1.1. 如今，随着企业不断吸纳海量数据，数据分析已逐渐演变成企业战略的基石。高质量数据的需求不断增长，这不仅给数据工程师、分析工程师以及数据分析师带来了压力，也赋予了他们新的挑战与机遇。
1.2. 数据的可信度是企业全体成员的共识，只有当每个成员都认同数据的可靠性时，才能实现真正的数据信任。
- 1.2.1. 这与运行了多少数据质量测试并无直接关系。
1.3. 团队通常以数据驱动决策，但在执行和扩展数据质量计划方面，数据团队往往承担着主要工作。
1.4. 数据质量不仅仅是构建更可靠的数据管道和设置数据新鲜度的服务等级协议（SLA）。
- 1.4.1. 数据质量既是一种技术流程，也是一种文化流程。
- 1.4.2. 关键不在于数据的完全准确性，而在于我们能在多大程度上信任这些数据。
1.5. 为了简化数据的获取和使用，使其更加可迭代，推广和普及数据的使用将大有帮助。
1.6. 像对待产品级软件一样认真对待你的数据，注重细节，追求卓越。
2.1. 过去几十年里，公司的数据大多被孤立在的信息孤岛中。
2.2. 分析团队服务于业务部门，但在决策制定和产品路线图方面，负责数据管道的团队常常被视为工人而非合作伙伴。
2.3. 数据不再是次要资产，而是公司的重要资源。
2.4. 将数据视为一种产品，注重其价值、质量以及用户体验。
2.5.
- 提高数据的可及性（确保在需要时能够快速提供数据）。
- 加强数据的推广和普及（简化操作流程，使更多人易于使用数据）。
- 加速投资回报率（更快地洞察数据价值）。
- 为数据消费者或团队节省时间。
- 提供更精确的洞察（如实验平台，以验证和优化数据）。
2.6. 重要特征包括：
- 可靠性及可观测性（确保数据始终如一地表现并可监控）。
- 可规模性（随着和需求增长，数据产品应具备扩展能力）。
- 2.6.2.1 例如，团队应能轻松应对增长的用户需求和数据量。
- 可扩展性（允许在不中断服务的情况下添加新功能或改进现有功能）。
- 易用性（提供优秀的用户体验，使非技术用户也能轻松使用）。
- 2.6.4.1 如SaaS产品注重为用户提供简单、直观的界面。
- 2.6.4.2 数据产品也需易于学习、操作以便快速完成任务。
- 安全性和合规性（保护数据安全，遵守相关法规）。
- 例如，违反监管规定可能导致严重后果。
- 发布规程和路线图（确保产品的持续演进和改进）。
- 包括定期更新、回顾并改进产品特性和功能。
- 为产品的未来发展和迭代提供清晰的方向。
3. 数据驱动着产品开发、支持高层决策以及营销活动的开展。
3.2 公司内部和外部的数据持续流动。这不仅是数据的流动，也是信息和知识的传递。
3.3 缺乏统一的数据解决方案和管理策略使得数据分析变得具有挑战性。
3.4 将数据视为产品是确保其质量和价值的关键。
3.5 数据即服务或输出是现代数据处理的核心理念。
- 3.5.1 这需要职能团队确保数据质量、可用性和性能。