第十四章　数据标准与指标字典

迎新工作会上最常见的一个画面：学工处报一个报到率，宿管报一个入住率，财务报一个缴费率，三个数字都成立，三个数字加起来不对。主持人问"到底来了多少人"，没人答得出来——因为没人知道自己报的那个数是按哪张表算的。

口径不是技术问题，是谁对这个数负责的问题。 而"负责"要能落地，得有一份写死了的字典。

14.1 一个数三个口径，是怎么吵起来的

三个部门算出的"报到率"不一样，不是因为谁算错了，是因为他们手里的问题本来不一样。

学工处问的是"手续办完没有"，分母是他名下的新生名单；宿管问的是"人住进来了没有"，分母是分配了床位的人，其中包含走读和另行安排住宿的；财务问的是"钱到账没有"，分母是应缴费人数，缓缴与减免还要单独处理。

三个问题都对，三个答案都没错。错的是把三个答案放在同一张汇报表上，都叫"报到率"。

这不是一场会开完就散的事。它往下会连着错：进度排名会错、通报措辞会错、"哪个学院推进慢"的判断会错，最后催办压力被派给了一个本来数字就不该跟别人比的人。指标口径不一致，最直接的受害者是一线的人。

14.2 我们自己栽过一次：量纲不一致是真的会出图的

拿一个真实教训说，因为它比任何道理都直白。

同一个"率"，一套算法返回 0 到 1 之间的小数，另一套返回 0 到 100 的百分数。前者除以 100 才是百分比，后者本身就是百分比。这两套值被放到同一张学院对比图上，画面直接错了——某些学院显示成极低的条，看上去像工作没做，实际是量纲混了。

这件事不是被谁查出来的，是图出来之后一眼能看出来不对。 它说明一个道理：指标定义里"量纲与单位"这一项，不是文档里的格式要求，是真的会出事的字段。

所以我们把口径写进字典，而不是写进约定。约定会在第二所学校失效，字典会跟着系统走。

14.3 一条指标要写全什么

一份能用的指标定义，至少有八项。缺任何一项，两个部门算出来的数就不会相等。

名称——不带歧义的业务名。业务定义——用一句不含技术词的话说清它在回答什么问题。分子——数的是哪些人、按什么记录判定。分母——从哪张名单起算，含不含走读、含不含保留入学资格、含不含已退档。量纲与单位——小数还是百分数，人还是人次。过滤条件——限不限批次、限不限时间窗、删掉的人算不算。刷新时点——实时、按小时、还是按天结转。责任人——这个数对外由谁解释。

前六项是数学问题，第七项是运维问题，第八项是治理问题，也最常被漏。 一个没有责任人的指标，出现争议时没人能定它，最后就变成了"系统里的数字和实际情况不符"这句话——这句话一旦成为共识，所有数字都不再有用。

14.4 先给四条最要紧的定下来

报到率。 在这套系统里它的准确名字叫名册内报到完成率：分母是已导入名册的应到人数，分子是完成报到任务的人。

这里必须说一句容易被误会的话：系统里没有"录取数"和"招生计划数"这两张表。也就是说，它算的是"进了名册的人办到哪一步"，不是"招办录的那批人来没来"。这两件事在数据上差着一段——从录取到建名册这一段在系统外面。引用这个数时，分母口径必须一起说出口。 拿它去和去年的"录取报到率"对比，是常见也很容易翻车的一种用法。

分子目前有两种判定来源：一种看报到任务的完成记录，一种看新生状态标记到哪一档。同一名学生两种算法可能给不同结果，统一成一套排在批次里。在这个之前，两条路线各自算出的数不能横向比。

任务完成率。 分母是这批学生中该任务的应完成人数，分子是有完成记录的人数。这一条可以按学院、按班级、按批次下钻，因为它的分母分子都落在同一份名册上。它是目前最实用的一类口径——卡点识别、催办名单，靠的都是它。

线上办结率。 这一条要照实说：它的定义我们写得出（应完成事项中，本人在手机上自助完成、无需线下窗口的比例），但**"自助完成"与"线下代办"这两种完成方式，目前不在完成记录里区分**。也就是说这条指标现在算不出来，按设计与实现分列在批次上——在它算得出来之前，任何拿它做进度汇报的说法都不能当真。

异常率。 含义是同一批数据里明显不合理值的占比，比如同一证件号出现多次、性别与核验结果冲突、到站时刻早于录取发布日期。这类判定规则部分已在导入校验里执行，部分仍依赖人工核对；把它做成可持续观测的质量指标，与第十五章的质量看板同批。

14.5 值域与码表：字典不统一，分组就会漏人

指标口径要成立，前提是被统计的那些值先收敛。三件事已经在系统里做了。

民族——"汉"与"汉族"由归一工具收敛到同一口径。这一条看着小，实际影响的是分组结果：没收敛之前，同一个民族会被算成两类，分布图上出现两个不该存在的条。

行政区划与生源地——地名与省市区代号有历史版本差异，靠一份区划数据支撑归一，生源地按同一套口径落。这一条直接决定"生源地分布"这张图对不对。

性别——"男"与"1"、"女"与"0"归到同一标准值。但这套映射只认这四种写法，写成"male""M""男性"的值会被静默置空。空值不会多出第五个类别，它从所有分组里消失——报表看起来干净了，人数少了，而且少得没有痕迹。

还有一层尚未覆盖：值域码表——一个字段合法取值有哪些、每个取值的业务含义是什么、由哪个部门维护。现在这些是零散存在于字典选项和实施记录里，形不成一份可核对的清单。没有码表，"这个字段填错了"这句话就没有判定依据，只能靠人记住。 码表与跨校标准库同批建设，它也是把交付曲线从 25 人日继续往下压的那一项。

14.6 唯一性：拦得住的与拦不住的

一人一条记录，是所有统计成立的地基。这一层现状分两半。

拦得住的：新生导入时同一身份证号重复会在当场被拦下并给出行号，一个主键只对应一条记录；身份核验又补了一道，证件读取的号码与名册比对不一致时能被看到。这两道是已经跑过开学季的。

拦不住的：少数关联关系在数据层面尚无强制约束，理论上可以写入重复行——这类位置我们清楚有哪几处，补齐约束排在批次里。所以"数据一致性由系统保证"这句话在这里不写。 更负责的说法是：哪些位置有强制保障、哪些位置靠流程与校验保障，一张列得出来的清单，比一句"由系统保证"值钱得多。

学校可以拿这句话去问任何一家厂商：你系统里哪几张表没有唯一约束？ 答得出具体位置的，是真查过；答"我们都有校验"的，是没查过。

14.7 对外报送：难的不是格式，是字段齐套

上级平台与兄弟系统要名单时，通常不挑格式——通用表格格式谁都读得懂。真正的门槛在另外两处：字段齐套（要求的列一列不能少）与码表正确（性别、民族、政治面貌、入学年份这些值必须是对方认的那套码）。

这两处恰好都在前面几节的短板上：字段齐套依赖名册采集完整，码表正确依赖值域与码表收敛。报送质量问题九成不在报送那一刻，在导入与采集那一刻。

现在能做的是：全部名单类数据可由学校自行导出为通用表格，字段列可由学校自己配置；按某一上级平台的固定模板一键报送，属于按批次建设的内容。过渡办法是学校的报送要求写进导入校验规则——把格式问题挡在进门时，而不是挡在交表前夜。

14.8 字典是治理文件，不是技术文档

最后留下一句话，因为它决定这份字典能不能活下来。

指标字典的权威来自"谁签字"，不来自"谁写的"。 一份由信息技术部门单方面维护的字典，别的部门可以不用；一份由学工处、宿管、财务、校医院各自对自己那几个数签过字的字典，才会被当成依据。

系统能把口径写死、能防止口径被偷偷改掉、能记录口径是哪一版算出的哪一期数据——这些是软件的部分。哪个学院可以报哪个数、这句话由谁说了算，是学校自己的治理动作。 第十四章能给学校的，是一份不必重开的起点，不是替代那场签字的会。