1. 項(xiàng)目概述供應(yīng)鏈建模的基石——數(shù)據(jù)預(yù)處理供應(yīng)鏈建模聽(tīng)起來(lái)是個(gè)挺“高大上”的詞很多剛?cè)胄械呐笥芽赡軙?huì)立刻聯(lián)想到復(fù)雜的算法、專(zhuān)業(yè)的建模軟件。但干了十幾年供應(yīng)鏈分析我最大的體會(huì)是模型建得再好如果喂進(jìn)去的是“垃圾數(shù)據(jù)”那吐出來(lái)的也只能是“垃圾結(jié)論”。這個(gè)“垃圾數(shù)據(jù)”指的就是未經(jīng)處理的原始數(shù)據(jù)。今天我們不談那些高深的算法就聊聊最接地氣、也最考驗(yàn)基本功的環(huán)節(jié)——如何用Excel和SPSS這兩款幾乎人人電腦里都有的工具把供應(yīng)鏈原始數(shù)據(jù)“收拾”得服服帖帖。供應(yīng)鏈的原始數(shù)據(jù)有多雜從ERP系統(tǒng)導(dǎo)出的訂單明細(xì)、從倉(cāng)庫(kù)管理系統(tǒng)拉取的庫(kù)存流水、從物流服務(wù)商那里拿到的運(yùn)輸軌跡、甚至是從銷(xiāo)售那里手工填寫(xiě)的Excel預(yù)測(cè)表。這些數(shù)據(jù)格式不一、單位混亂、存在大量缺失和錯(cuò)誤。直接把它們丟進(jìn)SPSS或者任何建模工具結(jié)果要么是報(bào)錯(cuò)跑不下去要么就是得出一個(gè)完全偏離實(shí)際的荒謬結(jié)論。因此數(shù)據(jù)處理或者說(shuō)數(shù)據(jù)預(yù)處理是整個(gè)供應(yīng)鏈建模流程中耗時(shí)最長(zhǎng)、最需要耐心也最決定成敗的一步。Excel以其無(wú)與倫比的靈活性和普及度承擔(dān)了數(shù)據(jù)采集、清洗、整合和初步探索的重任而SPSS則以其強(qiáng)大的統(tǒng)計(jì)和規(guī)范化處理能力在數(shù)據(jù)轉(zhuǎn)換、標(biāo)準(zhǔn)化以及為后續(xù)建模做準(zhǔn)備方面發(fā)揮著關(guān)鍵作用。掌握這兩者的組合拳你就掌握了開(kāi)啟任何供應(yīng)鏈建模項(xiàng)目的鑰匙。2. 核心思路從“臟數(shù)據(jù)”到“干凈數(shù)據(jù)”的標(biāo)準(zhǔn)化流水線面對(duì)一堆雜亂無(wú)章的原始數(shù)據(jù)新手容易陷入“哪里有問(wèn)題就改哪里”的混亂狀態(tài)。我的經(jīng)驗(yàn)是必須建立一套標(biāo)準(zhǔn)化的處理流水線像工廠的質(zhì)檢車(chē)間一樣讓數(shù)據(jù)依次通過(guò)不同的“工位”每個(gè)工位解決一類(lèi)問(wèn)題。這套流水線的核心目標(biāo)是產(chǎn)出一份符合“干凈數(shù)據(jù)”標(biāo)準(zhǔn)的數(shù)據(jù)集為后續(xù)的統(tǒng)計(jì)分析或建模如需求預(yù)測(cè)、庫(kù)存優(yōu)化、網(wǎng)絡(luò)設(shè)計(jì)打下堅(jiān)實(shí)基礎(chǔ)。2.1 理解“干凈數(shù)據(jù)”的四大標(biāo)準(zhǔn)在動(dòng)手之前我們必須明確目標(biāo)什么樣的數(shù)據(jù)才算“干凈”可以直接用于建模完整性關(guān)鍵字段沒(méi)有缺失值。例如訂單數(shù)據(jù)中的“產(chǎn)品SKU”、“數(shù)量”、“日期”必須100%存在。對(duì)于非關(guān)鍵字段的缺失需要有合理的填補(bǔ)策略或標(biāo)記。一致性相同含義的數(shù)據(jù)其格式和內(nèi)容必須統(tǒng)一。比如“運(yùn)輸方式”這一列不能同時(shí)出現(xiàn)“空運(yùn)”、“AIR”、“Air Freight”等多種表述日期不能有的是“2023-01-01”有的是“2023年1月1日”。準(zhǔn)確性數(shù)據(jù)真實(shí)反映業(yè)務(wù)事實(shí)。這包括剔除明顯的異常值如庫(kù)存數(shù)量為負(fù)數(shù)、修正邏輯錯(cuò)誤如發(fā)貨日期早于下單日期。適用性數(shù)據(jù)的結(jié)構(gòu)和內(nèi)容適合后續(xù)分析。例如將文本型分類(lèi)變量如“區(qū)域”華東、華南轉(zhuǎn)換為數(shù)值型或虛擬變量將數(shù)據(jù)聚合到合適的分析粒度如按天、按周匯總訂單。基于這四大標(biāo)準(zhǔn)我們的數(shù)據(jù)處理流水線可以清晰地劃分為幾個(gè)階段而Excel和SPSS在其中扮演著不同角色。2.2 Excel與SPSS的職責(zé)分工與協(xié)同邏輯很多人問(wèn)既然SPSS也能做數(shù)據(jù)清洗為什么還要用Excel我的回答是工具各有稟賦協(xié)同效率最高。Excel前端“粗加工”與“手術(shù)臺(tái)”優(yōu)勢(shì)界面直觀操作靈活特別適合處理非結(jié)構(gòu)化、格式混亂的初始數(shù)據(jù)。你可以像在手術(shù)臺(tái)上一樣精確地定位到某個(gè)單元格進(jìn)行修改、拆分、合并。核心職責(zé)數(shù)據(jù)接入與初步審視從不同源系統(tǒng)導(dǎo)出CSV、TXT等格式統(tǒng)一在Excel中打開(kāi)利用篩選、排序功能快速瀏覽發(fā)現(xiàn)明顯問(wèn)題。大規(guī)模格式統(tǒng)一使用“分列”功能處理混亂的日期、文本用查找和替換批量修正不一致的表述用TRIM、CLEAN函數(shù)清除空格和不可見(jiàn)字符。復(fù)雜邏輯清洗運(yùn)用IF、AND、OR、VLOOKUP/XLOOKUP等函數(shù)構(gòu)建清洗規(guī)則。例如用IFERROR配合VLOOKUP檢查產(chǎn)品編碼是否在主數(shù)據(jù)表中存在。初步探索與計(jì)算使用數(shù)據(jù)透視表快速匯總、分析數(shù)據(jù)分布用基礎(chǔ)公式計(jì)算衍生指標(biāo)如滿(mǎn)足率、周轉(zhuǎn)率。SPSS后端“精加工”與“質(zhì)檢站”優(yōu)勢(shì)提供了一套完整、可記錄、可重復(fù)的數(shù)據(jù)處理流程語(yǔ)法特別擅長(zhǎng)基于統(tǒng)計(jì)規(guī)則的處理。核心職責(zé)缺失值診斷與處理系統(tǒng)分析缺失模式隨機(jī)缺失、完全隨機(jī)缺失等并提供多種填補(bǔ)方法序列均值、臨近點(diǎn)均值、回歸估計(jì)等比Excel手動(dòng)填補(bǔ)科學(xué)得多。變量轉(zhuǎn)換與創(chuàng)建方便地創(chuàng)建虛擬變量、計(jì)算變量如生成對(duì)數(shù)變換以消除異方差、重新編碼如將連續(xù)年齡分組。異常值檢測(cè)利用箱線圖、Z分?jǐn)?shù)等統(tǒng)計(jì)方法系統(tǒng)識(shí)別異常值并決定是修正、剔除還是保留。數(shù)據(jù)標(biāo)準(zhǔn)化/歸一化為消除量綱影響使用“描述統(tǒng)計(jì)”過(guò)程中的“將標(biāo)準(zhǔn)化得分另存為變量”功能快速實(shí)現(xiàn)Z-score標(biāo)準(zhǔn)化。協(xié)同流程通常是原始數(shù)據(jù) →Excel格式統(tǒng)一、簡(jiǎn)單清洗、邏輯校驗(yàn)、初步整合→ 導(dǎo)出為CSV →SPSS缺失值處理、異常值統(tǒng)計(jì)檢測(cè)、變量轉(zhuǎn)換、標(biāo)準(zhǔn)化→ 得到建模用干凈數(shù)據(jù)集。接下來(lái)我們深入每個(gè)環(huán)節(jié)的實(shí)操細(xì)節(jié)。3. Excel數(shù)據(jù)處理實(shí)戰(zhàn)從混亂到有序假設(shè)我們手頭有一份從公司ERP導(dǎo)出的近一年的銷(xiāo)售訂單明細(xì)表raw_sales.csv和一份產(chǎn)品主數(shù)據(jù)表product_master.xlsx。我們的目標(biāo)是清洗出一份可用于預(yù)測(cè)分析的銷(xiāo)售數(shù)據(jù)。3.1 數(shù)據(jù)導(dǎo)入與首次“體檢”不要一上來(lái)就修改原文件永遠(yuǎn)先另存為一個(gè)工作副本比如sales_cleaning_in_progress.xlsx。打開(kāi)與審視用Excel打開(kāi)raw_sales.csv。首先關(guān)注以下幾點(diǎn)表頭第一行是否是合適的列名有沒(méi)有合并單元格數(shù)據(jù)類(lèi)型選中整列查看Excel左上角顯示的格式?！叭掌凇绷惺欠癖蛔R(shí)別為日期還是文本“數(shù)量”、“金額”列是數(shù)字嗎明顯錯(cuò)誤快速滾動(dòng)看看有沒(méi)有#N/A、#DIV/0!等錯(cuò)誤值有沒(méi)有整行空白或明顯不合理的數(shù)據(jù)如金額為0。使用“表格”功能選中數(shù)據(jù)區(qū)域按CtrlT將其轉(zhuǎn)換為“表格”。這能帶來(lái)巨大好處公式引用會(huì)自動(dòng)結(jié)構(gòu)化如[[產(chǎn)品編碼]]新增數(shù)據(jù)會(huì)自動(dòng)擴(kuò)展篩選和匯總更方便。3.2 數(shù)據(jù)清洗的“利器”函數(shù)與功能這是核心環(huán)節(jié)我們針對(duì)常見(jiàn)問(wèn)題逐一擊破。問(wèn)題一不一致的日期格式原始數(shù)據(jù)中“訂單日期”列混雜著“2023/12/01”、“20231201”、“Dec-23”等多種格式。處理選中“訂單日期”列 - 數(shù)據(jù)選項(xiàng)卡 - “分列” - 下一步 - 下一步 - 在“列數(shù)據(jù)格式”中選擇“日期”并指定最接近的原始格式如YMD。對(duì)于“Dec-23”這種可能需要先用DATEVALUE函數(shù)配合MID、FIND等文本函數(shù)進(jìn)行提取轉(zhuǎn)換。注意分列功能是破壞性操作務(wù)必在數(shù)據(jù)副本上操作或先備份原列。問(wèn)題二產(chǎn)品信息不完整“產(chǎn)品編碼”列是完整的但我們還需要產(chǎn)品類(lèi)別、單位成本等信息這些在product_master.xlsx中。處理使用XLOOKUP函數(shù)Excel 365/2021及以上若版本低則用VLOOKUP進(jìn)行匹配。XLOOKUP([產(chǎn)品編碼], product_master!$A$2:$A$1000, product_master!$B$2:$B$1000, 未找到, 0)這個(gè)公式的意思是在本行“產(chǎn)品編碼”的值到product_master表的A列編碼列中查找找到則返回同一行B列類(lèi)別列的值如果沒(méi)找到則返回“未找到”要求精確匹配。進(jìn)階技巧為了處理匹配失敗的情況可以結(jié)合IFERRORIFERROR(XLOOKUP(...), 數(shù)據(jù)缺失)這樣所有匹配不到主數(shù)據(jù)的產(chǎn)品都會(huì)清晰標(biāo)記為“數(shù)據(jù)缺失”方便后續(xù)集中處理。問(wèn)題三異常值與邏輯錯(cuò)誤需要找出數(shù)量為負(fù)數(shù)、或金額異常大/小的記錄。處理添加輔助列“數(shù)據(jù)檢查”。使用IF和AND/OR函數(shù)設(shè)置規(guī)則。IF(OR([數(shù)量]0, [單價(jià)]0), 異常數(shù)值非正, IF([金額][數(shù)量]*[單價(jià)], 異常金額計(jì)算錯(cuò)誤, 正常))然后篩選出所有標(biāo)記為“異?！钡男兄鹨缓瞬槭菙?shù)據(jù)錯(cuò)誤還是特殊業(yè)務(wù)如退貨、沖銷(xiāo)。問(wèn)題四空白與重復(fù)處理空白使用篩選功能在關(guān)鍵列如訂單ID、產(chǎn)品編碼篩選“空白”。對(duì)于可推斷的空白如某些產(chǎn)品固定類(lèi)別的缺失可以用IF配合其他列信息填補(bǔ)對(duì)于不可推斷的標(biāo)記后可能需要在SPSS中處理。處理重復(fù)使用“數(shù)據(jù)”選項(xiàng)卡下的“刪除重復(fù)項(xiàng)”功能。但務(wù)必謹(jǐn)慎供應(yīng)鏈中的“重復(fù)”可能不是真重復(fù)比如同一訂單分多次發(fā)貨。刪除前必須明確業(yè)務(wù)規(guī)則。3.3 數(shù)據(jù)整合與初步聚合清洗后的明細(xì)數(shù)據(jù)往往需要聚合到適合分析的維度。創(chuàng)建數(shù)據(jù)透視表選中清洗后的表格 - 插入 - 數(shù)據(jù)透視表。按需拖拽字段例如將“訂單日期”拖到行并組合為“月”將“產(chǎn)品類(lèi)別”拖到列將“銷(xiāo)售數(shù)量”拖到值求和。瞬間你就得到了一張按月、按產(chǎn)品類(lèi)別的交叉匯總表。利用透視表分析你可以快速計(jì)算月度占比、環(huán)比增長(zhǎng)率等。這個(gè)聚合后的視圖是進(jìn)入SPSS前非常好的探索性分析工具能幫你發(fā)現(xiàn)趨勢(shì)和宏觀問(wèn)題。完成以上步驟后將這份相對(duì)干凈的數(shù)據(jù)另存為一個(gè)新的CSV文件例如sales_cleaned_for_spss.csv準(zhǔn)備導(dǎo)入SPSS進(jìn)行深加工。4. SPSS數(shù)據(jù)處理精修為建模做準(zhǔn)備將sales_cleaned_for_spss.csv導(dǎo)入SPSS后我們進(jìn)入統(tǒng)計(jì)層面的數(shù)據(jù)精修階段。4.1 缺失值的高級(jí)處理在Excel中我們可能只是標(biāo)記了缺失。在SPSS中我們可以科學(xué)地處理它們。分析缺失模式分析-缺失值分析。這個(gè)報(bào)告會(huì)告訴你每個(gè)變量缺失的比例以及缺失模式是否是隨機(jī)的。如果缺失是完全隨機(jī)的處理起來(lái)相對(duì)簡(jiǎn)單如果是有模式的缺失則需要更謹(jǐn)慎的模型。處理缺失值轉(zhuǎn)換-替換缺失值。SPSS提供了多種方法序列均值用整個(gè)序列的均值填補(bǔ)。適用于平穩(wěn)序列。臨近點(diǎn)的均值用缺失值前后若干點(diǎn)的均值。適用于時(shí)間序列數(shù)據(jù)如月度銷(xiāo)售。線性插值用前后兩個(gè)已知點(diǎn)做線性插值。適用于有明顯趨勢(shì)的數(shù)據(jù)。線性趨勢(shì)對(duì)整個(gè)序列做線性回歸用預(yù)測(cè)值填補(bǔ)。實(shí)操心得對(duì)于供應(yīng)鏈需求數(shù)據(jù)我通常優(yōu)先嘗試“臨近點(diǎn)的均值”或“線性插值”因?yàn)樗鼈兡芨玫乇３志植口厔?shì)。填補(bǔ)后務(wù)必創(chuàng)建一個(gè)新變量如sales_imputed并保留原變量sales以便對(duì)比。4.2 異常值的統(tǒng)計(jì)識(shí)別與處理Excel的邏輯檢查能找到“硬錯(cuò)誤”SPSS則能發(fā)現(xiàn)統(tǒng)計(jì)意義上的“軟異常”。使用箱線圖可視化圖形-舊對(duì)話(huà)框-箱圖。將需要檢查的連續(xù)變量如“銷(xiāo)售額”選入可以按分類(lèi)變量如“產(chǎn)品類(lèi)別”分組查看。箱線圖會(huì)清晰標(biāo)出超出1.5倍四分位距的異常點(diǎn)。計(jì)算Z分?jǐn)?shù)分析-描述統(tǒng)計(jì)-描述勾選“將標(biāo)準(zhǔn)化得分另存為變量”。這會(huì)為每個(gè)變量的每個(gè)個(gè)案生成一個(gè)Z分?jǐn)?shù)新變量如Z銷(xiāo)售額。通常絕對(duì)值大于3的Z分?jǐn)?shù)可被視為極端異常值。決策與處理識(shí)別出的異常值不能簡(jiǎn)單刪除首先要結(jié)合業(yè)務(wù)判斷是數(shù)據(jù)錄入錯(cuò)誤還是真實(shí)的特殊事件如大型促銷(xiāo)、缺貨導(dǎo)致的訂單堆積如果是錯(cuò)誤可以用缺失值處理方法填補(bǔ)或修正如果是真實(shí)事件可能需要為建模創(chuàng)建啞變量如“促銷(xiāo)月”1來(lái)捕捉其影響或者將這一時(shí)期的數(shù)據(jù)單獨(dú)處理。4.3 變量轉(zhuǎn)換與創(chuàng)建原始變量可能不適合直接放入模型。創(chuàng)建虛擬變量啞變量對(duì)于分類(lèi)變量如“季節(jié)”春、夏、秋、冬需要轉(zhuǎn)換為虛擬變量。轉(zhuǎn)換-創(chuàng)建虛變量。SPSS會(huì)自動(dòng)生成n-1個(gè)新變量例如以“冬季”為參照生成“季節(jié)_春”、“季節(jié)_夏”、“季節(jié)_秋”。計(jì)算新變量轉(zhuǎn)換-計(jì)算變量。例如如果原始數(shù)據(jù)波動(dòng)很大可以創(chuàng)建對(duì)數(shù)變換變量以穩(wěn)定方差在“目標(biāo)變量”輸入ln_sales在“數(shù)字表達(dá)式”輸入LN(sales)?；蛘邉?chuàng)建滯后變量用于時(shí)間序列預(yù)測(cè)sales_lag1LAG(sales, 1)。數(shù)據(jù)標(biāo)準(zhǔn)化如果后續(xù)建模涉及距離計(jì)算如聚類(lèi)分析或使用梯度下降的算法需要對(duì)連續(xù)變量標(biāo)準(zhǔn)化。分析-描述統(tǒng)計(jì)-描述勾選“將標(biāo)準(zhǔn)化得分另存為變量”即可生成Z-score標(biāo)準(zhǔn)化后的變量。另一種方法是轉(zhuǎn)換-準(zhǔn)備建模數(shù)據(jù)-自動(dòng)準(zhǔn)備數(shù)據(jù)SPSS會(huì)根據(jù)變量類(lèi)型自動(dòng)進(jìn)行標(biāo)準(zhǔn)化、創(chuàng)建啞變量等預(yù)處理。完成所有SPSS處理后你得到的數(shù)據(jù)集已經(jīng)高度規(guī)范化。此時(shí)可以通過(guò)文件-導(dǎo)出將數(shù)據(jù)保存為CSV或直接用于SPSS內(nèi)置的建模模塊如回歸、時(shí)間序列模型。5. 常見(jiàn)陷阱與實(shí)戰(zhàn)經(jīng)驗(yàn)分享走過(guò)太多彎路這里分享幾個(gè)最容易踩坑的地方和應(yīng)對(duì)技巧。5.1 時(shí)間數(shù)據(jù)的“天坑”供應(yīng)鏈數(shù)據(jù)重度依賴(lài)時(shí)間但時(shí)間處理陷阱最多。陷阱時(shí)區(qū)不一致如系統(tǒng)記錄UTC時(shí)間但分析需要本地時(shí)間、財(cái)年與自然年混淆、工作日與自然日未區(qū)分。應(yīng)對(duì)在Excel清洗階段就建立明確的時(shí)間處理規(guī)范。使用NETWORKDAYS函數(shù)計(jì)算實(shí)際工作日創(chuàng)建一個(gè)“日期維度表”包含日期對(duì)應(yīng)的年、月、周、季度、財(cái)年、是否節(jié)假日、是否周末等字段通過(guò)VLOOKUP關(guān)聯(lián)到主數(shù)據(jù)。在SPSS中使用DATE函數(shù)族確保日期格式正確。5.2 數(shù)據(jù)合并時(shí)的“多米諾骨牌”錯(cuò)誤從多個(gè)源合并數(shù)據(jù)是常態(tài)但一個(gè)鍵值錯(cuò)誤會(huì)導(dǎo)致整批數(shù)據(jù)錯(cuò)位。陷阱使用VLOOKUP時(shí)未鎖定查找區(qū)域應(yīng)用$符號(hào)導(dǎo)致公式下拉時(shí)區(qū)域偏移合并后未做一致性檢查如左右表記錄數(shù)是否匹配。應(yīng)對(duì)永遠(yuǎn)、永遠(yuǎn)、永遠(yuǎn)在VLOOKUP/XLOOKUP的查找區(qū)域使用絕對(duì)引用如$A$2:$B$1000。合并后立即用COUNTIF或數(shù)據(jù)透視表核對(duì)關(guān)鍵指標(biāo)的匯總數(shù)是否與合并前各源數(shù)據(jù)之和一致。在SPSS中合并文件時(shí)仔細(xì)選擇“按關(guān)鍵變量匹配個(gè)案”的選項(xiàng)并勾選“指示個(gè)案來(lái)源變量”以追蹤合并后的數(shù)據(jù)來(lái)源。5.3 過(guò)度清洗與信息損失為了追求“干凈”有時(shí)會(huì)過(guò)度處理反而抹殺了有價(jià)值的信息。陷阱武斷地刪除所有異常值可能就刪除了“黑天鵝”事件或新的業(yè)務(wù)模式信號(hào)用全局均值填補(bǔ)所有缺失值可能扭曲了不同群體間的差異。應(yīng)對(duì)建立數(shù)據(jù)清洗的“審計(jì)軌跡”。在Excel中使用輔助列記錄每一步清洗操作的原因如“刪除因數(shù)量為負(fù)且無(wú)退貨記錄”。在SPSS中使用語(yǔ)法.sps文件記錄所有轉(zhuǎn)換步驟而不是僅通過(guò)菜單點(diǎn)擊。這樣任何一步都可以追溯、復(fù)核和調(diào)整。對(duì)于異常值和缺失值嘗試多種處理方法并比較不同處理下后續(xù)建模效果的差異。5.4 工具依賴(lài)與思維缺失最危險(xiǎn)的陷阱是沉迷于工具操作而忘記了業(yè)務(wù)思考。陷阱學(xué)會(huì)了所有函數(shù)和菜單但不理解為什么某個(gè)產(chǎn)品在促銷(xiāo)期銷(xiāo)量激增也不清楚庫(kù)存為負(fù)在系統(tǒng)中是如何產(chǎn)生的。應(yīng)對(duì)數(shù)據(jù)處理不是閉門(mén)造車(chē)。每發(fā)現(xiàn)一個(gè)異常每處理一個(gè)缺失值都應(yīng)該去和業(yè)務(wù)部門(mén)銷(xiāo)售、采購(gòu)、倉(cāng)庫(kù)溝通確認(rèn)。他們的解釋往往能讓你發(fā)現(xiàn)數(shù)據(jù)背后的真實(shí)業(yè)務(wù)邏輯甚至可能暴露出更深刻的系統(tǒng)或流程問(wèn)題。你的角色不是一個(gè)數(shù)據(jù)技工而是一個(gè)用數(shù)據(jù)與業(yè)務(wù)對(duì)話(huà)的翻譯官。最后我想強(qiáng)調(diào)的是供應(yīng)鏈數(shù)據(jù)預(yù)處理沒(méi)有一成不變的“金科玉律”。今天分享的Excel和SPSS的這套組合流程是我經(jīng)過(guò)多年項(xiàng)目錘煉認(rèn)為在效率、效果和普適性上比較平衡的一套方法。真正的功力在于你能在面對(duì)一份全新的、混亂的數(shù)據(jù)時(shí)如何快速運(yùn)用這些工具和思維設(shè)計(jì)出針對(duì)性的清洗方案并在這個(gè)過(guò)程中不斷加深對(duì)業(yè)務(wù)本身的理解。記住干凈、可靠的數(shù)據(jù)是模型價(jià)值的唯一前提而這份“干凈”的背后是你對(duì)業(yè)務(wù)的洞察和對(duì)細(xì)節(jié)的執(zhí)著。