在上一期"数据丰富而洞察贫乏"中，我们讨论了采用平台方法在整个企业内最大限度地从投资中获益的好处。今天，我想谈谈在项目开始时对一致数据质量的需要，好评返现模板，以及作为一种持续的治理需要，以确保最后的数据质量成功。

旧的公理是"垃圾输入-垃圾输出"

当我们依赖数据的呈现和一致性来驱动复杂的分析和算法方法时，这会是多么真实？以汽车为例——即使汽车油箱中有微量的水，也不仅会立即导致发动机的迟钝或喘振，好的云服务器，还会对传感器造成长期的腐蚀或故障。

那么，在我们不断膨胀的数据世界中，我们该如何处理"燃料"？为了降低企业的成本，我们需要适当的治理和控制，以确保数据以干净完整的状态获取和存储。这可以采用必填字段的形式来指导人们进行数据输入，但当数据量接近数十亿条条目和工业规模的数据库时，该怎么办？

最好的策略之一就是去掉数据输入过程链中最薄弱的环节——人的环节！

利用M2M方法进行数据采集，大数据分享，大量数据可以高保真地从其感官输入移动到存储器中。使用直接连接的"隐藏"好处之一是，当分析确实显示数据异常时，云服务器设备，可以对所涉及的感官链做出某些假设。也许是回程网络中断或某些环境条件导致传感器出现故障？将人为因素从可能性列表中剔除，可以消除调查过程中的无数疑问。

在"垃圾"公理的另一端是输出——今天的复杂算法方法利用多维方程，在处理奇异错误的存在时，这些方程往往会扭曲结果数据点。数据输入错误、回程系统丢失、数据包错误或未解码都会导致数据负载异常。这些问题中的任何一个或所有都会导致分析结果不好。

怎样才能解决这个问题？首先，如果您仍在使用数据录入员或让工艺人员输入数据，请设置技术控制以强制执行数据录入参数和所需字段。如果您使用的是M2M方法，数据流从一个设备移动到另一个设备（M2M），您可以利用技术工具来监控和处理数据质量。考虑一下Hana sp9版本中的功能—智能数据质量有助于确保通过流正确监视和管理数据负载。。至少要意识到这些挑战，并监控数据跟踪的峰值或峰值，排除这些是一个开始，以更清洁的数据馈送和更好的结果。

无论你的方法-公理是一样的，有什么免费的云服务器，如果不是比以前更"垃圾进垃圾出"，所以要注意数据，否则你可能会被误导结果