數據清洗是數據分析過程中最基礎的工作，也是最累、最繁瑣的部分，不像數據挖掘、數據分析看起來那麼光鮮，做起來枯燥乏味。當然，這也與數據清洗工具的自動化程度不高，需要人肉去完成大量的ETL開發工作有極大的關係。爲了改善這種局面，可以讓ETL工程師減少重複性的編碼工作，將更多的精力投入到數據分析當中，更加有效地發揮人的聰明才智，提升數據價值。下面是加入了“智能化”元素的數據清洗流程圖。
- 構建數據質量探查規則。傳統的數據質量分析（或探查）是需要人工分析數據字典、數據內容後，設計並配置相關的質量分析規則，包括完整性、唯一性、一致性、有效性、準確性等幾個方面。這個過程費時費力，因此一般清洗前的數據質量分析都是手工完成的，由工程師根據經驗編寫SQL腳本完成分析。上面流程中的“生成數據質量探查規則”，可以根據源庫的數據結構、數據字典、數據標準等，利用挖掘算法（語義分析、聚類算法等），識別出業務主鍵、業務關鍵字段、字段含義等，匹配內置的質量檢查規則模板，自動生成所有表的質量探查規則。經人工檢查完善後配置到系統中，形成數據質量探查任務；
- 數據質量報告。執行數據質量探查任務後生成報告，報告包括兩方面的內容，一是對規則的滿足情況，比如，某張表的某個字段有N條記錄違反了完整性約束等；二是對字段數據的值域分析，用常見的統計算法描述，包括最大值、最小值、平均值、空值等。
- 構建數據清洗任務。系統可以根據數據質量規則與數據質量報告，自動構建出合適的清洗任務腳本和清洗流程，除了常見的去重、去空之外，隨着對行業瞭解的不斷加深，也可以將諸如編碼自動補齊等規則加入，比如，企業異常名錄中缺少統一信用代碼，可以自動從法人表中獲取並補齊。
- 數據質量標籤。數據清洗不能把所有問題數據都進行修正，對於不能修正的問題數據，將以標籤的形式記錄下來，比如，A字段存在空值、格式不正確等問題，一方面是爲了記錄問題，另一方面也就爲了支撐不同應用場景下的數據分析，根據需求對問題數據進行過濾或其它處理。
上述幾個步驟當中，最關鍵的就是構建質量規則，需要通過對元數據、數據字典等內容的分析挖掘，將字段與預置的規則進行自動匹配，識別的效果除了算法的性能之外，還與字段含義、規則模板等的沉澱有關係，後者往往決定了生成規則的實用性。