衡量迁移数据清理效果，先要固定清理范围与统计时间窗，再以清理前基线快照为分母，用同一口径复算清理后的数据。重复数据率、无效附件占比、孤儿数据量、清理覆盖率，以及数据量与存储占用变化，是向管理层说明清理成效和投入产出的核心指标。本文给出指标公式、取数规则、计算步骤和一个完整算例，并说明解读时的边界。
要点总览（TL;DR）
- 衡量迁移数据清理效果，先固定清理范围与统计时间窗，以清理前基线快照为分母，清理后按同一口径复算，形成可复现的前后对比。
- 核心指标包括重复数据率、无效附件占比、孤儿数据量、清理覆盖率，以及清理前后数据量与存储占用变化；每个指标都要写明分子、分母、单位和取数时点。
- 重复与无效的判定规则（字段组合、附件大小与类型、引用关系）应在清理前确定并冻结，分母为零或对象无法判定时单列说明，不并入结论。
- 汇报时把数据量下降、存储占用变化与投入工时并列呈现，区分清理带来的改善与迁移本身带来的数据变化，避免用单一指标代表整体成效。
- 数据量下降不等于业务价值提升，需结合保留数据的可用性与抽样核对结果说明清理质量，覆盖率高低也要说明未处理对象的类型和原因。
清理效果要回答哪几个问题
迁移数据清理的评估目标，是把“清理做了什么、改善了多少、投入是否值得”拆成可以取数、可以复算的问题。评估开始前，先划定清理范围：涉及哪些项目或空间、哪些工作项与页面、哪些附件与评论、是否包含历史版本和已归档对象。范围一旦确定，后续所有指标都以这个范围为准，避免清理后扩大或缩小统计对象。
管理层通常关心三类问题。第一类是数据质量改善，例如重复记录减少了多少、无效附件占比降到什么水平、孤儿数据是否得到处理。第二类是存储与迁移成本下降，例如清理前后数据量、附件字节数和存储占用的变化，以及这些变化对迁移窗口和存储采购的影响。第三类是清理投入产出，例如投入了多少人天、处理了多少对象、单位工时处理量是多少。
评估中需要单独处理的一个问题是：数据变化有多少来自清理，有多少来自迁移本身。迁移过程可能伴随字段映射、格式转换、附件重新上传，这些动作也会改变记录数和字节数。稳妥的做法是在迁移前完成清理并记录基线，迁移后再按同一口径统计，把清理阶段的变化与迁移阶段的变化分列呈现，而不是合并成一个总数。
| 管理层问题 | 对应度量目标 | 主要指标 |
|---|---|---|
| 清理做了哪些事 | 清理范围与处理进度 | 清理覆盖率、已处理对象数 |
| 数据质量改善多少 | 重复、无效、孤立数据的减少 | 重复数据率、无效附件占比、孤儿数据量 |
| 成本是否下降 | 数据量与存储占用变化 | 记录数变化、附件字节数变化、存储占用变化 |
| 投入是否值得 | 投入与产出的并列对比 | 投入工时、单位工时处理量、数据量下降幅度 |
核心指标与计算口径
以下五个指标构成清理效果的基本度量集。每个指标都要写明分子、分母、单位和统计时间窗，并在清理前确定、清理后沿用。分母统一取清理前基线，便于计算“减少了多少”和“还剩多少”两类结果。
| 指标 | 公式 | 分子 | 分母 | 单位 | 时间窗 |
|---|---|---|---|---|---|
| 重复数据率 | 重复记录数 ÷ 清理前记录总数 | 按判定规则识别出的重复记录数 | 清理前基线中的记录总数 | 百分比 | 清理前基线时点 |
| 无效附件占比 | 无效附件数（或字节数）÷ 清理前附件总数（或总字节） | 判定为无效的附件数量或字节数 | 清理前附件总数或总字节数 | 百分比 | 清理前基线时点 |
| 孤儿数据量 | 无有效父对象引用的记录数或字节数 | 引用关系校验失败的记录或附件 | 不适用，按绝对量报告 | 条或字节 | 清理前后各统计一次 |
| 清理覆盖率 | 已处理对象数 ÷ 计划清理对象数 | 完成判定并执行处理的对象数 | 清理计划中列明的对象数 | 百分比 | 清理执行期间累计 |
| 数据量与存储变化 | 清理后数值 − 清理前数值 | 清理后记录数、附件字节数、存储占用 | 清理前对应数值 | 条、字节、GB | 清理前后各固定一个统计时点 |
重复数据率的分母是清理前记录总数，而不是去重后的记录数，这样得到的比例可以直接说明“原始数据中有多大比例属于重复”。无效附件占比可以按数量算，也可以按字节算；两者结论可能不同，例如大量小体积日志附件按数量占比高、按字节占比低，报告中应注明采用哪一种，必要时并列给出。
孤儿数据量按绝对量报告更合适，因为它衡量的是引用完整性问题的规模，用比例表达反而掩盖了基数差异。清理覆盖率反映执行进度，不直接反映清理质量：覆盖率高说明计划执行得完整，清理是否有效仍要看重复数据率、无效附件占比等结果指标。
数据从哪里取、怎么保证可比
可比性的前提是清理前后使用同一套取数规则。清理启动前，对计划范围内的数据做一次基线快照，记录取数时点、统计范围、各对象类型的总量，并冻结判定规则。快照可以是导出清单、统计报表或数据库查询结果，关键是保留原始数值和生成时间，便于事后复核。
重复与无效的判定规则必须在清理前写清楚。常见做法包括：按字段组合判定重复，例如同一项目下标题、创建时间、提出人三项完全一致的工作项视为疑似重复；按附件大小与类型判定无效，例如零字节附件、系统临时文件、重复上传的同名同大小附件；按引用关系判定孤儿数据，例如父工作项已被删除但子任务仍存在、附件所属评论已不存在。规则确定后不再中途调整，确需调整时保留变更记录。
缺失值和无法判定的对象要单独处理。分母为零时，该指标记为“不适用”并说明原因，不用零或百分百代替。字段缺失导致无法判定重复的，计入“未判定”数量，在报告中单列，不计入已清理对象，也不计入有效数据。部分对象因权限或格式问题无法读取时，同样单列并说明对结论的影响范围。
统计口径发生变更时，例如清理中途扩大了范围或调整了重复判定字段，应记录变更时点、变更内容和影响的对象数量，并对变更前后的数据分段报告。把两段数据直接相加或直接比较，会得出误导性的变化幅度。
计算与评估步骤
评估按以下五步执行，每一步都留下可复核的记录，使他人能够按同样顺序复算结果。
- 冻结清理前基线。确定统计范围和取数时点，导出记录总数、附件总数与总字节数、各对象类型的分布，记录生成时间和取数人。这份基线是后续所有比例指标的分母来源。
- 按规则标记对象。依据已冻结的判定规则，逐类标记重复记录、无效附件和孤儿数据，输出标记清单，记录每类对象的数量和字节数，以及无法判定的对象数量。
- 执行清理并记录投入。按计划处理标记对象，逐批记录处理数量、处理方式和投入工时。工时按人天或人时统计，包含判定、复核和执行环节，便于后续计算单位工时处理量。
- 清理后同口径复算。在与基线相同的范围和规则下重新统计记录数、附件数、孤儿数据量和存储占用，代入各指标公式，计算清理前后的数值与变化量。
- 交叉核对。对清理后的数据做抽样检查，例如随机抽取若干项目核对重复记录是否已处理、附件引用是否完整，将抽样结果与总量统计对照，确认统计口径与执行结果一致。
在研发管理平台中执行这套流程时，清理任务本身也需要被跟踪。以 ONES 为例，迁移范围可覆盖项目、工作项、状态、字段、流程、附件和历史记录，问题数据迁移包含属性、附件和评论，Wiki 迁移包含页面正文、附件、图片和批注。这些对象类型与前述统计范围相对应，清理任务可以按项目或空间建立工作项，记录处理批次、处理量和工时，使基线、执行和复算三个环节的数据能够对应到同一批对象。ONES 官方资料把数据完整、业务连续和系统稳定作为迁移目标，并建议在正式迁移前确认数据范围，这与先划定清理范围、再冻结基线的做法一致。
一个算例：从基线到汇报数字
以下为演示算例，数字为假设值，用于说明计算过程与汇报呈现方式，不代表任何实际项目的结果。
假设某次迁移前，计划清理范围内共有工作项记录 50,000 条，附件 20,000 个、合计 800 GB，存储占用 1,200 GB。按规则标记出重复记录 3,000 条，无效附件 2,500 个、合计 120 GB，孤儿数据 800 条。计划清理对象为上述三类合计 6,300 个对象，实际处理 6,000 个，投入 40 人天。清理后同口径统计：记录 47,000 条，附件 17,500 个、合计 680 GB，存储占用 1,050 GB，孤儿数据剩余 100 条。
| 指标 | 计算过程 | 结果 |
|---|---|---|
| 重复数据率 | 3,000 ÷ 50,000 | 6.0% |
| 无效附件占比（按数量） | 2,500 ÷ 20,000 | 12.5% |
| 无效附件占比（按字节） | 120 GB ÷ 800 GB | 15.0% |
| 孤儿数据量 | 清理前 800 条，清理后 100 条 | 减少 700 条 |
| 清理覆盖率 | 6,000 ÷ 6,300 | 95.2% |
| 记录数变化 | 47,000 − 50,000 | 减少 3,000 条 |
| 附件字节变化 | 680 GB − 800 GB | 减少 120 GB |
| 存储占用变化 | 1,050 GB − 1,200 GB | 减少 150 GB |
| 单位工时处理量 | 6,000 ÷ 40 人天 | 150 个/人天 |
向管理层汇报时，把投入与产出放在同一张表里：投入 40 人天，处理 6,000 个对象，记录减少 3,000 条，附件减少 120 GB，存储占用减少 150 GB，孤儿数据从 800 条降到 100 条。同时注明清理覆盖率为 95.2%，剩余 300 个对象未处理及原因，避免把覆盖率读成 100%。
抽样核对方面，从清理后的项目中随机抽取 200 条记录和 100 个附件，核对重复记录是否已合并、附件引用是否可打开、孤儿数据是否已挂接或归档。若抽样中发现与总量统计不一致的情况，例如仍有重复记录未被标记，应回到判定规则检查，并在报告中说明偏差范围，而不是直接采用总量数字。
结果怎么解读、有哪些限制
单个指标不能代表整体数据质量。重复数据率下降，可能只是清理了容易识别的重复项，复杂重复仍留在数据中；无效附件占比低，也可能因为分母中包含大量有效附件而稀释了问题。解读时应把多个指标放在一起看，并结合清理覆盖率和未判定数量判断结论的适用范围。
清理覆盖率的高低与清理难度、对象价值相关。覆盖率 95% 可能意味着剩余 5% 是难以判定的历史数据，也可能意味着执行中断。报告中应说明未处理对象的类型和原因，让管理层理解覆盖率背后的工作量分布，而不是把覆盖率当作清理质量的唯一证据。
数据量下降不等于业务价值提升。清理掉的数据如果本身没有业务用途，下降幅度大也只说明存储压力缓解；保留数据是否完整、可用、能被迁移后的系统正确读取，才是迁移场景下更值得关注的结果。建议把数据量变化与抽样核对结果并列呈现，说明保留数据的可用性。
遇到分母为零、口径变更或部分对象未判定时，结论表述要相应收窄。例如附件总数为零时，无效附件占比记为不适用；口径变更时，分段报告并注明不可直接比较；存在未判定对象时，说明指标结果仅覆盖已判定部分，未判定部分对结论的影响方向。这样汇报的数字才经得起追问和复算。
常见问题
清理过程中扩大了范围或调整了重复判定规则，指标还能直接对比吗？
不能直接对比。范围或判定规则变更后，清理前后的数据不再处于同一口径，直接相减或相除会得出误导性的变化幅度。建议记录变更时点、变更内容和影响的对象数量，对变更前后的数据分段报告，分别给出各段的指标结果，并在汇报中注明两段不可直接比较。若变更影响较大，可以按新口径重新统计清理前基线，再计算变化。
清理覆盖率没有达到100%，向管理层汇报时应该怎么说明？
覆盖率反映执行进度，不直接反映清理质量。汇报时应说明未处理对象的数量、类型和原因，例如属于难以判定的历史数据、受权限限制无法读取，还是执行中断。把覆盖率与重复数据率、无效附件占比等结果指标并列呈现，让管理层看到已处理部分的改善幅度和剩余部分的风险，避免把覆盖率读成清理成效的完成度。
重复数据率和无效附件占比的分母应该用清理前还是清理后的数据？
建议统一用清理前基线作为分母。这样得到的比例可以直接说明“原始数据中有多大比例属于重复或无效”，也便于计算减少幅度。若用清理后数据作分母，比例会因清理动作本身而变化，不同批次之间难以比较。无论采用哪种口径，都应在报告中写明，并在清理前后保持一致。
清理效果指标能否直接作为迁移验收的通过标准？
不建议直接套用。清理效果指标衡量的是数据质量改善和投入产出，迁移验收关注的是迁移后数据是否完整、业务是否连续、系统是否稳定，两者评估对象不同。清理指标可以作为迁移准备阶段的输入，说明迁移前数据处于什么状态；迁移验收仍需按迁移验证与切换管理的流程单独核验。把清理指标当作验收标准，容易忽略迁移过程中新产生的数据问题。
没有历史基线数据，还能评估清理效果吗？
可以评估，但结论范围要收窄。缺少清理前基线时，比例类指标（重复数据率、无效附件占比）无法计算，只能报告清理后的绝对量和已处理对象数。此时可以补充说明清理过程中记录的处理量、投入工时和抽样核对结果，作为过程性证据。若条件允许，可在清理前对部分范围补做快照，用局部数据估算整体情况，并在报告中注明估算方法和适用范围。
