近两年，我反复遇到一个场景。
一家企业投入数百万元推进数据治理，建设了标准、平台，并对历史数据进行了清洗。验收会上，PPT展示的数据完整率从62%提升至96%，一致率从71%提升至94%，还获得了行业奖项。
半年后回访时，业务部门的反馈却是：“数据依旧不精准，我们只能自己用Excel处理。”
问题何在？
若仅看质量指标，该项目无疑是成功的。但换个视角就会发现，那些干净的数据存储在数仓的第三层。业务部门要获取它们，需要提交工单、等待排期、跨两个部门审批。等数据到手，那场促销活动早已结束。
质量高、距离远、时间已过。三个变量中，只有一个被认真对待。
数据的价值，并非数据本身固有的属性。
它由质量、距离、时间三个变量共同决定。我称支配这些变量的规则为数据的三大定律。
一、数据惯性定律：质量账只能算在源头
你有没有想过，你手中正在处理的数据，早已不是当初那份数据了。
给数据加上版本、年龄和生命周期，你会发现它会老化、分裂、被复制、被改写。数据从诞生那一刻起，一旦开始流转，就不再是原来的它。
这就是数据惯性定律：低质量数据一旦进入流通环节，其产生的影响不可回溯，也无法避免。后续的清洗和建模，只是在为前一次的“偷懒”反复买单。
我常将数据质量比作分娩。出生时多花些力气，得到一个健康的结果，远比出生后再逐步弥补要划算成千上万倍。
用公式表示，质量变量Q ∈ [0, 1]，它衡量数据“出生即健康”的程度。其特性是：源头污染是不可逆的折损。这是一个只能下降、很难提升的变量。
这条定律打破了“事后能洗干净”的误区。
典型症状包括：同一字段反复清洗却始终不净；每次治理项目结束后，半年内又恢复原状。因为污染源未被触及，你只是在不断稀释下游。
行动指向：将治理动作前置到业务源头，而非前置到数据入湖那一刻。字段在哪个系统中首次录入，治理就应在那里进行。
二、数据互斥定律：通用性和价值，天生互斥
数据越集中越值钱？
恰恰相反——离业务越远，它就越不值钱。
数据每远离业务现场一层，价值就衰减一次。公式为V(d) = V₀ · e^(−λd)：V₀是数据在业务现场产生时的价值，d是距业务现场的层级数（业务系统→采集→清洗→建模→报表→决策），λ是语境衰减系数。
为何会衰减？因为通用性和价值，天生互斥。
你将其抽取得越干净、越通用，它赖以增值的业务语境就丢失得越多。当它被抽象到彻底脱离业务语境时，保留的是形态，流失的是意义。
这条定律有四条推论，每条都能在企业中找到对应物。
推论一，中台悖论。数据中台为复用而生，但复用度最高的层，单点价值最低。这是其设计目标决定的，并非实施不到位。
推论二，口径僵化。离业务越远的口径，越无人敢改，也越无人敢用，最终变成一份谁都能背、但谁都不信的数字。
推论三，成本放大。在下游补救数据质量的成本，等于在上游省下的成本乘以经过的环节数。这与第一条定律是同一件事的两面。
推论四，最后一公里。数据九成的价值，只产生在回到业务动作的最后那一公里。
行动指向：将指标定义权还给业务。不是让业务来评审IT的指标，而是让业务自己定义、修改并承担责任。
三、数据的时间价值定律：两个黄金期，中间是断层带
数据越新越值钱？
错。它其实有两个黄金期。
公式为V(t) = A · e^(−αt) + B · (1 − e^(−βt))，两项相加，形成双峰。
第一个高峰在产生那一刻——那时它还能改变结果。决策窗口一关，价值断崖式下跌，α是业务节奏，节奏越快，衰减越猛。例如，一个实时风控模型，若算出结果时交易已结束，其准确率再高也无意义。
第二个高峰在足够久之后——当你积累足够长的历史，它又能用于建模、归因、判断趋势，价值二次上升。β是历史厚度，厚度达到何种程度才能释放价值，取决于要回答的问题。
麻烦的是中间那段——既不新鲜，也不够老，这就是价值的断层带。
多数企业的数仓中，80%的存储成本压在这段价值最低的数据上。
这是最常见、也最不易被发现的浪费。
还有一条易被忽略的推论，我称之为连续性溢价：历史数据的价值在于“连续”。断掉一年的历史，损失远不止1/N，因为规律推断直接失效——你无法用有缺口的序列判断周期。
行动指向：分层存储不应仅按“访问频率”设计，而应按时间价值曲线设计。此外，三件事现在就能做：实时化投入先看决策窗口长度，只有窗口以分钟计的业务才值得建设秒级链路；归档策略要保留低成本但可回热的复活通道；别为了节省存储费删除历史数据，那是最昂贵的一种省钱方式。
四、为什么必须是乘法：这是整套东西里最重要的一句
将三条定律合并，数据的价值函数如下：
V = Q × D × T
展开写为V(d, t) = Q · V₀ · e^(−λd) · [A·e^(−αt) + B·(1−e^(−βt))]。
请注意中间那个符号：是乘号，不是加号。这一点至关重要。
如果是加法，你可以用一项的长板弥补另一项的短板。但乘法不行。
质量再好，离业务太远，价值仍趋近于零——一份完美干净却躺在数仓三层之外的表，无人使用，价值就是零。距离再近，过了决策窗口，价值归零——实时算得再准，等你算出结果，促销已结束。既不脏也不远，但卡在断层带，价值最低——这条最隐蔽，也最烧钱。
由此得出一个不太舒服的推论：数据治理不能“单点突破”。
许多团队的失败正在于此。他们将质量治理做到90分，但数据离业务三个层级，Q=0.9，D=0.1，乘出来只有0.09。投入产出比极差，然后得出“数据治理无用”的结论。
这实际上是爱游戏体育最小因子定律（李比希定律）在数据领域的映射：三个变量中最低的那个，决定了整体价值的上限。向另外两个变量投入资源，天花板不会移动。
五、怎么用：先诊断，再投入
四条实操建议，按顺序执行。
第一，先诊断，别先立项。将Q、D、T三个变量分别打分，找出团队当前最低的那个。这一步花不了两周，但能省下一年的预算。
第二，最低的那个，就是当下唯一值得投入的方向。不是“重点投入”，而是“唯一”。其他两个维持不恶化即可。
第三，不要同时铺开三个变量。那等于将预算摊薄在三张桌子上，每张都不够用。
第四，每半年重新诊断一次。因为最低的变量会变化。质量补上来后，距离往往成为新瓶颈——这其实是好事，说明前一阶段做对了。
三条定律速查，建议保存。
最后的话
讲了三条定律，其实说的是同一件事：数据的价值，从来不是它本身固有的。
它是质量、距离、时间三个变量的函数。而治理的全部工作，就是让这三个变量同时朝有利方向移动。
回到开头那家企业。问题不在于不舍得投入，而在于只投了三个变量中的一个，然后期待整体价值翻三倍。乘法世界里没有这种好事。
所以，下次再有人问“数据治理到底有没有用”，我建议先反问一句：你团队现在最低的那个变量，是哪个？
答不上来，说明还没开始。
你所在的团队，三个变量中最低的是哪一个？评论区聊聊。
附一句：这三条定律，我各录了一条40秒左右的口播版，已发在视频号上。想快速过一遍的，可以去那边听；想看推导和落地动作的，这篇里都有。
本文来自微信公众号“数据驱动智能”（ID：Data_0101），作者：王建峰，36氪经授权发布。
