修改。第四，缺失值与无法判定的记录单独标记，不计入分子也不随意并入分母，在报告中单列数量，避免它们悄悄改变比率。
当清理清单、处理状态和复测结果需要多人协作时，可以把清理任务建成工作项、把口径说明和复测记录放进文档，让每条记录的处理状态和统计时点可追溯。ONES 的工作项与文档能力可以承载这类记录留痕，具体字段设计仍应按上述规则自行定义。
计算与评估步骤
按以下五步执行，可以形成从基线到复测的闭环，每一步都留下可复算的记录。
- 清理前采集基线。按锁定的统计范围和取数脚本导出数据，记录采集日期、对象总数、附件总数、孤儿记录数，以及按去重规则识别出的重复记录数。基线数据存档，作为后续所有对比的参照。
- 执行清理并记录处理清单。逐条记录处理动作（删除、合并、补挂父对象、保留），形成处理清单，清单条数是计算覆盖率的直接依据。
- 清理后按同一口径复测。使用与基线相同的脚本和查询条件重新统计，记录复测日期。若因系统变化必须调整脚本，需在报告中说明调整内容及其对可比性的影响。
- 逐项计算指标并做前后对比。按定义表代入数值，得到清理前后的重复数据率、无效附件占比、孤儿数据量、覆盖率与数据量变化。
- 汇总投入与产出。投入侧记录人力、工时和工具使用情况；产出侧记录清理量（处理记录数、释放容量）和质量改善（各比率的下降幅度）。两侧并列呈现，才能说明投入产出关系。
异常处理有两条规则。分母为零时，该比率标注为“不适用”并注明原因，例如统计范围内没有附件，此时无效附件占比无意义，不能写成0%。数据无法判定时，单列“待确认”数量，在结论中说明这部分对指标的可能影响方向。
一个算例：从基线到复测
以下为演示情景，数字仅用于说明计算过程。假设统计范围为某项目空间内的需求与缺陷两类工作项，时间窗为迁移前三个月。
基线数据：需求记录 8,000 条，其中按组合键判定重复 480 条；缺陷记录 12,000 条，重复 360 条；附件总数 5,000 个，判定无效 350 个；孤儿记录共 600 条，其中需求 150 条、缺陷 450 条。清理计划覆盖记录 1,500 条，实际处理 1,350 条。
| 指标 | 计算过程 | 结果 |
|---|---|---|
| 需求重复数据率 | 480 ÷ 8,000 | 6.0% |
| 缺陷重复数据率 | 360 ÷ 12,000 | 3.0% |
| 无效附件占比 | 350 ÷ 5,000 | 7.0% |
| 孤儿数据量 | 需求 150 条 + 缺陷 450 条 | 600 条 |
| 清理覆盖率 | 1,350 ÷ 1,500 | 90.0% |
复测后，需求记录降至 7,600 条，重复记录降至 120 条，重复数据率变为 120 ÷ 7,600 ≈ 1.6%；缺陷记录降至 11,700 条，重复降至 90 条，重复数据率约 0.8%；附件总数 4,700 个，无效附件 60 个，占比约 1.3%；孤儿记录剩余 80 条。清理前后记录总量从 20,000 条降至 19,300 条，绝对差值 700 条，变化率 700 ÷ 20,000 = 3.5%。
分母为零的标注示例：若某类文档在统计范围内附件数为 0，则无效附件占比记为“不适用（附件数为0）”，不参与汇总平均。向管理层表述时，建议把覆盖率与质量改善放在一起说，例如“计划清理 1,500 条，实际处理 1,350 条，覆盖率 90%；需求重复率由 6.0% 降至 1.6%，孤儿记录由 600 条降至 80 条”，再补充总量变化 3.5%，让规模变化作为背景而非主结论。
结果怎么解读、有哪些限制
指标数字本身不构成结论，解读时需要守住几条边界。
- 数据量下降不等于质量提升。删除操作同样会减少记录数，若覆盖率低或重复率未同步下降，总量减少可能只是清理了容易处理的部分。
- 覆盖率低时前后对比不可比。只处理了计划范围的一小部分，复测结果反映的是局部改善，不能外推到整体数据质量。
- 判定规则变化会导致口径不可比。去重组合键、无效附件判定标准一旦在两次统计之间调整，前后比率就不能直接相减。
- 指标反映清理结果，不直接证明迁移成功。数据内容干净是迁移的有利条件，迁移是否成功还需在迁移验证与切换环节另行确认。
汇报时的组合呈现建议：以覆盖率说明执行完整度，以重复数据率和孤儿数据量说明质量改善，以数据量变化说明影响规模，三者并列；同时列出投入的工时与处理记录数，给出单位投入的清理量，便于管理层判断投入产出。对分母为零、待确认记录和口径调整等情形，在附注中说明，避免数字被误读为全面达标。
常见问题
清理覆盖率的分母为什么必须在清理前锁定？
覆盖率的分母是计划清理记录数，它代表本次清理承诺处理的范围。如果在清理过程中或清理后调整计划，分母会随实际处理量变化，覆盖率就变成对已完成工作的复述，无法说明执行完整度。做法是在清理开始前把计划范围写成清单并锁定条数，执行中新增或剔除记录单独记录原因，报告中同时给出原计划覆盖率与调整后覆盖率，让管理层看到范围变化的来源。
无效附件占比按数量算和按容量算，结论会不一样吗？
会不一样，而且可能相反。按数量统计时，大量小文件会拉高占比；按容量统计时，少数大文件影响更大。如果清理目标是减少存储占用，按容量更贴近投入产出；如果目标是减少附件条目、降低迁移时的对象数量，按数量更合适。两种口径不能混用，也不能把按数量的比率与按容量的比率放在同一张表里直接比较。建议在指标定义阶段就声明口径，必要时两个口径并列给出，并注明各自回答的问题。
清理后复测时发现取数脚本必须调整，前后数据还能直接比较吗？
不能直接相减，需要先评估调整的影响。若脚本调整只涉及导出格式、不影响判定逻辑，可在报告中说明后继续对比；若调整改变了对象范围、去重组合键或无效附件判定条件，前后比率就属于不同口径。处理方式有两种：一是用调整后的脚本回算基线数据，使两次统计同口径；二是在报告中分列调整前后两套结果，明确标注不可比的部分。无论哪种方式，调整内容和对可比性的影响都要写进附注，避免数字被误读。
分母为零的指标在汇报里怎么处理？
分母为零时该比率没有意义，应标注为“不适用”并注明原因，例如统计范围内附件数为零，此时无效附件占比不能写成0%。0%会被理解为“检查过且没有无效附件”，与“没有可检查的对象”是两回事。汇总多个对象类型的比率时，不适用项不参与平均，单独列出数量。若某类对象长期分母为零，可在附注中说明该类对象本次不在清理范围内，或数据尚未纳入统计。
指标显示重复率明显下降，能否直接说明迁移准备就绪？
不能。这套指标反映的是数据内容层面的清理结果，重复率下降说明数据变干净，属于迁移的有利条件。迁移准备是否就绪还涉及其他方面：工作流与插件行为的迁移、迁移结果的核验与切换确认，这些不在本文指标范围内。汇报时可以把清理指标作为数据质量部分的证据，同时说明迁移验证与切换环节另行开展，两者结论分开呈现，避免用清理成效替代迁移成功的判断。
