主要观点：“Garbage in, Garbage out”在机器学习中尤为适用，数据质量差会使最复杂的模型架构崩塌，高质量数据能驱动重要业务影响。文中深入探讨了数据质量在机器学习中的重要性、关键维度、不良数据导致的问题、如何检测和改善数据质量以及其商业影响。
关键信息：

• 机器学习模型通过训练数据的模式近似世界，数据质量差会导致模型学习到扭曲的世界图景，产生脆弱、易过拟合等问题，影响利益相关者对模型的信任。
• 数据质量可分解为准确性、完整性、新鲜度和唯一性等维度，各维度相互作用，共同影响数据质量。
• 训练在劣质数据上的模型会出现泛化能力差和过拟合噪声信号等问题，如信用评分模型中数据记录错误会导致误判。
• 检测和改善数据质量需持续监控，包括统计分布检查、生产监控、预防措施（如标签验证等），并在数据摄入阶段实施标准。
• 忽视数据质量会导致计算资源浪费、上线时间推迟、合规违规等问题，而重视数据质量能提高投资回报率，增强模型性能和利益相关者信任。
  重要细节：
• 以欺诈检测模型中交易误标记、推荐系统缺失关键用户属性等为例说明数据完整性的重要性。
• 以信用组织中申请人平均收入突然下降说明统计分布检查的作用。
• 以苹果卡事件说明不良数据在现实中的负面影响及教训。
• 强调数据质量是持续实践，需像对待生产代码一样重视，基本模型有优质数据常优于有缺陷数据的高级模型。