2. 數據分析手法與分析步驟

2-7. 缺漏項目的處理

1) 客戶數據的現況與實態

A. 商品主檔的膨脹:
商品主檔因包含停產・過去單品，通常註冊筆數為實際有出貨實績單品數的2〜3倍。為提升分析精度與處理速度，應盡可能僅篩選並取得「於目標期間內有出貨實績的單品」。
B. 商品尺寸・形狀數據之不備:
於目前作業中未進行容積・重量管理的現場，主檔的尺寸數據往往未經維護（或未輸入、不精確），因此無法盲目全盤接受。
C. 送貨目的地之不一致:
數據上的「訂購客戶」與「實際送達目的地（配送地點）」未必一致，因此必須以符合現場運作的送貨目的地單位進行統計。
D. 固有表現・特殊交易（如出庫實為入庫之情況等）:
例如商品管理部門統括採購並配分至各中心時標示為「出庫」（實質上為中心的「入庫」）等，存在業界或企業特有的慣用表現。需在正確理解這些背景與涵義後再進行數據清洗。

2) 缺漏數據・異常數據的模式

A. 零出貨・負數出貨數據:
因多個貨主間的商品移動、出貨指示後的取消處理、混入退貨數據等，導致包含數量為0或負數之紀錄的情況。
B. 項目存在但數據未輸入（Null）:
外箱裝數或容積・重量數據呈現空白的情況。
C. 部分數據缺漏・漏輸入:
僅缺漏特定日期時間、送貨目的地代碼或商品類別的情況。

3) 針對缺漏數據之具體對策

透過與客戶開會建立規則:
與客戶及現場主管事前研商，決定未填寫・不一致數據的處理規則（例如：以平均值補齊、特定紀錄的排除條件等）。
數據的救濟與活用:
即使存在部分缺漏，只要能從其他項目進行推算之數據（可救濟的數據），應盡可能進行加工・補齊並用於分析。
全數據統計值之一致性驗證:
將套用排除規則後的統計合計與原始數據整體的統計值（控制總數）進行比較驗證，確保能明確說明差異理由。
清洗後執行分析:
針對依據規則整理完成的「有效分析對象數據」執行精確的分析處理。