5 ошибок при сборе данных в data warehouse, которые ломают аналитику

5 ошибок при сборе данных в data warehouse, которые ломают аналитику

— Нет единого справочника по сущностям. Когда один и тот же клиент, заказ или канал описаны по-разному, отчёты начинают расходиться между BI, CRM и рекламными кабинетами.

— Смешиваются сырые и очищенные данные без явных слоёв. В результате в таблицах трудно понять, где источник, где трансформация, а где уже бизнес-метрика.

— Не фиксируются правила дедупликации и идентификации. Если один пользователь может иметь несколько id, атрибуция и воронки становятся нестабильными.

— Игнорируются временные зоны и момент события. Для задач analytics это критично: день в отчёте может съехать, а сравнение периодов — исказиться.

— Нет контроля качества на уровне загрузки. Пропущенные поля, дубли, резкие провалы по объёму и поломанные связи лучше ловить до того, как данные попадут в dashboard.

data warehouse работает нормально только тогда, когда у таблиц есть понятная логика слоёв и одинаковые правила для всех источников. Иначе BI показывает не бизнес, а набор несогласованных срезов.