用途：当团队以「数据还没准备好」「数据质量不行」「等数据完善了再说」为由推迟AI项目时，用本方法论推动先启动、再迭代。核心主张是数据不需要完美，足够好即可开始。
主要能力：帮助定义「足够好」的门槛（如标注一致性≥80%、覆盖核心场景、无系统性偏差），评估当前数据是否达标，并据此决定立即建模还是做最小必要改进。
使用方式：先与AI团队协商明确最低可接受标准；检查现有数据状态；达标则立即用现有数据训练第一个模型，未达标则只修复最严重问题；上线后通过用户反馈和数据飞轮持续改进数据质量。完成标准是团队在达标后立即启动建模，而非无限期等待。
适用场景：数据清洗长期没有终点、业务方要求数据100%准确才建模、飞轮冷启动阶段等。可与统一数据仓库、数据飞轮等技能配合使用。
限制：不适用于存在系统性偏差（训练数据与真实场景分布完全不同）、安全关键场景（如医疗、航空）以及法律合规要求数据必须准确的领域。需避免用「不等完美」掩盖完全不准备、忽视系统性偏差、启动后不再回头改进等失败模式。资料未给出「足够好」的量化标准，需结合具体业务判断，建议启动前写明数据已足够好的三个理由。