其实，数据债和我们软件领域讲的技术债有点类似。

无论是技术债或者是数据债，它都并不是我们传统意义上的债务。数据管理也遵循熵增的原则，在没有很好的治理之下，产生的数据是自然倾向于混乱的。“数据债”准确地讲，是当我们产生相关的数据需求，但是当下的数据质量无法满足我们的需求而需要付出的治理工作，这就需要我们集中做功，还下当年欠下的“数据债”。

为什么那么多企业到了一定阶段，都会还“数据债”呢？那是因为一般企业的发展过程都是管理认知领先于IT系统认知，最后才是数据认知。数据治理项目，往往也是企业需要进一步提升管理水平，发现当下的数据质量（包括完整性、一致性、关联关系等）都没法达到数据使用的要求，所以才需要通过数据治理来实现新的管理需求的实现。但是，其实数据治理不应该是一次性工程，更应该是长期工程和系统性工作。

持续地保证高质量的数据产生，需要业务生态、技术、制度、流程、系统以及数据管理等方面整体都做好才能实现。所以，数据治理表面上看上去是技术活，其实本质还是管理活。做不好管理，技术和系统再好也没办法保障数据的质量。企业往往在一开始发展的时候，业务先行，很难有精力、有资源、有认知来保障数据治理的工作，只要业务流程通，那就“让子弹再飞一会儿”。

如果一套系统的设计是基于一个好的领域业务模型，可以保证数据的质量达到一个非常高的水平的。因此，像我们公司的系统「每刻报销」，是站在费用管理高度上设计的专业业务模型，是有别于传统OA以及ERP系统上构建的系统模型。传统的系统是基于流程表单来驱动业务流转的；但是专业的管理系统是以终为始，基于相关领域的管理需求来设计系统的，流程和表单只是数据承载和流转的基础工具。我们有个世界500强客户评价说，他们所有系统中，我们系统的数据质量是最高的。所以，一个系统的模型，既决定了数据质量的下限，也决定了数据质量的上限。

其实我们很容易忽略数据债的成本。很多时候，企业在做系统时或者IT系统建设时，根本无法理解一个系统业务模型的意义和价值。其实我们认为，一个系统的业务模型是多年行业认知的结果，也是企业服务领域最大的竞争壁垒。

当下，因为很多企业对业务模型对于数据质量的价值认知不深，加之市场竞争激烈以及有些企业的招投标流程只倾向于低价中标，这也势必导致了企业在建设系统时的“时空局限型不理性”，这就为后续系统的数据质量低以及多年以后需要花费大量的成本用于数据治理埋下了伏笔。很多企业在选型时当然也不关心未来把这个数据治理的烂摊子留给谁，先着眼于当下，但是只顾眼前而不顾未来的成本观，如果在我们软件工程领域肯定是要被否定的，因为在工程上，未来的治理成本往往是当下的5到10倍以上。

所有企业关于数据债的困局，我相信都是无法避免的宿命。因为熵增是自然法则，变化是自然法则。但是，我们不能因为房间会永远有灰尘而不打扫，我们也不能因为吃了饭肚子还会饿而禁食。管理意义在于我们让我们的世界处在一个乱与不乱的中间态。面对这种灰度，我们的态度是努力让数据不乱来满足我们的管理需求，我们也需要同步容忍数据在一个阶段内的乱，因为我们的精力、资源、时间和认知永远是有限的。