图8.10　数据质量的评价维度

准确、完整、及时，这6个字，看似简单，却能凭其立刻判断出企业信息化水平的高低。有的企业，业务数据的采集主要由人工录入来完成，其所能采集的数据量非常有限，采集的数据恐怕连业务的1%都不到，怎能反映业务运行的全貌？有的企业，库存收发数据的录入要次日才能完成，其及时性怎能满足计划和调度的要求？有的企图8.10　数据质量的评价维度

准确、完整、及时，这6个字，看似简单，却能凭其立刻判断出企业信息化水平的高低。有的企业，业务数据的采集主要由人工录入来完成，其所能采集的数据量非常有限，采集的数据恐怕连业务的1%都不到，怎能反映业务运行的全貌？有的企业，库存收发数据的录入要次日才能完成，其及时性怎能满足计划和调度的要求？有的企业，财务月结和报表要次月底才能出具，谈何支持企业决策？更不要说“garbage i，garbage out”之类有关数据准确性的老生常谈。如此种种，都与业务数据的准确性、完整性和及时性等数据质量问题息息相关。

物联网、人工智能、大数据等技术的成熟应用，可以帮助企业大大提高数据在准确性、完整性和及时性方面的质量问题。物联网可以实时、自动地采集产品使用、设备运行、环境状态、物料位置等数据，人工智能可以识别语音、图形、影像等数据，网络爬虫、文本挖掘可以大大提高企业对非结构化数据的采集和加工的效率。即使有这些技术做支撑，业务的数据化，以及数据的准确、完整和及时是企业信息化建设中永远走不完的“长征”。

（2）信息

数据的信息化，就是在一定的时间和空间下，将数据与企业中的业务对象，比如客户、渠道、产品、流程、组织、人员、设备等，进行关联，换句话说，特性背景下具有相关性内涵的数据就是信息。

数据+关系（Relatioship/Relevace）=信息

在数据转化为信息的过程中，如何识别强相关性，如何排除数据中的“噪声”，是非常重要的，否则信息的质量就将大打折扣。换句话说，判断信息质量的主要标准就是其相关性。举例来说，如果要评价一个企业的销售业绩，单看其销量增长是不够的，更要看其市场占有率的增长。如果一家企业的当月销量比上个月增长了10%，这似乎业，财务月结和报表要次月底才能出具，谈何支持企业决策？更不要说“garbage i，garbage out”之类有关数据准确性的老生常谈。如此种种，都与业务数据的准确性、完整性和及时性等数据质量问题息息相关。

物联网、人工智能、大数据等技术的成熟应用，可以帮助企业大大提高数据在准确性、完整性和及时性方面的质量问题。物联网可以实时、自动地采集产品使用、设备运行、环境状态、物料位置等数据，人工智能可以识别语音、图形、影像等数据，网络爬虫、文本挖掘可以大大提高企业对非结构化数据的采集和加工的效率。即使有这些技术做支撑，业务的数据化，以及数据的准确、完整和及时是企业信息化建设中永远走不完的“长征”。

（2）信息

数据的信息化，就是在一定的时间和空间下，将数据与企业中的业务对象，比如客户、渠道、产品、流程、组织、人员、设备等，进行关联，换句话说，特性背景下具有相关性内涵的数据就是信息。

数据+关系（Relatioship/Relevace）=信息

在数据转化为信息的过程中，如何识别强相关性，如何排除数据中的“噪声”，是非常重要的，否则信息的质量就将大打折扣。换句话说，判断信息质量的主要标准就是其相关性。举例来说，如果要评价一个企业的销售业绩，单看其销量增长是不够的，更要看其市场占有率的增长。如果一家企业的当月销量比上个月增长了10%，这似乎是不错的，但如果全行业当月销量的平均增长在15%，那其实这家企业的销售业绩是比较差的。其背后的原因就是，相比销量增长，市场占有率的增长与销售业绩的相关性更高。

由于采取相关性不强的信息，很有可能导致企业做出错误的推测和决策。21世纪初，美国的次债危机就是因为采用了相关性不强的信息来做金融决策所导致的后果。为此，纳特·西尔弗（Nate Silver）写了一本专著《信号与噪声》，来描述采取质量或相关性低下的信息来做决策所导致的灾难，这就牵涉对数据的下一个生命周期阶段——知识的理解和掌握，因为对信息的掌握还不足以支持企业的决策行为。

（3）知识

信息的知识化，即如何识别信息背后的范式或规律（Patter），这种范式主要指的是事物之间的因果关系。

前几年，流行一本有关大数据的书，大意是大数据预测不用考虑因果关系，只需掌握相关性即可，这其实是对人们的误导。相关关系和相关关系不是绝对的，其差别是概率。在笔者看来，概率高的相关关系就是因果关系。另外，对外部市场的分析可以只考虑相关关系，但对企业内部运营的分析则一定要做到因果关于，这样才有可能找到消除经营和管理过程中不确定性的途径。

在实际工作中，笔者经常被问起类似这样的问题：如何对业务数据或报表进行深入的分析？就属性而言，信息大概有两类，一类是表示原因的，另一类是表示结果的。信息的知识化，就是要将信息进行是不错的，但如果全行业当月销量的平均增长在15%，那其实这家企业的销售业绩是比较差的。其背后的原因就是，相比销量增长，市场占有率的增长与销售业绩的相关性更高。

由于采取相关性不强的信息，很有可能导致企业做出错误的推测和决策。21世纪初，美国的次债危机就是因为采用了相关性不强的信息来做金融决策所导致的后果。为此，纳特·西尔弗（Nate Silver）写了一本专著《信号与噪声》，来描述采取质量或相关性低下的信息来做决策所导致的灾难，这就牵涉对数据的下一个生命周期阶段——知识的理解和掌握，因为对信息的掌握还不足以支持企业的决策行为。

（3）知识

信息的知识化，即如何识别信息背后的范式或规律（Patter），这种范式主要指的是事物之间的因果关系。

前几年，流行一本有关大数据的书，大意是大数据预测不用考虑因果关系，只需掌握相关性即可，这其实是对人们的误导。相关关系和相关关系不是绝对的，其差别是概率。在笔者看来，概率高的相关关系就是因果关系。另外，对外部市场的分析可以只考虑相关关系，但对企业内部运营的分析则一定要做到因果关于，这样才有可能找到消除经营和管理过程中不确定性的途径。

在实际工作中，笔者经常被问起类似这样的问题：如何对业务数据或报表进行深入的分析？就属性而言，信息大概有两类，一类是表示原因的，另一类是表示结果的。信息的知识化，就是要将信息进行分类，并进而在“原因类”信息和“结果类”信息之间找到或建立因果的逻辑关系，这就需要用到两种分析技术：描述性分析（Descriptive Aalytic）和诊断性分析（Diagostic Aalytic），尤其是后者。

描述性分析主要讲的是发生了什么？其内容包括噪声监测、数据簇或样式划分、数据分布、均值和标准差分析等，这需要有大量的统计学知识做支撑。

诊断性分析则是描述性分析的进一步深化，它探求的是事情是怎么发生的，为什么会这样发生，亚里士多德的“四因说（形式因、质料因、动力因、目的因）”可以援为理论指导，鱼骨图分析则可以作为一个工具支持。

描述性分析关注的是事物的What、Who、Whe、Where和How May/Much，诊断性分析则还进一步关注事物的Why和How。

由图8.11可知，信息向知识的转化，其实就是描述性分析进而诊断性分析的应用过程。非常可惜的是，很多企业对数据的应用，至多到描述性分析阶段后就没有深入下去或深入不下去了，其信息化建设的成效也就可想而知了。分类，并进而在“原因类”信息和“结果类”信息之间找到或建立因果的逻辑关系，这就需要用到两种分析技术：描述性分析（Descriptive Aalytic）和诊断性分析（Diagostic Aalytic），尤其是后者。

描述性分析主要讲的是发生了什么？其内容包括噪声监测、数据簇或样式划分、数据分布、均值和标准差分析等，这需要有大量的统计学知识做支撑。

诊断性分析则是描述性分析的进一步深化，它探求的是事情是怎么发生的，为什么会这样发生，亚里士多德的“四因说（形式因、质料因、动力因、目的因）”可以援为理论指导，鱼骨图分析则可以作为一个工具支持。

描述性分析关注的是事物的What、Who、Whe、Where和How May/Much，诊断性分析则还进一步关注事物的Why和How。

由图8.11可知，信息向知识的转化，其实就是描述性分析进而诊断性分析的应用过程。非常可惜的是，很多企业对数据的应用，至多到描述性分析阶段后就没有深入下去或深入不下去了，其信息化建设的成效也就可想而知了。图8.11　诊断性分析

（4）洞察

如果说从数据到信息，从信息到知识，其关注的是过去，是企业中已经发生的事情；而从知识到洞察，则是关注企业的未来，即企业即将可能发生的事情，或者说是对未来的预测和判断，其主要应用形式是预测性分析（Predictive Aalytic）和规则性分析（Prescriptive 图8.11　诊断性分析

（4）洞察

如果说从数据到信息，从信息到知识，其关注的是过去，是企业中已经发生的事情；而从知识到洞察，则是关注企业的未来，即企业即将可能发生的事情，或者说是对未来的预测和判断，其主要应用形式是预测性分析（Predictive Aalytic）和规则性分析（Prescriptive