《社会调查数据管理——基于Stata 14管理CGSS数据》一2.2　数据管理的工作标准

本节书摘来自异步社区《社会调查数据管理——基于Stata 14管理CGSS数据》一书中的第2章，第2.2节，作者 唐丽娜，更多章节内容可以访问云栖社区“异步社区”公众号查看

2.2 数据管理的工作标准

对社会调查数据而言，数据管理工作从调查工作启动之日开始。调查数据来源于社会调查，社会调查是生产数据的一种重要工具。数据管理的最终目标是确保数据质量。高质量数据有两个基本判断标准：真实、有效，即数据尽量接近事实（真实性），且能为研究所用（有效性）。为此，数据管理工作至少要满足以下6个基本要求。

1．目标清晰
上面提到，数据管理贯穿整个社会调查全程，不仅历时长，且任务杂。在这种情况下，每一阶段、每一步的管理目标都要明确清晰，以便管理工作的分配和管理人员的安排，否则容易出现漏做、重做等问题，影响数据质量。

2．任务可行
确定目标后，接下来要做的工作就是把目标分解成各级任务。数据管理者一定要注意：任务可以是不完美的，但一定要可行。在数据管理过程中，常见的一种困境是：任务明确，但不具备可操作性。舍弃“完美主义”，在现有的时间、资金、人力等资源条件下，尽可能好地完成任务。同理，在这个世界上很难找出没有问题的社会调查，找不到能完全真实反映社会现实的数据，一切社会调查所得的数据都只能是无限接近事实。

3．流程简易
目标和任务确定后，接下来要考虑到工作流程。制定工作流程的基本标准：简易。越复杂的工作流程，越容易出错。在某一项具体的数据管理工作中，参与的人员越多，工作流程的制定就越简易，因为对不同的人而言，简易的标准不一样，如同样的事情，能用常见软件完成，就不要用小众软件，如果采用小众软件，不仅给合作者带来很多负担和学习压力，而且会增加出错的可能性。

4．职责明确
目标不会自动实现，任务不会自动完成，流程不会自动走完，事情最终是由人来完成的，再完美的工作计划如果没有合适的人承担，那它几乎就等于零。任何一项数据管理工作都不可能由一个人单独完成，后面会讲到“双录”“双校”，任何一项和数据管理有关的工作，都尽量保证由两个人独立完成，并做事后校验。 在大型数据管理项目中，整个工作流程类似工业生产的生产线，环环相扣，每个环节的工作人员都要清楚地知道自己的权限和职责，否则一环出错，整个流程就会崩溃。比如：通常，数据编码手册在问卷设计时就要考虑到，而且问卷一旦确定，数据编码手册也就基本定型。数据清理员在拿到原始数据之后，必须要对照数据编码手册对每个变量逐一进行检验。

5．标准统一
在大型数据管理中，标准统一极其重要。只有用同一标准管理的数据，才有可能进行合并，“外人”才有可能读懂数据。数据管理的忌讳是：标准不一，朝令夕改。假设有一个关于健康的、5年的追踪调查，体重这个变量在第一年的数据中单位是公斤，第二年单位变成斤，第三年也是斤，第四年又变成公斤，第五年也用到公斤。这样，用户使用数据时稍不注意，就有可能直接把5年的体重合并在一起比较。再如，在一个多年的追踪调查中，同一个变量“收入”使用的是不同的变量名：income、incomeyr、perincome等。

6．灵活拓展
好的数据管理工作标准和工作流程应该具备一定的可拓展性。对不同的项目进行数据管理时，可能会用到不同的标准和流程，但没有必要对所有的项目都重新建立一套新的标准和流程，相似的数据管理项目可以互相借鉴，比如：对CGSS2012年的数据管理工作流程进行一定的拓展和修改后，即可用作CGSS2013年的工作流程。再如，中国宗教调查是一个全新的项目，针对这个项目的数据管理就是基于CGSS的数据管理工作流程和内容改出来的，既省时、省力，还行之有效。

在上述标准基础之上，尽量提高管理效率，优化管理流程，实现管理自动化，保证管理标准化。

谈谈数据管理中的数据治理和元数据 数据治理是数据管理策略中最基本的功能，因为它是其他功能的中心和领导。在这里，我们应该对两个经常被误解的概念进行区分:
Docker 数据管理与数据卷容器以及dockerfile基本结构 在生产环境中使用 Docker ，往往需要对数据进行持久化，或者需要在多个容器之间进行    数据共享，这必然涉及容器的数据管理操作    容器中的管理数据主要有两种方式：            数据卷 Data Volumes 容器内数据直接映射到本地主机环境；            数据卷容器（Data Volume Containers 使用特定容器维护数据卷
【云原生Docker篇】Docker的数据管理（数据卷、容器互联） 用户在使用Docker的过程中，往往需要能查看容器内应用产生的数据，或者需要把容器内的数据进行备份，甚至多个容器之间进行数据的共享，这必然涉及容器的数据管理操作。 容器中管理数据主要有两种方式： 数据卷（Data Volumes） 数据卷容器（Data Volume Dontainers）
DMS + AnalyitcDB PostgreSQL 联合推出“高性价比” 的【数据归档】解决方案 背景随着企业的数据资料持续积累，为了满足审计合规要求或未来的分析决策，企业需要持久化保留企业的数据资产； 但是数据的存储成本巨高不下，对面对审计或者分析时的数据无法快速使用是企业在数据归档存储的场景下所面临的两大困境；是否有“即满足超低的价格实现海量数据的持久化，又可以对归档数据进行完善管理，高效的寻回，查看并进行分析”； 在这个背景下， DMS + AnalyticDB PostgreSQL（简
高性价比的数据归档解决方案（DMS + AnalyitcDB PostgreSQL） 发布全新数据归档方案，依托DMS + AnalyticDB PostgreSQL Serverless版本，帮助客户用低价格实现海量数据的持久化，还可以对归档数据进行完善管理、高效寻回、查看并进行分析
【最佳实践】高性价比的数据归档解决方案（DMS + AnalyticDB PostgreSQL） 发布全新数据归档方案，依托DMS + AnalyticDB PostgreSQL Serverless版本，帮助客户用低价格实现海量数据的持久化，还可以对归档数据进行完善管理、高效寻回、查看并进行分析
异步社区 异步社区(www.epubit.com)是人民邮电出版社旗下IT专业图书旗舰社区，也是国内领先的IT专业图书社区，致力于优质学习内容的出版和分享，实现了纸书电子书的同步上架，于2015年8月上线运营。公众号【异步图书】，每日赠送异步新书。