上周和一个做电商的朋友吃饭，他抱怨公司最近花大价钱买了某家公司的用户画像数据，结果一分析发现，标注的“高消费人群”里有三分之一竟是学生党。这已经不是他第一次踩坑了。自从 2018 年我开始做数据新闻，见过太多公司花几十万买回来的数据，要么是爬虫抓的二手货，要么是模型算出来的伪需求，真正能用上的不到三成。数据提供这个行业表面光鲜，实际上坑遍地。就像你去菜市场买菜，看着水灵灵的青菜，回家一洗发现根都是烂的。
这些年我接触过不少数据服务公司，涉及金融征信、电子商务选品、舆情监测和医疗健康，几乎没有一家敢拍着胸脯说自己的数据百分百干净。行业里有个公开的秘密：很多数据提供商所谓的“实时数据”，其实是几个月前从公开渠道扒下来的。更夸张的是，有些小公司直接把别人的二手数据换个壳再卖，和拼多多上卖假货的套路一模一样。去年有个做跨境电商的朋友买了份美国消费趋势报告，结果发现里面引用的数据源居然是 2019 年的——疫情已经过去三年，那数据还能准才怪。
数据质量的问题根源在采集环节。我认识一个做线下数据采集的朋友，他们公司最大的业务是给商场装客流摄像头。按理说摄像头拍下来的数据应该靠谱，但实际操作中漏洞很多。比如摄像头识别性别时，如果一个人穿裙子却留着寸头，系统大概率会判定为男性。还有商场里的顾客走来走去，系统经常把同一个人算多次。内部测试显示，一台设备统计的客流量与人工核对的误差率可达 40%。这种数据卖出去，商家拿来决策，亏钱才怪。
再往深里说，数据提供服务最致命的问题是场景错配。去年有个餐饮连锁的朋友找我帮忙，说他买了某平台的美食消费数据，准备在二三线城市开新店。我看了下数据来源，发现样本基本来自一线城市写字楼周边的外卖订单。这数据拿到成都、重庆去用，参考价值几乎为零。就像拿北京三里屯的奶茶销量去指导鹤岗的冷饮店进货，完全是两个世界的事。数据提供商很少会告诉你，数据是在什么场景下采集的，适用范围有多窄。
还有更隐蔽的坑：时间窗口问题。前两年我给一家快消品公司做咨询，他们想借助“抖音爆款数据”指导新品开发。数据提供商的报告显示，某款零食在抖音上的讨论热度在三个月内涨了五倍，听起来很诱人。但仔细一看，这份数据统计的周期是去年双十一前后的三个月，而今年的消费趋势已经改变，去年的爆款放到今年可能连汤都喝不上。很多数据公司为了省成本，很少实时更新模型，更愿意给你一个漂亮的历史曲线，却对曲线背后的时效性选择性失明。
从商业模式看，数据提供商也有自己的难处。我采访过几位中小数据服务公司的老板，他们普遍反映：真正高质量的数据采集成本太高，客户又不愿意为好数据买单。比如线下零售数据采集，需要铺设设备、雇人、维护系统，一个城市的成本少说几十万。但市场上能接受的单价往往是按条数卖的，一条数据几分钱。在这种价格体系下，数据公司只能走量，难以在质量上死磕。就像外卖平台压价压得狠，骑手只能多接单，结果送餐准时率自然下降。
这个行业还有个潜规则：很多数据提供商自己都不知道数据的准确性。去年某知名数据公司爆出丑闻，他们卖给金融机构的征信数据，有 15% 是错误或过时的。事后调查发现，这些数据源一部分来自第三方爬虫，一部分来自用户自行上传的表格，公司内部根本没有效的清洗和验证机制。内部员工甚至说：“领导只看数据量，不看数据质量，只要能出报告就行。”在这种心态下，数据能准才是怪事。
我这些年观察下来，数据提供服务想真正靠谱，关键在解决两个问题。第一是数据源的透明化，客户买数据时，提供商必须说明数据来源、采集方式、时效性以及误差率。第二是场景匹配，不同的数据适合不同的商业场景，不能把一个模型套用到所有行业。就像去医院看病，内科和外科的检查项目不能混用，数据服务也是同理。
说白了，数据提供服务这个行业现在仍处于野蛮生长阶段。就像二十年前的互联网，谁都能进来捞一把，但真正能活下来的一定是那些愿意在数据质量上花功夫的公司。对于企业来说，与其花大价钱买一堆不靠谱的数据，不如先想清楚自己到底需要什么数据，再去找可靠的供应商。如果实在找不到，自己动手采集也比买假货强。毕竟，数据这东西，用错了比没有更可怕。
