2. 數據分析方法與分析步驟

2-7. 缺漏項目的處理對策

1) 客戶數據現況與實情

A. 商品主檔過度膨脹：
商品主檔通常包含停產或歷史商品，其品項數往往為實際有出貨紀錄者的2至3倍。為提升分析精確度與運算速度，應盡可能僅篩選擷取目標期間內有實際出貨紀錄之品項。
B. 商品尺寸與形狀數據不完善：
若現行作業未進行容積與重量管理，主檔中之尺寸數據往往缺乏維護（或未填寫、不準確），不可直接照單全收。
C. 接單客戶與實際送貨地點不一致：
數據上之「請款接單客戶」與「實際送貨目的地」未必相同，必須以符合現場實務之實際出貨點為單位進行彙總。
D. 業界或企業特有慣用表達（如出庫實為進貨等）：
如商品管理部門統一採購並分配至各物流中心時記錄為「出庫」（實質為物流中心之「進貨」）等慣用用語。必須充分理解其背後含義再進行數據清洗。

2) 缺漏數據與不定期數據之型態

A. 零出貨或負數出貨數據：
因多個貨主間商品調撥、出貨指示後取消，或混入退貨數據等原因，導致數量出現0或負數之紀錄。
B. 有欄位但未填寫數據（Null值）：
每箱裝數、容積或重量等重要欄位呈現空白者。
C. 部分數據缺漏或漏填：
缺少特定時間、出貨點代碼或商品類別旗標之紀錄。

3) 缺漏數據之具體處理對策

與客戶討論並制定規則：
事前與客戶及現場主管討論並確定未填寫或不一致數據之處理規則（如平均值替代、特定紀錄排除條件等）。
數據之救濟與補完：
即使部分數據缺漏，只要可由其他欄位推算（可救濟之數據），應盡可能加工補完並納入分析。
全體數據加總與驗證：
將套用排除規則後之加總合計與原始數據全體合計進行比對驗證，確實掌控並說明任何差異原因。
基於清洗後數據執行分析：
僅針對符合規則整理後之「有效分析目標數據」進行精確之分析運算。