数据准确性是数据人的生命线，是数据人的能力体现。文章结合案例，对数据准确的重要性进行了总结。

如果有一件事情是数据人必须捍卫到底的，那就是数据准确性。

数据不准，意味着做数据的人和团队不靠谱，一旦被打上不靠谱的标签，翻身可就难了。如果，因为错误的数据，管理层做出了错误的业务决策，责任就更大。数据不准，数据人的里子、面子都没了，所以数据人错不起。

虽然数据不准的理由万万千，但数据不准的责任由数据人来担，因为是我们在输出数据。数据不准，我们寸步难行。数据不准可能是因为上游业务系统出问题，也可能是数据人自己没注意，也有可能是故意而为之。但不管哪种原因，因为数据是数据人提供的，首先被追责的还是数据人。

案例1：明目张胆的数据造假

由于系统的各种历史原因，指标无法准确计算。比如点击率=点击/曝光，但点击的数值采集了8个页面，曝光只采集了5个页面。

如果分子、分母都只计算5个页面，对业务来说，明显少算了自己的业绩，他们肯定不乐意。

如果把分母中少了的3个页面的曝光加上去，当然更好，但大家盘了一下，发现技术、数据上下游好长一串要改动，一时半会驱动不了这么多资源，只能歇菜。

如果不做调整，直接按现有的数据计算，分子是8个页面的点击，分母是5个页面的曝光，则会出现大量点击率大于100%的情况，在很多业务场景都无法解释。

然而聪明的业务负责人，出了个招，分子依然是8个页面的点击，分母改为5个页面的曝光+8个页面的点击，这样一来不需要向大家解释为什么点击率超过100%，二来业务目标本来就是转化率越高越好，高说明自己的业务做的很棒，5个页面的曝光+8个页面的点击明显小于5个页面的曝光+3个未打点页面的真实曝光。

这支聪明又超有执行力的团队真的这么干了，一系列指标火速上线。上线后，由于这些是常用指标，和大量已有相关指标冲突，比如曝光在这个报表里看是50，在那个报表里看是80，数据被群起围攻求解释。

这是一起很恶劣的数据造假事件。事后复盘时，那位聪明人竭力否认自己干过这样的事。数据团队则认为自己很无辜，这是业务做的决策。但是数据团队只能抗下责任，因为指标是数据团队开发的。

案例2 ：业务没抓手，那就看收据口径有没问题

某业务团队的KPI是买家数的增长，但团队耗尽脑力，没想出来好的业务抓手，怎么办？

这个团队的业务leader是数据背景转行的，给大家支了个招。大家盘点下数据口径，怎么样定义买家，是不是有些应该被算进来的，却被遗漏了？比如怎么定义注册，是否一定要注册？

然后整个业务团队的人天天都坐在数据团队办公，但数据团队没有人愿意支持这个业务团队。

如何确保数据准确性？

高智商的人故意犯错很可怕。就跟懂法的人利用法律的漏洞违法是一个意思。

当前，数据团队面临的数据准确性的挑战，不但有数据团队内部的原因，系统上下游的原因，也有来自业务的各种挑战。但数据准确性是我们的底线。底线破，做的再多都于事无补，甚至越做越错。

我们该如何捍卫自己的底线？渔歌的策略有三：

（1）数据准确性首先是一种态度，所以向大家明确表达态度。让业务、管理层认识到这个数据团队的人挺认真、挺靠谱，这就是一种声音透传，所以适当的时候强势捍卫，数据需要精准的时候必须做到100%精准，无法精准的时候说明为什么无法精准。

渔歌也遇到过对数据准确性没太高要求的数据人，当其他同学已经明确表达由于系统原因，数据准确性可能只有80%，不建议大量应用时，这位数据负责人说这个问题让业务来判断，数据怎么用，由业务负责。这家伙肯定没有吃过数据不准确的亏，不管什么原因，数据的兜底永远都在数据人手上，指望别人兜底太过天真。

（2）确保数值的准确性。这是数据人的专业，也是我们必须坚守和捍卫的基线。比如数据是否做了清洗，清洗的逻辑是否合理，比如是否需要去重、是否做去了重，数据是否有缺失、上游产系统的数据回传是否正常，是否做了预警监控等等。这是我们在加工、应用数据时，必须做好的检查和准备，来确保数据是准的。做为负责具体业务域的数据人，如果对该业务域的数据是否正常都不能有所判断，也是很可怕的事。

（3）让数据描述准确：数据描述分二个层面：