核心要点
盘点来源：业务日志/埋点、第三方采购、人工标注、合成数据、公开数据集
用学习曲线判断「数据量」是否是瓶颈：曲线随数据增加仍在上升说明加数据有效
同时评估质量、覆盖度与代表性，确认训练分布与线上真实分布一致
数据不够时优先增数据/迁移学习/弱监督/数据增强，而非盲目堆模型容量
标准回答
数据从哪里来
主要来源包括：现有业务日志与埋点（最便宜、最贴近真实分布）、第三方采购或公开数据集、人工标注、以及合成数据。优先复用内部日志，缺标签再考虑标注或弱监督。
如何判断数据是否足够
不是看绝对数量，而是画学习曲线：固定模型，逐步增加训练样本看验证指标。若指标仍在上升，说明数据是瓶颈，加数据有效；若已饱和，则瓶颈在特征或模型。
质量与代表性比数量更关键
检查标签噪声与一致性、特征缺失率、类别是否平衡。重点核对训练分布是否覆盖线上真实场景（地域、时段、人群、长尾），避免采样偏差导致线上掉点。
数据不够时的手段
按性价比排序：补埋点/扩采集 → 数据增强 → 弱监督/半监督打标 → 迁移学习/预训练模型 → 合成数据。同时评估标签获取成本与隐私合规（PII 脱敏、授权范围）。
常见误区
⚠️ 常见踩坑
只看样本总数就下「数据够/不够」结论，而不画学习曲线区分瓶颈；以及忽视训练数据与线上分布不一致（采样偏差），导致离线好看线上掉点。
延伸学习
与本题相关的知识库文章、术语、工具与行业资讯。