Monitoramento da qualidade dos dados

info

Beta

Esse recurso está na versão beta.

Esta página descreve o que é o monitoramento da qualidade dos dados, o que ele monitora e como usá-lo. O monitoramento da qualidade dos dados era anteriormente chamado de detecção de anomalia.

Para fornecer feedback sobre o monitoramento da qualidade dos dados, email lakehouse-monitoring-feedback@databricks.com.

O que é monitoramento da qualidade dos dados?

Usando o monitoramento da qualidade dos dados, o senhor pode monitorar facilmente a qualidade dos dados de todas as tabelas em um esquema. A Databricks aproveita a inteligência de dados para avaliar automaticamente a qualidade dos dados, avaliando especificamente a atualidade e a integridade de cada tabela. As percepções de qualidade são preenchidas em indicadores de saúde para que os consumidores possam entender a saúde em um piscar de olhos. Os proprietários de dados têm acesso a tabelas de registro e painéis para que possam identificar rapidamente, definir alertas e resolver anomalias em um esquema inteiro.

O monitoramento da qualidade dos dados não modifica nenhuma das tabelas que monitora, nem adiciona sobrecarga a nenhum trabalho que preencha essas tabelas.

Requisitos

• Workspace habilitado para o Unity Catalog.
• sem servidor compute ativado. Para obter instruções, consulte Conectar-se a serverless compute .
• Para ativar o monitoramento da qualidade dos dados em um esquema, o senhor deve ter privilégios de gerenciar SCHEMA ou gerenciar CATALOG no esquema do catálogo.

Como funciona o monitoramento da qualidade dos dados?

A Databricks monitora as tabelas ativadas para verificar se estão atualizadas e completas .

Frescura se refere ao quão recentemente uma tabela foi atualizada. O monitoramento da qualidade dos dados analisa o histórico de confirmações em uma tabela e cria um modelo por tabela para prever a hora da próxima commit. Se um commit for excepcionalmente tardio, a tabela será marcada como obsoleta. Para tabelas de séries temporais, você pode especificar colunas de horário do evento. O monitoramento da qualidade dos dados detecta, então, se a latência de ingestão dos dados, definida como a diferença entre o tempo de commit e o tempo do evento, é excepcionalmente alta.

A integridade se refere ao número de linhas que se espera que sejam gravadas na tabela nas últimas 24 horas. O monitoramento da qualidade dos dados analisa a contagem histórica de linhas e, com base nesses dados, prevê um intervalo do número esperado de linhas. Se o número de linhas confirmadas nas últimas 24 horas for menor que o limite inferior desse intervalo, uma tabela será marcada como incompleta.

Com que frequência um monitor de qualidade de dados é executado?

Pelo site default, um monitor de qualidade de dados é executado a cada hora. Antes de examinar cada tabela, o sistema verifica se é provável que a tabela tenha sido atualizada desde a última execução. Se ainda não se espera que uma tabela tenha sido atualizada, a verificação será ignorada.

Ativar o monitoramento da qualidade dos dados em um esquema

Para ativar o monitoramento da qualidade dos dados em um esquema, navegue até o esquema no Unity Catalog.

1. Na página do esquema, clique em Details (Detalhes ) tab.

   

2. Clique no botão de alternância do monitoramento da qualidade dos dados para ativá-lo.

   

3. Uma tarefa " Databricks " é iniciada para verificar o esquema. Databricks verifica automaticamente cada tabela com a mesma frequência com que é atualizada, fornecendo percepções atualizadas sem a necessidade de configuração manual para cada tabela. Para a primeira execução do Job, Databricks também executa o monitor em dados históricos ("backtesting") para verificar a qualidade das suas tabelas como se o monitoramento da qualidade dos dados tivesse sido habilitado no seu esquema há duas semanas. Estes resultados são registros na tabela de registros.

4. Quando o trabalho for concluído, o senhor verá o registro dos problemas de qualidade detectados na tabela de registro de saída com percepções preenchidas no Data Quality Dashboard. O senhor pode acessar o painel a qualquer momento clicando em See results (Ver resultados ) ao lado do botão de monitoramento Data Quality (Qualidade dos dados ).

Painel de monitoramento da qualidade dos dados

A primeira execução do monitor de qualidade de dados cria um painel para resumir os resultados e as tendências derivadas da tabela de registro. A execução do trabalho exibe um botão que o senhor pode usar para acessar o painel. O painel é preenchido automaticamente com percepções para o esquema digitalizado. Um único painel é criado por workspace no seguinte caminho: /Shared/Databricks Quality Monitoring/Data Quality Monitoring.

Visão geral da qualidade

A Visão geral da qualidade tab mostra um resumo do status de qualidade mais recente das tabelas em seu esquema com base na avaliação mais recente.

Para começar, o senhor deve inserir a tabela de registro do esquema que deseja analisar para preencher o painel.

A seção superior do painel mostra uma visão geral dos resultados da verificação.

Abaixo, o resumo é uma tabela que lista os incidentes de qualidade por impacto. Todas as causas raiz identificadas são exibidas na coluna root_cause_analysis.

abaixo a tabela de incidentes de qualidade é uma tabela de tabelas estáticas identificadas que não são atualizadas há muito tempo.

Detalhes da qualidade da tabela

A interface de usuário Table Quality Details permite que você se aprofunde nas tendências e analise tabelas específicas em seu esquema. O senhor pode acessar a interface do usuário clicando nos nomes das tabelas no painel Visão geral da qualidade (veja os links clicáveis na captura de tela anterior) ou visitando a guia Qualidade no visualizador de tabelas do UC.

Em uma tabela, a interface do usuário mostra resumos de cada verificação de qualidade da tabela, com gráficos de valores previstos e observados em cada registro de data e hora da avaliação. O gráfico graficar resulta da última 1 semana de dados.

Se a tabela falhar nas verificações de qualidade, a interface do usuário também exibirá qualquer trabalho upstream que tenha sido identificado como a causa raiz.

visualizar indicadores de saúde

O monitoramento da qualidade dos dados oferece aos consumidores de dados uma rápida confirmação visual da atualização dos dados das tabelas que eles usam.

Na página do esquema, em Overview (Visão geral) tab, as tabelas que passaram na verificação de atualização mais recente estão marcadas com um ponto verde. As tabelas que falharam na verificação são mostradas com um ponto laranja.

Clique no ponto para ver a hora e o status da verificação mais recente.

Como proprietário dos dados, você pode avaliar facilmente a integridade geral do seu esquema classificando as tabelas com base na qualidade. Use o menu Classificar no canto superior direito da lista de tabelas para classificar as tabelas por qualidade.

Na página da tabela, em Overview tab, um indicador de qualidade mostra o status da tabela e lista todas as anomalias identificadas na varredura mais recente.

Configurar alerta

Para configurar um alerta Databricks SQL na tabela de resultados de saída, siga estas etapas na UI do alertaDatabricks.

1. Configure a consulta para o alerta:

   SQL

   WITH rounded_data AS (
   SELECT
      DATE_TRUNC('HOUR', event_time) AS evaluated_at,
      CONCAT(catalog_name, '.', schema_name, '.', table_name) AS full_table_name,
      status,
      MAX(downstream_impact.num_queries_on_affected_tables) AS impacted_queries,
      MAX(freshness.commit_freshness.predicted_value) AS commit_expected,
      MAX(freshness.commit_freshness.last_value) AS commit_actual,
      MAX(completeness.daily_row_count.min_predicted_value) AS completeness_expected,
      MAX(completeness.daily_row_count.last_value) AS completeness_actual
   FROM <catalog>.<schema>._quality_monitoring_summary
   GROUP BY ALL
   )
   SELECT
      evaluated_at,
      full_table_name,
      status,
      commit_expected,
      commit_actual,
      completeness_expected,
      completeness_actual,
      impacted_queries
   FROM rounded_data
   WHERE
      evaluated_at >= current_timestamp() - INTERVAL 6 HOURS
      -- enter the minimum number of table violations before the alert is triggered
      AND impacted_queries > :min_tables_affected
      AND status = 'Unhealthy';

2. Configure a condição de alerta:

   

3. Personalize o email padrão:

   Html

   <h4>The following tables are failing quality checks in the last hour</h4>
   
   <table>
     <tr>
       <td>
         <table>
           <tr>
             <th>Table</th>
             <th>Expected Staleness</th>
             <th>Actual Staleness</th>
             <th>Expected Row Volume</th>
             <th>Actual Row Volume</th>
             <th>Impact (queries)</th>
           </tr>
           
           {<a id='QUERY_RESULT_ROWS'/>}
           <tr>
             <td><a href="{{dash_link}}">{{full_table_name}}</a></td>
             <td>{{commit_expected}}</td>
             <td>{{commit_actual}}</td>
             <td>{{completeness_expected}}</td>
             <td>{{completeness_actual}}</td>
             <td>{{impacted_queries}}</td>
           </tr>
           
           {{/QUERY_RESULT_ROWS}}
         </table>
       </td>
     </tr>
   </table>

Agora, o senhor tem um alerta que é acionado com base no impacto downstream do problema de qualidade e apresenta um link para o painel que o ajuda a depurar a tabela que acionou o alerta.

Desativar o monitoramento da qualidade dos dados

Para desativar o monitoramento da qualidade dos dados, clique no botão de alternância do monitoramento da qualidade dos dados para desativá-lo. O trabalho de monitoramento da qualidade dos dados será excluído e todas as tabelas e informações de monitoramento da qualidade dos dados serão excluídas.

Limitação

O monitoramento da qualidade dos dados não suporta o seguinte:

• visualização ou visualização materializada.
• A determinação da integridade não leva em conta account métricas como a fração de nulos, valores zero ou NaN.
• Indicadores de saúde para completude
• " Backtesting " para verificar se há frescor ou integridade com base em eventos

Avançado

Revisão dos resultados dos registros

Em default, os resultados da varredura de monitoramento da qualidade dos dados são armazenados na tabela system.data_quality_monitoring.table_results. Somente os administradores do account podem acessar essa tabela e devem conceder acesso a outras pessoas, conforme necessário.

Cada linha na tabela de resultados corresponde a uma única tabela no esquema que foi examinado.

A tabela tem o seguinte esquema:

Nome da coluna	Conteúdo (para o tipo de dados struct)	Tipo de dados	Descrição	Dados de exemplo
event_time		carimbo de data/hora	Horário em que a linha foi gerada.	2025-06-27T12:00:00
catalog_name		string	Nome do catálogo. Usado para identificar a tabela.	main
schema_name		string	Nome do esquema. Usado para identificar a tabela.	default
table_name		string	Nome da tabela. Usado para identificar a tabela.	events
catalog_id		string	ID estável para o catálogo.	3f1a7d6e-9c59-4b76-8c32-8d4c74e289fe
schema_id		string	ID estável para o esquema.	3f1a7d6e-9c59-4b76-8c32-8d4c74e289fe
table_id		string	ID estável para a tabela.	3f1a7d6e-9c59-4b76-8c32-8d4c74e289fe
status		string	Status de saúde consolidado no nível da tabela. " Não saudável " se algum cheque ou grupo não for saudável.	Healthy, Unhealthy, Unknown
freshness		struct	Verificações de frescor.
	status	string	Status geral de frescor.	Unhealthy
	commit_freshness	struct	confirmar os resultados da verificação de frescor.
completeness		struct	Resultados da verificação de integridade.
	status	string	Status da verificação de integridade.	Unhealthy
	total_row_count	struct	Número total de linhas na tabela ao longo do tempo.
	daily_row_count	struct	Número de linhas adicionadas a cada dia.
downstream_impact		struct	Resumo do impacto downstream com base no gráfico de dependência.
	impact_level	int	Indicador de gravidade (0 = nenhum, 1 = baixo, 2 = médio, 3 = alto, 4 = muito alto).	2
	num_downstream_tables	int	Número de tabelas downstream afetadas.	5
	num_queries_on_affected_tables	int	Número de execuções de consultas em tabelas downstream afetadas nos últimos 30 dias.	120
root_cause_analysis		struct	informações sobre o trabalho upstream que contribui para o problema.
	upstream_jobs	matriz	Metadados para cada trabalho upstream.

commit_freshness estrutura de matriz

A estrutura commit_freshness contém o seguinte:

Nome do item	Tipo de dados	Descrição	Dados de exemplo
status	string	Status da verificação de atualização do commit.	Unhealthy
error_code	string	Mensagem de erro encontrada durante a verificação.	FAILED_TO_FIT_MODEL
last_value	carimbo de data/hora	Carimbo de data e hora do último commit.	2025-06-27T11:30:00
predicted_value	carimbo de data/hora	Hora prevista em que a tabela deveria ter sido atualizada.	2025-06-27T11:45:00

Estrutura de matriz total_row_count e daily_row_count

As estruturas total_row_count e daily_row_count contêm o seguinte:

Nome do item	Tipo de dados	Descrição	Dados de exemplo
status	string	Status do cheque.	Unhealthy
error_code	string	Mensagem de erro encontrada durante a verificação.	FAILED_TO_FIT_MODEL
last_value	int	Número de linhas observadas nas últimas 24 horas.	500
min_predicted_value	int	Número mínimo esperado de linhas nas últimas 24 horas.	10
max_predicted_value	int	Número máximo esperado de linhas nas últimas 24 horas.	1000

upstream_jobs estrutura de matriz

A estrutura da matriz mostrada na coluna upstream_jobs é mostrada na tabela a seguir:

Nome do item	Tipo de dados	Descrição	Dados de exemplo
job_id	string	Job ID.	12345
workspace_id	string	ID do espaço de trabalho.	6051921418418893
job_name	string	Job nome de exibição.	daily_refresh
last_run_status	string	Status da execução mais recente.	SUCCESS
run_page_url	string	URL da página de execução do trabalho Databricks.	https://.../runs/123

depuração informações

Na tabela de resultados de registros, a coluna additional_debug_info fornece informações no seguinte formato:

Bash

[
  <metric_name>:
    actual_value: <value> ,
    expectation: “actual value < [predicted_value]”
    is_violated: true/false,
    error_code: <error_code>
    from_backtesting: true/false
    ...
]

Por exemplo:

JSON

{
  commit_staleness:
    actual_value: "31 min"
    expectation: "actual_value < 1 day"
    is_violated: "false"
    error_code: "None"
    from_backtesting: "false"
}

Informações sobre o impacto downstream

Na tabela de resultados de registros, a coluna downstream_impact é uma struct com os seguintes campos:

campo	Tipo	Descrição
impact_level	int	Valor inteiro entre 1 e 4 indicando a gravidade do problema de qualidade dos dados. Valores mais altos indicam maior interrupção.
num_downstream_tables	int	Número de tabelas downstream que podem ser afetadas pelo problema identificado.
num_queries_on_affected_tables	int	Número total de consultas que fizeram referência às tabelas afetadas e downstream nos últimos 30 dias.

Defina parâmetros para avaliação de frescor e integridade (somente para clientes antigos)

A partir de 21 de julho de 2025, a configuração dos parâmetros de trabalho não será mais suportada para novos clientes. Caso seja necessário configurar as definições da tarefa, entre em contato com Databricks.

Para editar os parâmetros que controlam o trabalho, como a frequência de execução do trabalho ou o nome da tabela de resultados de logs, o senhor deve editar os parâmetros do trabalho na tarefa tab da página do trabalho.

As seções a seguir descrevem configurações específicas. Para obter informações sobre como definir os parâmetros de tarefa, consulte Configurar parâmetros de tarefa.

programação e notificações

Para personalizar a programação do trabalho ou para configurar notificações, use as configurações da programação & Triggers na página do trabalho. Consulte Automatização de trabalhos com programas e acionadores.

Nome da tabela de registro

Para alterar o nome da tabela de registro ou salvar a tabela em um esquema diferente, edite o parâmetro Job tarefa logging_table_name e especifique o nome desejado. Para salvar a tabela de registro em um esquema diferente, especifique o nome completo de 3 níveis.

Personalize as avaliações freshness e completeness

Todos os parâmetros desta seção são opcionais. Em default, o monitoramento da qualidade dos dados determina limites com base em uma análise do histórico da tabela.

Esses parâmetros são campos dentro do parâmetro da tarefa metric_configs. O formato de metric_configs é uma cadeia de caracteres JSON com os seguintes valores default:

JSON

[
  {
    "disable_check": false,
    "tables_to_skip": null,
    "tables_to_scan": null,
    "table_threshold_overrides": null,
    "table_latency_threshold_overrides": null,
    "static_table_threshold_override": null,
    "event_timestamp_col_names": null,
    "metric_type": "FreshnessConfig"
  },
  {
    "disable_check": true,
    "tables_to_skip": null,
    "tables_to_scan": null,
    "table_threshold_overrides": null,
    "metric_type": "CompletenessConfig"
  }
]

Os parâmetros a seguir podem ser usados para as avaliações freshness e completeness.

Nome do campo	Descrição	Exemplo
tables_to_scan	Somente as tabelas especificadas são digitalizadas.	["table_to_scan", "another_table_to_scan"]
tables_to_skip	As tabelas especificadas são ignoradas durante a verificação.	["table_to_skip"]
disable_check	Scan não é execução. Use esse parâmetro se quiser desativar somente o escaneamento freshness ou somente o escaneamento completeness.	true, false

Os parâmetros a seguir se aplicam somente à avaliação freshness:

Nome do campo	Descrição	Exemplo
event_timestamp_col_names	Lista de colunas de carimbo de data/hora que as tabelas em seu esquema podem ter. Se uma tabela tiver uma dessas colunas, ela será marcada como Unhealthy se o valor máximo dessa coluna for excedido. O uso desse parâmetro pode aumentar o tempo e o custo da avaliação.	["timestamp", "date"]
table_threshold_overrides	Um dicionário que consiste em nomes de tabelas e limites (em segundos) que especificam o intervalo máximo desde a última atualização da tabela antes de marcar uma tabela como Unhealthy.	{"table_0": 86400}
table_latency_threshold_overrides	Um dicionário que consiste em nomes de tabelas e limites de latência (em segundos) que especificam o intervalo máximo desde o último registro de data e hora na tabela antes de marcar uma tabela como Unhealthy.	{"table_1": 3600}
static_table_threshold_override	Quantidade de tempo (em segundos) antes de uma tabela ser considerada estática (ou seja, uma que não está mais atualizada).	2592000

O parâmetro a seguir se aplica somente à avaliação completeness:

Nome do campo	Descrição	Exemplo
table_threshold_overrides	Um dicionário que consiste em nomes de tabelas e limites de volume de linhas (especificados como números inteiros). Se o número de linhas adicionadas a uma tabela nas últimas 24 horas for menor que o limite especificado, a tabela será marcada como Unhealthy.	{"table_0": 1000}