算法研发还面临另一个挑战——如何在真实的业务场景落地并产生业务价值？能解决应用问题的算法=好的模型=好的数据，反之亦然。但即使算法训练效果再好，一旦面对真实而复杂多变的环境，其准确率也可能显著下降。所以，算法工程师需要耗费大量的时间和精力仔细研究数据，找出数据异常之处，了解数据规律，反复编排流程，比较版本差异，才能最终达到提高模型的泛化性的效果。而在研究、分析、使用、迭代数据的过程中，便可能产生大量的”数据债“。

在实际的算法训练和迭代过程中，算法工程师通常在发现模型效果不佳或遇到错误时才开始严格管理数据，这种应急处理的方式看似成本小，实际上却是一颗定时炸弹。如果数据版本没有得到妥善管理，会导致在模型效果出现问题时无法准确追溯到数据的来源和处理过程，无法还原问题点。然而，目前市面上大部分处理数据的工具都不具备流程追溯的功能。