在建置一個完整的數據庫過程中，一定會經過「資料清洗 Data Cleansing」的階段，它的首要任務就是確保庫內良好的「資料品質 Data Quality」！只有確保了資料品質，才能讓整個資料結構與運算邏輯發揮它的最大功效。
利用本文所述的六個資料檢測維度，我們可以算出資料整體的健康程度（分數），便於讓企業掌握資料庫的品質。
六大檢測維度
1. 完整度
在檢查資料健康度時，我們必須先關注資料的完整度，確認原先設計好的資料欄位是否都有值。想像，如果沒有「客戶組織層級」或「客戶產業資訊」的紀錄，企業便無法找到向上銷售（Upsell）的機會，使我們無法提供進階的產品服務。
Solution：
- 列出商務使用上重要的資料欄位，並定期將這些重要的資料欄位跑出「欄位空白占比」的報表。若占比太高，表示資料完整性不高。
- 必要時，在系統上設置「此欄位為必填」才可新建資料。
2. 準確度
資料的完整性是不夠的，我們還必須確認它們的準確度。畢竟，這些冷冰冰資料的意義就在於，它們能準確地解釋現實的問題。
Solution：
- 將資料與信任的來源做對比。
- 每過一段時間便需要人工檢查資料準確性。
3. 資料年齡
資料不是越老越好，而是越新越好。企業需要隨時確保自己的資料年齡是足以應付快速變遷的商務挑戰。想像，企業在「客戶偏好」紀錄上記載了客戶當下的需求，過了一段時間後，他們的需求已有所改變，企業卻用原先的產品策略去攻佔這些客戶市場，是不是反而違背原先的美意？
Solution：
- 定期篩選出超過90天（時間自訂）未修改的資料，一一檢視之。
- 運算出超過90天未修改的資料佔總資料數的佔比（％），並訂定符合商務需求的指標以做健康評估。
4. 一致性
再來我們必須檢視資料的一致性來避免相同意義的紀錄以不同形式、拼法、語種呈現。想像，我們今天想針對「銷售區域」位於洛杉磯的客戶做EDM電郵行銷，卻發現這個欄位上出現了「洛杉磯」、「洛城」、「LA」、「L.A.」、「Los Angeles」、「Los Angeles City」，是否令人感到厭煩？
Solution：
- 將應該被規範的資料欄位做分析，找出一個相同意義的值有多少不同的形式。
- 必要時，將該資料欄位設置為可下拉的「選項清單 Picklist」，並定義好裡面的值。或是規範好欄位資料一定的格式，如：數值必須輸入至小數點後兩位，日期必須按照年/月/日來輸入。
5. 重複性
重複出現的資料，將會導致企業運營效率降低。因此，我們必須確保所有資料都是非重複的。
Solution：
- 透過設定「通用唯一辨識碼 UUID」，來辨別資料是否已重複。例如：針對「客戶手機號碼」欄位做唯一辨識，若相同的手機號已存在資料庫中，便不得再次新建。
6. 使用性
當資料經過層層關卡的健康檢查後，企業主們還是必須確定他們到底有沒有被使用？畢竟花了這麼多錢打造的資料庫不是拿來擺著好看的。（實際上也擺不出來…）
Solution：
- 定期回顧企業使用資料庫的策略，是否全面且有效地在運用這些資料呢？
結論
- 首先，企業必須全盤思考自身的商務需求，利用「樹狀圖」的方式將這些商務需求細分再細分。
- 再來，針對不同類別的需求（不同分支的需求）找出是否能使用資料庫相對應的功能模塊？若是，則設計出相對應的資料庫使用方式。
