数据产品经理 | GenAI时代数据质量评估原则：FAV-QIRC 框架（一）

本篇文章：Bad data is costing millions — here’s how to fix it with FAV-QIRC的亮点在于提出了FAV-QIRC框架，强调数据质量在实现AI价值中的核心作用。通过定义“可查找性、可访问性、速度、质量、可互操作性、可重用性和可控性”七个维度，提供了一种系统化的数据管理方法。

该方法适用于需要提高数据质量和操作效率的行业，特别是在医疗、制药等高风险领域。

---

---

糟糕的数据每年造成数百万损失——FAV-QIRC 框架助你解决

董事会高喊“生成式AI，不成功便成仁”，然而一个不争的事实是：如果没有严谨的数据运营，再出色的模型也终将失败。

我最近与一家排名前十的制药公司合作，负责一项极具前景的数字疗法项目，但该项目却因此延迟了三个季度。罪魁祸首并非算法、云账单，甚至也不是监管或合规问题。问题出在数据上：客户关系管理（CRM）系统与其他系统中的标识符不匹配、刷新周期未文档化，以及难以追溯的数据血缘断裂。商业团队估计，由于此次延误，该项目在峰值收入年度将损失 1400 万美元。

这样的故事比比皆是。Gartner 估算，糟糕的数据质量每年已使企业平均损失数百万美元 ，而美国食品药品监督管理局（FDA）在 2021 年的警告信中，有 61% 提到了数据完整性问题 。如果再叠加生成式AI的雄心，风险更是急剧攀升：福布斯最近报道称，高达 85% 的AI模型未能实现价值——数据不足是首要根本原因。

显然，数据运营已成为新的竞争焦点。然而，许多组织仍将其视为一个次要项目，而非核心业务能力。

1 实现AI价值的三个阶段

1. 碎片化与孤立化
   • 症状：数据源断开、手动提取、临时治理。
   • 后果：报告缓慢、反应迟钝，以及普遍存在的“我们能相信这个数字吗？”的文化。
2. 企业级（报告与分析就绪）
   • 症状：标准化模式、自动化质量检查、精选指标、受控的自助服务。
   • 益处：近实时仪表板、更快的决策、更低的数据准备开销。
3. 高级AI（LLM）就绪
   • 症状：丰富的元数据、知识图谱、持续验证、隐私设计控制。
   • 益处：规模化的预测性和规范性洞察、加速生成式AI部署、可衡量的竞争优势。

数据成熟度的提升绝非一蹴而就。要达到AI就绪的目标，企业需要建立一个整体运营模式，使人员、流程和技术围绕不可妥协的数据标准协同工作。

2 FAV-QIRC 登场——为现代数据运营注入活力的 FAIR 原则

由 Wilkinson 等人于 2016 年率先提出的 FAIR 原则（Findable 可查找、Accessible 可访问、Interoperable 互操作、Reusable 可复用）仍然是基础，但高风险行业需要更多。在十多年的咨询经验中，我观察到另外三个维度对于数字健康倡议的成败至关重要：

• V — Velocity（速度）：数据在业务需要时即时到达，而不是几周后。
• Q — Quality（质量）：嵌入式剖析、异常检测和业务驱动的仪表板。
• C — Controllability（可控性）：可审计的血缘、基于角色的隐私和自动化策略执行。

因此，FAV-QIRC 代表：Findable（可查找）、Accessible（可访问）、Velocity（速度）、Quality（质量）、Interoperable（互操作）、Reusable（可复用）、Controllable（可控）。

Raghavv Goyall 的数据运营卓越 FAV-QIRC 框架

3 FAV-QIRC 各支柱的“理想状态”

可查找（Findable）

• 每个数据集、模型和指标都在一个包含丰富业务和技术元数据的目录中被索引。
• 搜索结果根据相关性、新近度和认证信任级别进行排名，以便分析师无需从头开始。

可访问（Accessible）

• 数据通过受控的 API 和语义层暴露，而非影子 SQL 查询。
• 使用指标用于反馈计费模型，并在瓶颈出现前触发容量扩展。

速度（Velocity）

• 通过事件流实现近实时摄取；自动化的 ELT 管道像软件一样进行测试、版本控制和部署。
• 服务级别目标以分钟而非天来衡量——因为现场人员进行“下一步行动”决策时无法等待隔夜批处理。

质量（Quality）

• 持续的数据可观测性工具能够发现新鲜度下降、模式漂移和统计异常。
• 一家采用可观测性的领先生物技术公司将“数据停机时间”减少了 40 小时/月，从而使工程师能够专注于增值项目 bigdatawire.com。

互操作（Interoperable）

• 通过令牌化统一患者和 HCP（医疗保健专业人员）ID，并映射到 FHIR 或 OMOP 标准。
• 即插即用的 API 确保新的全渠道合作伙伴可以在数周而非数季度内完成入驻。

可复用（Reusable）

• 模块化的 dbt 模型、可共享的特征存储和清晰的版本控制将数据集转化为产品。
• 历史数据被妥善记录，以便高级分析团队无需重写 ETL 即可进行队列分析。

可控（Controllable）

• 基于角色的访问控制、字段级屏蔽以及传输中和静态数据加密。
• 审计追踪将每个列追溯到源头、转换和用户——这在监管机构检查时至关重要。

FAVQIRC 原则示例清单——Raghavv Goyall

4 构建运营模式：五个务实步骤

1. 四周内完成基线评估
   对高价值数据产品进行快速 FAV-QIRC 评估。对每个维度进行评分，量化差距，并获得高管支持。
2. 快速修复
   首先修复那些明显的问题：重复的 HCP ID、过时的刷新计划、缺失的血缘。启动一个轻量级目录并试运行质量仪表板。
3. 数据运营基础
   为数据管道嵌入 CI/CD，采用数据可观测性工具，并为“数据停机时间”建立事件运行手册。
4. 高级赋能
   推出知识图谱、自动化 PII 标签和实时血缘可视化。开始将受控数据产品暴露给生成式AI用例（例如，医疗信息聊天机器人、预测性供应计划）。
5. 持续改进
   每季度审查成熟度，跟踪关键绩效指标——数据问题平均解决时间（MTTR）、分析师处理数据的时间、AI 模型成功率——并迭代改进。

5 量化收益

在最近的合作中，那些将 FAV-QIRC 制度化的组织实现了：

• 分析师寻找和清理数据的时间减少 30-50%。
• 仪表板刷新延迟减少 80%，从每周更新变为近实时可见。
• 与质量相关的合规性观察下降 60%。
• 通过 AI 驱动的渠道和患者支持优化，额外增加 10-15% 的收入。

当糟糕的数据每年造成数百万损失，而 AI 模型在没有坚实基础的情况下步履维艰时，这些数字是无法忽视的。

6 战略要务

未来的赢家将不是拥有最炫酷 AI 演示的公司；而是那些数据能够简单地“正常运转”——值得信赖、及时、可追溯的公司。FAV-QIRC 是实现这一目标的蓝图：一个实用、与业务对齐的框架，它将数据运营从负债转变为创新的发射台。