吉宁博士观点
一位前途看好的高管将向公司高层作重要产品的分析报告。在准备过程中，她发现市场份额数据不对劲，于是马上请助理进行核对，结果发现市场研究部提交的数据有误。她随即作了修改，一场灾难得以避免。报告非常顺利，她心情大好，当即发给助理一笔奖金，并说道：“数据复核是我们的必修课。”但没人想到把此事反馈给市场研究部，遑论与对方合作改善数据质量。
我在几十家公司担任过数据医生，曾目睹这类故事反复上演。在电信公司，维修部受困于客服部提供的错误地址信息；在金融服务公司，风险管理部需要核对大量贷款材料细节；在医疗企业，患者临床信息的缺失增加了医生的工作难度。的确，数据质量难题无处不在，困扰着每一个行业、每一个部门。
与上述例子中的高管一样，与错误数据打交道已经成为员工日常工作的一部分。这是企业的一项巨大开支。研究表明，知识型员工50%的工作时间用于搜索数据、发现并改正错误，以及复核可疑数据。
一旦有漏网之鱼，企业可能深受其害：错误的化验数据可能危及病人生命；产品规格不清晰，可能使制造成本增加数百万美元；财务报告中的漏洞则可能搅黄一笔最好的投资。数据错误可能给企业声誉带来灾难性影响，2012年秋沸沸扬扬的苹果地图事件即是一例。
如果数据质量堪忧，管理者会在制定和实施战略时转而依赖直觉。在这种心态下，管理者往往不易接受反直觉的大数据分析结果，从而错失重要战略信息。
50年前，计算机界有了“垃圾进，垃圾出”的说法，而数据质量难题到今天仍未解决。但我认为，解决之道可能比预想的简单。问题的症结不在于技术，而在于数据提供者与使用者之间的沟通。最重要的是，企业必须意识到，IT部门并不对业务流程负责，因此无法从根本上改善数据质量；管理者必须真正对数据质量负起责任，这正是他们的职责。
供需方直接沟通
数据提供者固然对质量直接负责，但使用者也需评估数据是否可用。因此，生产环节和应用环节对数据的质量和最终效用同等重要。如果使用者认为数据质量低劣，他们通常会绕过该数据，或自己动手纠错。
但只靠单打独斗不可能系统地解决数据质量问题。数据提供者和使用者必须建立联系，共同找出问题根源，设计整体改善方案。因此本文开头所述那位高管的行为不可取：首先，因为她没有通知市场研究部，错误数据还在公司中蔓延；其次，她的专业资质不够，却自行修改了数据。
好消息是，数据提供者和使用者只需简单沟通，数据质量就能显著提升。我曾多次听到数据分析师说：“我们不知道有人需要这组数据，因此没投入太多精力。现在我们知道它很重要，下次包你满意。”提升数据质量最简单有效的方法，就是让数据提供者了解数据的流向和使用方式。
对企业管理者更大的好消息是，解决大部分数据质量问题，并不需要引进新技术或重新设计流程。在处理复杂问题时，规范化数据采集、自动控制，以及六西格玛等管理工具无疑会发挥作用，但只要数据提供者和使用者加强沟通，问题往往能解决大半。
纠错从源头开始
一旦发现数据质量堪忧，企业的第一反应通常是大规模清理错误数据。更好的方法是，找出系统性漏洞，从源头上保证数据的可靠性，之后再进行规模化清理。
以市值2300亿美元的能源巨头雪佛龙为例，虽然该公司钻探部使用符合行业标准的数据采集系统，进行钻探评估、新井开采筹划，以及安全项目设计，然而数据不足的情况依然经常出现。例如，管理者无法从数据中获知能否在预算内完成钻探工作。公司随即开始清理关键的油气井数据，但管理层很快意识到，这项工程将耗时5年，如果不改变思路，未来5年的数据质量不可能有根本好转。
于是公司请来资深数据管理专家妮基·张（Nikki Chang），牵头成立新的数据管理小组。在妮基看来，公司必须向前看。“数据清理不会增加价值，”她说，“公司很有钱，但并非多到没处花。”妮基首先重新制定了数据质量评价标准。“之前，如果1份数据中有1处数字错误，另外9处正确，那么这份数据可以打90分，”她说，“但新规矩是，只要有一个错误，这份数据就是零分。新的评价体系让我们清楚地看到，公司数据管理的确存在大问题。”
为减少零分数据，妮基和团队提出两项要求。“第一，要化繁就简，”她说，“第二，业务单元必须迅速改进。”同时她强调要大处着眼，寻找问题根源：“我不会为偶发错误惩罚谁，至少开始时不会。”
她为业务单元设定的具体目标是，新井基础数据一次性准确率当年达到95%，第二年达到100%。“大多数部门经过努力可以实现这个目标，”妮基说。所有数据质量情况都公开在计分表上，“大家都看得到，可以通过对比，对自己的表现有更直观的了解。”
由于妮基没有框定具体的操作方式，业务单元各自使用了合适的方法，如每日数据总结会、精益西格玛（Lean Sigma）、内部竞赛等。“雪佛龙的员工很有创造力，绝不甘居人后，”妮基说，“如果他们认同某个目标，一定会千方百计实现它。”
大多数部门的表现证实了妮基的评价：8个月后，15个业务单元中的13个完成了准确率95%的目标，另外2个也在按部就班地努力。公司取得的成果令人惊艳。据我的经验，只要方法得当，大多数公司可以做得同样好。
直线经理负责制
企业内部通常缺乏数据提供者和使用者之间的沟通机制。例如，财务部只管出具业绩报告，却不了解其他部门的具体需求，如客服部可能需要更详细的相关数据以解决投诉问题。
如果数据质量问题愈演愈烈，企业通常要求IT部承担改进任务，并成立特别小组统一领导。IT部与各业务单元都有交集，让IT牵头似乎合情合理，但事实证明这往往是下策。我认为原因在于，低质量数据并不直接出自IT部。IT可以在数据提供者和使用者之间沟通协调、四处救火，但无法改进业务流程，因此只能治标不治本。
此外，IT部也没有全力以赴的动力。高质量数据会提升产品、服务和决策质量，业务部门获益最大，IT部却好处不多。如果数据质量低劣拖累公司表现，业务部门将不得不面对愤怒的客户和股东，IT部则体会不到这种痛苦。
明智的做法是，让数据提供者和使用者都对数据质量负责。我接触过的IT人普遍认为“业务部门对数据最终负责”，一旦认识到这点，企业会很快作出相应调整。莉兹·基希尔（Liz Kircher）是芝加哥投资研究机构晨星（Morningstar）的前任数据业务总裁，如她所说：“技术部不应负责数据，好比研究部不会涉足技术，它们有各自的价值。”
对大多数公司，重塑数据质量管理的最大障碍是管理者拒绝承认数据质量存在问题，或对低质量数据束手无策。公司内部或许会有人寻求改变：某位中层管理者终于忍无可忍，在局部着手改善数据质量，并可能取得一定成果；但由于她积极性不足或权限不够，变革只能局限在小范围，优质数据无法在整个组织内共享。
要想突破瓶颈，公司高层必须介入。在20年前发表于《哈佛商业评论》的名篇《美国制造：品质的复兴》（“Made in U.S.A.: A Renaissance in Quality”）中，约瑟夫·朱兰（Joseph Juran）指出，领导者应对质量直接负责。虽然朱兰讨论的是制造业，但这个观点对数据管理同样有效。面对数据质量问题的严峻挑战，领导者必须站出来承担责任。（译/王晨 校/陈晨）
托马斯·雷德曼是Navesink咨询集团总裁，著有《数据驱动》（Data Driven: Profiting from Your Most Important Business Asset，《哈佛商业评论》出版社，2008年）。他曾为本文中提到的部分公司提供咨询。
