我们有时候有意无意的把一个问题复杂化，做结冰检测，其实就看风机的运行状态，就看它的出力和风速的关系，有没有一个持续的缓慢的下降，或者再综合其他的故障信息，就能把一个问题简化不少。

7、因陋就简：数据基础不健全，就轻易放弃

是不是数据基础不好，我就不要做大数据？对数据分析师来说，数据质量从来没好过。

我也接触过商业的数据，银行的数据，电信的数据稍微偏好一点，但是对我们数据分析师那种孜孜不倦的要求来讲，数据质量从来没好过，我是深有体会。

以前在境外做过一个城市管网的失效预测，预测一个地下水管网，明年哪个管子可能会坏？从数据的质量讲，客户非常自信，因为他的信息化水平大概领先于国内十多年。我需要最基本的管网的管件、管材管理，所处位置，地面的交通数据、环境数据，包括附近有什么建筑物，他的土地利用性质，还需要天气数据……他说这都有，一个地方政府能把每条道路的交通流量，每个地方土地使用性质附近有什么建筑物，包括最近有没有下雨，甚至整个管网的压力区，平均水压是多少都能给出来。

如果单个看，每种数据缺失都不太严重，数据完整度能到80%。但是一旦把这些因素关联起来，要建模型的时候，我要把管网本身的特性、土地使用性质、天气信息、土壤的酸碱度信息等综合来预测，这时候一一关联起来就发现，真的有完整数据的管道，不到30%。

这其实让客户非常震惊，数据集相互孤立着，有些字段偶尔缺一点也不明显，但是对数据分析来说，我要关联起来看，要横着看竖着看，所以我对数据质量的要求非常高。

从我们数据分析来看，其实数据基础健不健全都是相对的，有些数据分析发现的数据缺失，也是帮助信息化建设来把它不断的补全的一个过程。有什么样的数据做什么样事，哪怕数据不全，也可以从简单的做，从容易的做，从基础比较好的地方做。

任何一个正常的科学技术都是有边界的，工业大数据作为一个技术，肯定有适用和不适用的范围。

如果大家在现实中遇到什么场景，昆仑数据的数据分析师愿意和大家一起探讨，看看这个问题应该怎么定义，用数据能不能解，欢迎大家和我们互动。