# 数据质量

很多数据分析师和数据开发以为 AI 项目卡住，是模型不够聪明、Prompt 不够好。Meta 的 AI Storage Blueprint 提醒了另一件事：模型能不能发挥作用，取决于数据能不能稳定、及时、可追溯地喂进去。本文从普通数据从业者视角，拆解为什么数据链路比模型演示更早决定 AI 项目的上限。

很多数据分析师和数据开发上线指标、SQL、模型或同步任务前，只用几条干净样本测试，结果上线后才被历史边界数据打脸。Stripe 用 Apache Spark 做历史流量回放测试提供了一个启发：普通数据从业者也可以在上线前多重放 1 次真实历史数据，提前发现口径、异常和兼容问题。

很多公司做数据治理时会建指标字典、数据标准、血缘文档和质量规则，但业务仍然在群里问口径、导 Excel、临时找人解释。数据治理失败不一定是没人做，而是做完没有进入真实工作流。本文从一次治理项目复盘讲起，拆解治理没人用的 4 个原因和 3 个更小的落地入口。

很多候选人回答数据质量，只会背空值、重复、波动 3 类规则。但面试官真正想听的是：你怎么判断业务真的下滑还是链路出错，怎么定义影响面，怎么把规则放进数据链路，怎么处理业务责任。本文用一个面试现场拆解数据质量问题的 5 层回答方式，适合数据开发和数据分析师准备面试。

一次数据事故从周五晚上拖到周日，团队 48 小时修完任务、补跑数据、恢复看板，但复盘时才发现真正缺的不是告警，而是影响面、修复记录、责任边界和上线验证。本文用 5 个问题拆解数据事故复盘，帮数据开发和数据治理团队避免下次重复摔在同一个地方。

当领导突然要求建设高质量数据集，数据团队不能只把它理解成标注任务。真正可落地的高质量数据集，需要从业务场景、字段定义、样本边界、质量验收、版本管理和责任分工一起设计，否则很容易变成一个没人敢用的共享文件夹。遇到类似需求时，应该先问什么、留什么证据？

数据质量问题反复出现，很多团队第一反应是加监控和告警，但告警本身不能解决责任缺位。本文从空值、重复、延迟、口径变化和下游影响出发，拆解数据质量治理如何进入开发、发布和复盘流程。

产品说DAU是500万，运营说480万，市场说520万——然后所有人看向你。口径不一致是分析师最耗精力的问题：反复出现，永远解决不彻底。本文提供口径管理的系统方法，帮你从「救火队员」变成「标准制定者」。

数据地基系列第三篇：当两张报表数字对不上，谁能在30分钟内定位到是哪条ETL链路的哪个口径出了问题？数据血缘追踪能力——这项不写在简历上的稀缺技能，正是区分普通数据工程师和资深架构师的关键分水岭。本文通过真实排查场景，拆解这项能力的本质。

数据治理工程师入门路线图：理解数据治理的核心概念（数据质量、元数据管理、数据标准），掌握DAMA-DMBOK等主流框架，了解数据治理在企业数字化转型中的关键角色。面向希望进入数据治理领域的从业者，提供从0到1的系统学习路径和实践方法。

月薪3万的数据专家，日常工作却是清洗脏数据、处理口径不一致、对接业务方的无效需求——活脱脱的「数据垃圾分类员」。世界是个巨大的草台班子，数据人在屎山上雕花。本文直面数据从业者的职业错配困境，聊聊当改变不了「垃圾进」时，如何别让它「垃圾出」。