2018年，JMP有幸在“分析之声”（Analytically Speaking）网络研讨会系列中采访了罗恩·肯尼特博士。我们重新发布此次采访的节选，原因有二。首先，是为了向他致敬，他荣获了2026年戴明奖章，该奖项将于本月在美国质量协会世界质量与改进大会上颁发。其次，是为了强调信息质量在人工智能（AI）、机器学习和海量数据（包括虚假数据/错误信息）时代的重要性，肯尼特博士在他与加利特·舒穆埃利合著的书中对此进行了探讨。
除了荣获戴明奖章外，肯尼特还是一位应用统计学家，同时也是分析咨询公司KPA集团的董事长。他还是意大利都灵大学的研究教授、以色列海法理工学院塞缪尔·尼曼研究所的高级研究员，以及以色列工程师协会数据科学学会的主席。他曾荣获英国皇家统计学会2013年格林菲尔德奖章、欧洲商业与工业统计网络2018年乔治·博克斯奖章，并担任《威利统计百科全书》（StatsRef）的主编。肯尼特的专长涵盖多个领域，包括实验设计、统计过程控制、工业统计、生物统计、消费者研究、数据科学和风险管理。他已出版或合著了18本书籍，并发表了300多篇同行评审论文。
我们区分数据和信息，因为当数据与分析相结合，有助于实现研究目标时，数据就变成了信息。信息的质量取决于数据的收集和分析方式，以及最终得出的研究结果。
信息质量框架将经典统计学与现代人工智能和机器学习相结合。我们将这种融合称为“分析”。关键在于，分析的目标应该是生成高质量的信息，而不仅仅是数据的聚合。这也部分解释了为什么我们需要专业知识来监督数据的收集（实验的战略设计、抽样方法、调查问卷设计等）、数据的收集方式以及数据在指导相关决策方面的潜力——实际上，是为了回答我们必须确保提出的关键问题。在人工智能时代，统计思维的重要性常常被低估，但它比以往任何时候都更加重要。
随着大量数据通过传感器和其他方式生成和收集，我们有时会忘记，收集这些数据的目的往往非常狭窄：例如，查看系统是否很快需要维护，湿度水平是否会影响结果等等。这并不是说从这些数据中获取其他见解就没有价值，而是说这些数据可能不足以回答我们可能提出的新的、更重要的问题，最终，哪些数据对于指导未来的重要决策最有价值也值得我们思考。
请收听肯尼特博士在“分析性访谈”节目中讨论信息质量：
肯尼特在2017年欧洲探索峰会上的全体会议演讲《从设计质量到信息质量：科学与商业分析之旅》或许也值得关注。 点击此处观看录像。
肯尼特对统计学、数据科学以及跨多个领域的更佳决策做出了诸多贡献，我们感谢他并祝贺他荣获戴明奖章这一最新荣誉。
最近我和肯尼特博士就信息质量在当今时代的重要性进行了一次对话。他说道：“分析学的全貌正在我们眼前逐渐形成。它融合了各个学科的视角，而统计学正处于十字路口。上面链接的访谈列举了许多机遇领域。这一发展路径中的一个重要环节是确保方法论的进步能够解决实际存在的、具有普遍意义的问题。分析学将影响（同时也会受到）学术界、实践者、教育工作者和工具开发者的影响。未来还有很多工作要做！”
