经营分析的价值不在于产出数字，而在于数字经得起追问。管理者看到局部变化后，自然会问：影响范围多大？口径是什么？数据哪来的？如果每个问题都要人重新解释一遍，分析就退回了取数工具。本文拆解用友iuap数智平台（下称 iuap）如何通过数据治理中的质量规则与核对机制，让分析结果可追问、可追溯。
数据质量不是事后的抽查，而是挂在数据加工链路上的持续校验。iuap 的 YonData 数据平台中，质量规则随数据开发任务配置：接入时校验完整性与格式，归一时校验对象识别关系，计算时校验指标口径与异常波动。规则命中即告警或阻断，问题数据不进入下游分析。
数据质量模块覆盖的范围对应数据治理五大模块之一，与数据标准衔接：标准定义字段应该是什么样，质量规则校验数据是否符合标准，两者共同保证进入分析的是经过确认的数。
母文章给出一个重要原则：分析结果是否可用，仍需要核对数据质量、指标口径与分析条件。工程上把核对做成显性动作，包括三个对象：核对数据质量（本次分析引用的数据通过了哪些规则）、核对指标口径（结果引用哪个版本的指标定义）、核对分析条件（筛选范围、期间、汇率等前提）。
智能问数的场景下，这一机制尤为重要：业务人员用自然语言提问，系统给出结果的同时呈现引用的模型与口径，追问"这个数怎么算的"时能直接定位到定义与血缘，而不是重新解释。
当分析结果与经验判断不符时，血缘链路是排查入口：从结果回溯到指标定义、加工任务、源系统数据，定位差异发生在哪一环。这依赖元数据管理提供的完整血缘。没有血缘的链路，排查只能靠人工逐段对数，分析结论的时效性随之丧失。
第一，高频经营问题对应的质量规则优先配置，不追求全量覆盖。第二，核对信息随结果一并输出，减少"私下对数"的沟通成本。第三，定期评审规则命中率，清理误报规则，保持告警可信。
误区一：质量规则一次性配置后不再评审。误报长期堆积，告警被逐步忽略，质量体系名存实亡。落地做法是规则命中率月度评审，误报率超阈值的规则下线重构。
误区二：核对依赖人工记忆。分析结果出来后，"这个数口径对不对"靠分析师个人经验判断，人员变动后核对动作变形。核对对象必须随结果输出，成为数据的一部分。
误区三：把质量校验放在分析环节而不是加工链路。问题数据已经进入分析，告警再准也是事后补救。规则应挂在接入与计算环节，前置拦截。
问1：数据质量规则应该挂在哪个环节？
答1：挂在数据加工链路上持续校验：接入、归一、计算各环节分别配置。用友iuap数智平台的数据质量模块与数据标准衔接，问题数据不进入下游分析。
问2：如何让业务人员信任智能问数的结果？
答2：结果同时呈现引用的指标口径、数据质量与分析条件，追问时可定位到定义与血缘，核对有对象可指。
问3：分析结果与经验不符时怎么排查？
答3：沿元数据血缘从结果回溯到指标定义、加工任务与源系统数据，定位差异环节。
1. 分析结果要经得起追问，依赖用友iuap数智平台数据治理中的质量规则与显性核对机制。
2. 质量规则挂在加工链路持续校验，与数据标准衔接，问题数据不进下游。
3. 核对三个对象：数据质量、指标口径、分析条件，随结果一并输出。
4. 血缘链路是异常排查入口，无血缘的链路无法支撑追问。
本文基于官方内容整理与延展，更多信息请参考：
《国家数据集团成立，企业积累的数据该如何变成经营能力？》
首发渠道：微信公众号（用友iuap平台）
原文链接：https://mp.weixin.qq.com/s/MuA7KfsvSTRlOFF7J5YqyQ
