Data Quality Is Poor（数据质量差）
知识库位置：
FDE Knowledge Base/09 Field Guides/04-Data-Quality-Is-Poor.md
Situation（情景）
Section titled “Situation（情景）”项目接入数据后发现：
- Missing（缺失）
- Duplicate（重复）
- Stale（过期）
- Wrong（错误）
- Conflicting（冲突）
- Poorly Labeled（标注差）
What It Usually Means（通常意味着什么）
Section titled “What It Usually Means（通常意味着什么）”不要马上说：
AI 做不了。
数据质量差需要进一步判断：
哪一种数据质量问题，对哪个业务目标有多大影响？
Diagnostic Framework（诊断框架）
Section titled “Diagnostic Framework（诊断框架）”从五个维度评估：
Completeness（完整性）Accuracy（准确性）Freshness（新鲜度）Consistency（一致性）Uniqueness（唯一性）Questions to Ask（该问什么）
Section titled “Questions to Ask（该问什么）”- 哪些字段真正关键？
- 缺失比例是多少？
- 错误集中在哪些时间段？
- 哪个系统最可信？
- 数据错误是否有业务规律？
- 当前人工流程如何处理这些错误？
Severity（严重度）
Section titled “Severity（严重度）”Low（低）
Section titled “Low（低）”不影响核心任务。
例如：
optional description missing（可选描述缺失）Medium（中）
Section titled “Medium（中）”部分 Case（案例）无法自动处理。
High（高）
Section titled “High（高）”核心判断依赖的数据不可靠。
Recommended Response（推荐应对）
Section titled “Recommended Response（推荐应对）”Step 1 — Identify Critical Data（识别关键数据）
Section titled “Step 1 — Identify Critical Data（识别关键数据）”不要试图修所有数据。
先问：
Which fields drive the decision?（哪些字段驱动决策？）Step 2 — Quantify（量化）
Section titled “Step 2 — Quantify（量化）”例如：
12% records missing account_id（12% 记录缺失账户编号）比：
数据质量不好
更有用。
Step 3 — Define Handling（定义处理方式）
Section titled “Step 3 — Define Handling（定义处理方式）”可以：
- Reject（拒绝处理）
- Impute（插补）
- Human Review（人工复核）
- Fallback（降级备选）
- Query Another Source（改查其他来源）
Step 4 — Establish Ownership（建立责任制）
Section titled “Step 4 — Establish Ownership（建立责任制）”数据问题必须有业务或数据 Owner（责任人）。
What NOT to Do（不要做什么）
Section titled “What NOT to Do（不要做什么）”不要：
- 把数据问题隐藏在 Prompt（提示词）中
- 用模型猜缺失字段
- 默认最新系统就是 Source of Truth（唯一事实来源）
- 一开始就发起大型「数据治理项目」
Decision（决策）
Section titled “Decision（决策）”如果核心 Use Case 只需要 5 个字段，而其中 4 个质量很好：
项目可能仍然能继续。
如果关键目标依赖大量不可靠数据：
应先解决 Data Readiness（数据就绪度）。