Før du regner på en talkolonne, betaler det sig at forstå den. To enkle spørgsmål bringer dig langt: hvor mange forskellige værdier er der i kolonnen, og hvor findelte er dine data overhovedet? Det første handler om kardinalitet, det andet om granularitet. Begge hører til i “forstå data”-delen af analyseprocessen, og begge afslører hurtigt, om data er, som du tror.
Kardinalitet: hvor mange unikke værdier?
Kardinaliteten af en kolonne er ganske enkelt antallet af entydige, unikke værdier i den. En kolonne med køn har kardinalitet 2, en med måneder har 12, en med EU-lande har 27. En kolonne med kunde-ID har lige så mange unikke værdier, som der er rækker, for hvert ID optræder kun én gang.
Det lyder banalt, men kardinaliteten er et af de hurtigste værktøjer til at forstå og kvalitetstjekke dine data. Den fortæller først noget om datatypen: en kolonne med lav kardinalitet er typisk kategorisk (nogle få faste kategorier), mens en kolonne, hvor næsten hver værdi er unik, ofte er en nøgle eller en kontinuert måling. Og vigtigst af alt afslører den fejl. Forventer du 2 køn, men kolonnen har 5 unikke værdier, gemmer der sig varianter som “Mand”, “mand” og “M” eller tomme felter, altså præcis den slags forklædte huller, du kender fra Manglende data. Og har det, der skulle være en unik nøgle, færre unikke værdier end antal rækker, så er der dubletter, du skal have styr på, før du tæller noget som helst.
Granularitet: hvor findelte er dine data?
Granularitet handler om detaljeringsgraden. Er din tidsserie registreret på et præcist tidsstempel, pr. dag eller kun pr. måned? Er omsætningen opgjort på hver enkelt transaktion, pr. produkt eller kun pr. produktgruppe? Jo finere opdelt, jo højere granularitet.
Valget af niveau er en afvejning. Høj granularitet giver mest detalje og de bedste muligheder for at grave i data, men koster mere plads og regnekraft og er sværere at kommunikere: ingen ledelse vil se en tabel med en million transaktioner. Lav granularitet giver overblik og et klart budskab, men skjuler det, der sker inde i tallene. En vigtig pointe minder om den fra skalaerne: du kan altid aggregere op, altså samle fine data i grovere kategorier (det er en form for berigelse), men du kan aldrig gå den anden vej og genskabe en detalje, du ikke har indsamlet. Derfor er det klogt at gemme data på det fineste niveau, du realistisk kan, og så aggregere op, når du kommunikerer.
Kort sagt
Kardinalitet og granularitet er to hurtige spørgsmål, der giver et overraskende godt greb om dine data, før du overhovedet begynder at regne. Kardinaliteten (antal unikke værdier) afslører datatypen og fanger fejl og dubletter. Granulariteten (detaljeringsgraden) afgør, hvor dybt du kan grave, og hvor let du kan formidle. Tjek dem tidligt, så bygger du din analyse på et fundament, du faktisk forstår.