题干与适用场景
团队有一份用于分类模型的数据集，来自线上行为日志和人工标注。现在它将被多个模型、离线评估和分析项目复用，但使用者不知道样本如何收集、标签由谁产生、哪些群体被覆盖、缺失值如何处理，也不知道数据是否允许用于新的业务。请设计一份 Data Card，并说明如何让它持续可审计。
这道题适合数据工程、数据科学、机器学习工程和数据治理岗位。重点是把数据集说明变成可验证的决策材料，而不是罗列字段或生成一张漂亮的统计表。回答应覆盖来源与责任、用途与限制、质量与代表性、隐私与许可、已知风险、版本和维护流程。
面试官考察点
强回答会先定义读者要做的决策，再按证据组织 Data Card。它会区分数据事实、推断和未知项，给出样本量、时间范围、采集条件、标签协议、缺失与修正记录，并按关键切片检查覆盖和偏差。它还会说明谁批准发布、如何记录版本、如何处理新用途和严重问题，以及怎样用复现检查和使用反馈更新卡片。
回答前需要澄清的问题
- 数据的单位是什么：一条事件、一个用户、一个会话还是一项人工标注？
- 数据用于训练、评估、检索、报表还是安全决策？每种用途的风险是否不同？
- 样本从哪些时间、地区、设备和渠道收集，目标总体是什么？
- 标签定义、标注者资格、分歧处理和质量抽检规则是什么？
- 是否包含个人信息、敏感属性、第三方许可或用途限制？谁负责批准和维护？
30 秒回答框架
“我会先写清数据集的目的、读者和禁止用途，再记录来源、采集窗口、样本量、单位、标签流程、版本和责任人。随后按代表性、完整性、一致性、标注质量、隐私和许可做验证，并按关键人群和时间切片报告结果。Data Card 要同时列出未知项、已知偏差和适用边界；发布前由 owner 审批，之后用版本化快照、复现检查和使用反馈持续更新。若新用途超出证据范围，就暂停批准并补做验证。”
分步骤深入解答
第一步：先写用途和决策边界
把“这个数据集很好”改写成可回答的问题：谁会用它、要做什么、错误会造成什么后果。分别列出允许用途、需要额外验证的用途和禁止用途。例如，训练客服意图分类不自动授权用于招聘筛选；用于离线比较的标签不一定能支持实时风控。
第二步：记录来源、样本单位和生成过程
Data Card 应说明数据来自哪些系统、何时采集、覆盖哪些版本和地区、样本单位是什么，以及过滤、去重、脱敏和派生步骤。对每次修正记录原因、操作者、时间和影响范围。Google 的数据质量指南提醒，采集设备、人工流程和舍入规则都可能制造数据与现实之间的差距，不能只看最终文件。
第三步：把质量证据分层
至少报告数量、缺失率、重复率、类型和单位检查、标签一致性、异常值处理、数据泄漏检查及重跑结果。每个指标都带上计算窗口、分母和阈值；“缺失率为零”必须说明哪些字段被排除。对抽样人工复核保留样本和判定依据，便于第三方复现。
第四步：检查代表性和切片差异
先定义目标总体，再按地区、语言、设备、时间、用户阶段或其他会改变表现的维度切片。报告各切片的样本量、标签分布和关键质量指标，注明小样本不确定性。不能因为总体准确率高就隐藏一个关键群体缺少样本；也不能把观察到的差异直接解释成因果关系。
第五步：描述标签与人工决策
写明标签的操作定义、正负例、边界案例、标注者背景、培训、双人或多人复核、分歧仲裁和抽检比例。若标签来自用户行为，要说明它是代理指标而非真实目标。保留标签版本和变更原因，避免模型训练时把不同口径混在一起。
第六步：写清隐私、许可和访问控制
列出个人信息和敏感字段、去标识化方法、重识别风险、保留期限、许可来源、可分享范围和审批记录。脱敏不等于用途无限；组合多个字段仍可能暴露群体特征。Data Card 应链接到访问策略和删除流程，并指出无法确认的许可或来源缺口。
第七步：绑定版本、owner 和复现材料
每个发布版本固定数据快照、代码提交、处理配置、依赖版本、统计摘要和校验值。指定业务 owner、技术维护者和风险联系人，记录最后审阅日期及下次复核触发条件。需要新用途时，重新比较目标总体、切片、许可和已知风险，而不是复制旧卡片。
第八步：用五类问题审阅卡片
可以按负责、用途、质量、影响与风险五类问题做审阅。Google 的 Data Cards 指南强调，卡片不仅要说明数据是什么，还要帮助读者判断是否适合自己的任务、可能造成什么后果以及需要哪些限制。审阅人应指出证据、未知项和待办 owner，而不是只给一个总分。
设计取舍与边界
Data Card 越详细，复用者越容易做出正确判断，但维护成本也会增加。我会把跨项目都需要的来源、用途、质量和风险作为强制字段，把单一项目的临时分析放在附录。统计摘要不能替代原始样本审查；总体指标不能替代关键切片；自动化检查不能替代对标签语义和业务后果的人工复核。
当证据不足时，明确写“未知”并给出补证计划。宁可限制用途或只允许探索分析，也不要用一个未经验证的准确率给高风险决策背书。
落地计划与证据
我会先选择一个消费者有限、影响可控的数据集做试点。第一周登记用途、来源、样本单位和 owner，第二周完成质量与切片检查，第三周让数据科学、隐私和业务代表共同审阅，最后用固定快照重跑统计并发布版本。试点结果应包括发现的问题、修正记录、仍然未知的范围和下一次复核日期。
发布后收集使用者提出的误解、发现的数据缺陷、新用途申请和模型表现差异。若问题在下游才被发现，说明卡片缺少关键证据或读者无法找到它；若没人能解释字段和限制，说明责任和术语仍不清晰。
常见误区与追问
只有字段字典，没有使用边界
字段名和类型不能说明样本如何产生、标签代表什么、哪些用途会造成伤害。应补上目标总体、允许用途、禁止用途和证据等级。
用总体平均掩盖切片缺口
总体指标可能被大群体主导。应报告关键切片的样本量、分布和不确定性，并解释哪些切片没有足够证据。
把清洗结果当成真实世界
删除异常值、填充缺失值和统一单位都改变了数据。必须记录规则、影响和未解决的问题，不能把处理后的数值直接称为 ground truth。
新用途申请时只复制旧卡片
用途变化会改变风险、目标总体和所需证据。重新评估许可、代表性、标签适用性和业务后果，并由 owner 记录批准或拒绝理由。
如何证明 Data Card 真的有用？
观察使用者能否在建模前找到限制并做出正确选择，比较问题首次发现位置、复现成功率、用途审批返工次数和高风险误用事件。指标变化要结合数据集版本、使用量和审阅投入解释，不能把事故减少简单归因于卡片。