---
title: "資料品質監控（Data Quality Monitoring）"
slug: data-quality-monitoring
language: zh-TW
source: https://aiterms.tw/terms/data-quality-monitoring
updated_at: 2026-04-29
tags: [資料處理, AI基礎, MLOps, 異常偵測, 模型評估, AI應用]
ipas_term: false
---

# 資料品質監控（Data Quality Monitoring）

> **你有沒有在你要持續盯著資料有沒有變差時，還在想這件事到底該怎麼看？**
>
> 把它想成資料的健康檢查表，不是出事才看。
> 模型再好，資料一壞，整個系統就會跟著失準。
> 品質監控是預防型工作，重點是早點發現、早點修。
>
> 你可以把它想成一個把抽象概念拉回日常判斷的提示，先知道它解決什麼問題，再看技術細節。

### 容易混淆
> **data-cleaning**
> vs 資料清洗：資料清洗是發現問題後「修復」資料；品質監控則是「預防」和「持續檢查」資料品質，確保問題在發生或變大前就被發現。
> **常見混淆：資料品質監控 vs data-cleaning**
> 清洗是修已知問題，監控是持續找問題。

### 記住這句就好
> 不是修資料而已，而是一直看有沒有變壞。

### 實際案例
> **欄位完整率**
> 每天看缺值比例有沒有突然上升。
> **異常值飆高**
> 發現某個欄位的極端值變多，立刻通知資料團隊。

### 深入了解
> 1. 常見指標有完整性、一致性、準確性、時效性和有效性。
> 2. 監控比一次性清洗更重要，因為資料會持續進來。
> 3. 搭配警報和血緣追蹤，才能真正把問題追到源頭。

### 情境判斷
> **Q1：資料有問題時，為什麼不能只靠事後修補？**
> → 因為問題會反覆出現，監控才能提早發現。
> **Q2：如果某欄位缺值率突然上升，先做什麼？**
> → 先查資料來源和管線，再決定要不要補值或暫停使用。

### 常見問題
> **Q：為什麼資料品質監控對AI專案很重要？**
> AI模型的效能高度依賴於訓練資料的品質。低品質的資料會導致模型偏差、不準確的預測和整體效能下降。資料品質監控確保AI模型使用乾淨、準確且具代表性的資料進行訓練，從而提高模型的可靠性和有效性。
> **Q：如何選擇合適的資料品質指標？**
> 選擇資料品質指標應基於業務目標和資料的使用方式。考慮資料的準確性、完整性、一致性、時效性和有效性。與業務利益相關者合作，確定對他們最重要的資料品質方面，並選擇可量化且可追蹤的指標。
> **Q：資料品質監控的常見挑戰有哪些？**
> 常見挑戰包括資料來源的多樣性、資料量的龐大、缺乏明確的資料品質標準、缺乏跨部門合作以及缺乏自動化工具。克服這些挑戰需要建立資料治理框架、定義明確的資料品質標準、加強跨部門合作並投資於自動化工具。

### 相關術語
> - **資料漂移**：看完這個後，再回來看 資料品質監控 會更容易把脈絡接起來。
> - **資料血緣追蹤**：看完這個後，再回來看 資料品質監控 會更容易把脈絡接起來。
> - **模型監控**：看完這個後，再回來看 資料品質監控 會更容易把脈絡接起來。
> - **異常偵測**：看完這個後，再回來看 資料品質監控 會更容易把脈絡接起來。
> - **資料前處理**：看完這個後，再回來看 資料品質監控 會更容易把脈絡接起來。

---

來源：https://aiterms.tw/terms/data-quality-monitoring
快查頁：https://aiterms.tw/terms/data-quality-monitoring
最後更新：2026/04/29
深度解說：https://aiterms.tw/learning/what-is-data-quality-monitoring