系列文章目录：《组织基因、利益格局与系统驱动——数字化变革的底层逻辑》

一节我们讲了数字化买不来中后台能力。这一节，我们来讲其中一个最基础、也最容易被忽视的能力：数据治理。

这一节我会分五个部分来讲：

• 先讲一个例子，说明数据不准的时候，系统算出来的东西有多离谱。

• 再讲一个经典理论——Garbage in, Garbage out，说明数据质量是一切的前提。

• 然后讲数据治理的三个核心：准确、及时、完整。

• 接着讲为什么数据治理这么难——它不是技术问题，是人的问题。

• 最后讲一个我们自己的教训，以及怎么一步一步把数据洗干净。

一个例子：系统很聪明，数据很蠢

先讲一个例子。

有一家零售企业，上了很先进的需求预测系统。系统用了最新的AI算法，花了大几百万，号称能精准预测每个门店每天的销量。

上线第一个月，系统预测的结果偏差很大。大家觉得可能是磨合期，正常。第二个月，偏差更大。第三个月，运营部门的人直接把系统关了，说“还不如我用Excel拍脑袋准”。

老板很生气，问技术团队：系统是不是有问题？

技术团队查了很久，发现系统没问题。问题出在数据上。

库存数据不准。门店卖了货，有时候当天录入，有时候隔两三天才录入。系统以为某天销量是零，实际卖了几十件。销售数据不全。线上线下的数据没有打通，线上的订单，线下的系统看不到。客户数据重复。同一个客户，在系统里有三条记录，三条记录的信息还不一样。

系统很聪明。但系统吃进去的是脏数据，吐出来的就是脏预测。再聪明的算法，也救不了垃圾数据。

这就叫：Garbage in, garbage out。进去的是垃圾，出来的也是垃圾。

一个经典道理：地基不牢，上面全是空中楼阁

数据治理有一个经典的比喻。

你盖一栋楼。地基没打好，上面装修得再漂亮，也是危楼。数据治理就是地基。所有数字化的东西——BI报表、AI预测、自动决策——都盖在这块地基上。地基不牢，上面全是空中楼阁。

可惜的是，大多数公司做数字化的时候，都把精力花在了“上面”——系统选了哪个品牌、算法用了什么模型、报表做了多少张。地基没人管，因为地基不性感。老板不会因为“我们把数据录准了”而表扬团队，客户不会因为“我们的数据很干净”而多下单。于是数据治理就成了姥姥不疼舅舅不爱的苦活、累活、没人愿意干的活。

但地基不打好，上面盖什么都白搭。这是最朴素的道理，也是最容易被忽略的道理。

数据治理的三个核心

数据治理到底在治什么？简单说就是三件事。

第一，数据准不准。

库存数据准不准？系统里显示还有50个，实际仓库里有没有50个？销售数据准不准？今天卖了多少，系统里记录了多少？客户数据准不准？客户的地址、电话、会员等级，对不对得上？

数据不准的原因有很多。录入错误、漏录、重复录、格式不统一。但最根本的原因只有一个：没有人对数据的准确性负责。

采购录入错了，没人追责。仓库盘点错了，没人追责。门店漏录了，没人追责。没人负责，数据就不会准。数据不准，系统就不会准。系统不准，大家就不用。大家不用，数字化就失败了。

第二，数据及时不及时。

数据准，但晚了，也没用。

门店早上卖了货，隔两天才录入。系统以为这两天库存没动，就不会补货。等库存真的空了，来不及了。运营部门要做周报，销售数据还停留在上周三。他们只能自己手工补，补着补着就乱了，数据就再也对不上了。

数据不及时，本质上是一个流程问题。你规定“当天必须录入”，但制度没有约束力。你不录，也没人管。你录晚了，也没人说。于是大家都觉得“晚一两天也没事”。结果就是系统里的数据永远是“过去时”，不是“现在时”。

第三，数据完整不完整。

数据准了，也及时了，但不全，也不行。

线上线下数据没打通，线上会员的消费记录，线下系统看不到。不同区域的数据格式不统一，A区用“男/女”，B区用“M/F”，合并分析的时候乱成一锅粥。历史数据缺失，去年三个月的数据丢了，你跟今年同比，比不了。

数据不完整，本质是一个架构问题。你一开始没有设计好数据标准，后面就永远在补窟窿。

为什么数据治理这么难

数据治理难，不是因为技术难。数据清洗的工具很多，数据治理的平台也很成熟。技术问题，花钱都能解决。

数据治理难，是因为它不是技术问题，是人的问题。

录入数据的是人。销售顾问忙了一天，下班前还要录数据，他烦不烦？烦。他能不能录准？能。他愿不愿意？看心情。没人盯着，他就随便录。有人盯着，他可能也随便录，因为他觉得数据不重要。

核对数据的是人。仓库盘点，发现账实不符，谁的责任？运营说采购的问题，采购说仓储的问题，仓储说门店的问题。最后不了了之。没人愿意认错，也没人愿意背锅。

使用数据的是人。运营部门觉得系统数据不准，就自己搞一套Excel。Excel录着录着，就跟系统数据对不上了。问他为什么不用系统，他说“系统不准”。问他系统为什么不准确，他说“数据不是我录的”。

数据治理，本质上是在跟“人的惰性”和“人的本位主义”作斗争。你不设计一套机制，让“录准数据”这件事对每个人都有好处，让“录错数据”这件事对每个人都有代价，数据就永远干净不了。

我们自己的教训

我们公司在这件事上，是有教训的。

数据不准最严重的时候，采购部门不敢用系统下单，因为他们不知道系统里的库存数据是真的还是假的。运营部门不敢用系统做预测，因为他们知道系统里的销售数据不全。财务部门月底对账，经常发现系统里的数据跟实际对不上，要花好几天人工核对。

我们曾经想过一个办法：上一个更贵的系统，功能更强的系统。但后来想明白了，这不是系统的问题。系统再强，也解决不了“门店录错数据”的问题。你不可能在每个门店装一个摄像头，盯着店员录数据。你能做的，是设计机制。

后来我们做了三件事：

第一，谁录入谁负责。 数据录错了，追溯到人。第一次警告，第二次扣绩效。不是要罚谁，是要让大家知道：数据不是“随便填填就行”的东西。

第二，谁使用谁监督。 运营部门发现数据不准，有权驳回，要求重新录入。驳回的次数，计入数据提供部门的考核。这样，用数据的人也有了监督的动力，因为数据不准直接影响他自己的工作。

第三，把数据质量纳入KPI。 每个部门的数据准确率、及时率、完整率，每个月打分，跟奖金挂钩。不是做个样子，是真扣真奖。

这三件事做了一年，数据质量才慢慢好起来。很慢，但有效。没有捷径。

一个总结

回到这一节的问题：数据治理，地基不牢，上面全是空中楼阁。

数据治理不是什么高深的东西。它做的就是三件事：让数据准一点、快一点、全一点。

但它难在：这不是技术问题，是人的问题。不是买套系统能解决的，是每天、每笔、每个人一点一点抠出来的。

没有捷径。谁告诉你数据治理可以速成，谁就是在骗你。