数据质量监控，是企业 AI 问数的基础设施

AI 问数上线后，很多企业会先关注模型效果。

它会不会写 SQL？

会不会理解指标？

回答够不够自然？

这些问题都重要。

但还有一个更基础的问题经常被忽略：

数据本身今天还可靠吗？

如果数据没有更新、字段突然为空、口径被改、上游任务失败、异常值混入，AI 只会更快地把错误扩散到业务侧。

AI 会放大数据质量问题

传统报表时代，数据质量问题通常通过固定看板暴露。

某张图不刷新，某个指标异常，数据团队再去排查。

AI 问数不一样。

业务用户可以不断提出新问题，AI 会动态选择表、拼接字段、计算指标、生成解释。

这意味着数据质量问题不再只影响某张报表，而可能影响一整类分析。

例如：

• •订单表延迟更新，AI 会误判当天销售下滑；
• •商品分类字段缺失，AI 无法正确拆解品类表现；
• •渠道编码发生变化，AI 会把新渠道当成异常值；
• •退款数据未同步，AI 会高估净销售额；
• •会员标签失效，AI 会错误判断复购人群。

这些错误不一定来自模型，而是来自数据基础。

数据质量监控至少要看四件事

第一，及时性。

关键表是否按预期更新，更新延迟是否超过业务可接受范围。

第二，完整性。

核心字段是否缺失，关键维度是否为空，数据量是否突然减少。

第三，一致性。

不同系统中的同一指标是否保持一致，同一字段值是否使用统一编码。

第四，分布变化。

字段值、金额区间、订单结构、渠道占比是否出现异常波动。

Databricks 的数据质量监控和数据画像能力，强调通过表级指标、历史趋势、异常检测来观察数据质量和一致性。它还把 freshness 和 completeness 作为异常检测的重要对象。

这类能力对 AI 问数尤其重要，因为 AI 的回答质量很大程度取决于输入数据是否稳定。

数据质量应该进入 AI 回答过程

数据质量监控不应该只给数据团队看。

它也应该影响 AI 的回答方式。

如果今天订单表延迟，AI 应该提示“数据可能尚未完整更新”。

如果某个字段缺失严重，AI 不应该把它作为关键归因依据。

如果指标依赖的数据源异常，AI 应该降低结论确定性，或者建议用户稍后重试。

这比给出一个看似肯定但实际不可靠的答案更负责任。

AskTable 如何承接数据质量

AskTable 的可信分析需要建立在 BuildTable 整理出的数据基础上。

这不仅包括表结构、字段、指标和权限，也包括数据质量状态。

企业可以把高频业务表纳入质量监控范围，先保证销售、订单、库存、会员、投放等核心数据可用，再逐步扩展到更多场景。

当 AI 回答问题时，系统需要知道哪些数据是新鲜的、完整的、稳定的，哪些数据需要提示风险。

结论

AI 问数不是绕过数据治理。

它会让数据治理更重要。

没有数据质量监控，AI 可能只是更快地产生错误答案。

有了数据质量监控，企业才能让 AI 数据分析从“能查”走向“可信”。

参考来源

• •Databricks：Data Quality Monitoring
• •Databricks：Data Profiling
• •Databricks：Anomaly Detection