数据驱动业务发展的关键是数据质量和数据分析的合理性

越来越多公司重视IT系统在企业经营管理中的重要性，所以，“数据驱动”企业经营管理成为一个热门的话题。

 

举个例子，数据驱动的风控管理体系，建立一个风控管理模型，根据输入的数据来自动进行风险决策。从而代替人工决策，一方面保障了风险决策的客观性，另一方面可以大大提高风险决策的高效性。这看起来是一个理想的风险管控方式，但是，这里有一个很重要的问题不容忽视，一旦数据质量出现问题，这一切就会变成无效的，甚至出现决策失误。所以，数据质量的保障就显得尤为重要。

数据质量的故障难以像程序故障一样快速定位和修复，它会持续蔓延，对下游产生影响。

而且，数据作为智能决策的输入，数据本身是动态变化的。它不像代码一样可以做静态分析。

 

数据分析的合理性。有一种现象，数据分析工作者只具有数据分析的能力，掌握了数据分析的方法和工具，但并不具备行业基本知识。这时，数据分析工作者得出的数据指标的相关性到底是不是真的相关？ 这个相关性是真的存在，还是偶然的巧合？这是一个很容易被大家忽略的问题。如果这个相关性本身经不起推敲，它有如何来指导我们的工作呢？

数据指标的相关性，并不能得出结论说他们之间互为因果。我们需要通过因果分析的方法，为数据之间的相关性提出符合业务逻辑和商业逻辑的解释，甚至要借助科学实验，来验证数据分析的结论。

 

数据预测不是万能的。有些人把一些很难预见或很难判断的问题，幻想通过预测算法来解决。比如，新型冠状病毒COVID-19的出现是很多人始料未及，对它的危害程度和影响范围，也没有做出很好的判断和预警。有人就想，是不是有算法可以预测下一次类似传染病到来的时间和危害程度。这里面存在太多的不确定性因素，是很难通过算法来预测的。

算法的成功落地应用，不仅需要合适的模型，还需要大量多维度的数据，更关键的是要有一个算法工程体系。