企业说自己有数据,往往指的是系统里存着数据;而 AI 项目要的是字段口径清楚、质量核过、权限划定的可用数据。本文给出一套数据底账的盘法:四列台账、三层质量检查、权限边界与季度复盘,把「有数据」落成「敢接进模型」。

「有数据」为什么不够
聊到 AI 项目,很多团队的一句话是「我们有数据」。这句话通常指的是:系统里存着历史订单、客户档案、生产记录。但从模型侧看,存着不等于能用。模型拿到一批数据,要能回答三个问题:每个字段是什么意思、这批数据可信到什么程度、允许被谁和什么场景使用。三个问题答不上来,接入工作就会停在原地。
三者缺一样,返工的位置也不一样。口径不清,返工在数据梳理;质量存疑,返工在清洗核对;权限未定,返工在合规评审。实践中返工往往不只发生在数据侧,还会拖累模型侧的排期——数据没准备好,模型调优与场景验证只能空转。
所以在启动任何 AI 项目之前,值得把「我们有数据」这句口头判断,换成一张可核对的数据底账。盘底账不是技术活,更像是把各部门脑子里的隐性知识落到纸面上的管理动作。
一张底账四个字段
数据底账不必追求一次盘全,四个字段就够起步:业务口径、存放位置、更新频率、责任人。业务口径写清楚这个字段在业务上指什么,例如「客户」是指签约主体还是联系人;存放位置写系统与表名,精确到能找到;更新频率写实时、日更还是手工月度维护;责任人写到具体岗位,出问题知道找谁。
盘的次序建议跟着业务场景走,不从系统出发。先选定一两个高频场景,比如销售预测或售后归因,把这两个场景要用的数据盘出来,形成四列表。其余数据等场景排到再盘。这样做的道理是:数据的价值由场景定义,脱离场景盘点,容易盘出一本厚而没人用的账。
四列台账本身也是沟通工具。让业务负责人和数据负责人同坐一桌,逐行填、逐行确认,口径分歧当场暴露。很多企业盘完发现,同一张报表里「成交额」有三个版本,这类分歧不上台账永远发现不了。
三层质量检查
底账建好之后是质量核对。建议分三层,逐层抽样,不必追求全量清洗。完整性核缺漏:随机抽若干条记录,看关键字段是否为空,缺漏比例高到什么程度要标注出来。一致性核口径:同一指标在不同系统里各算各的,抽几组交叉核对,差在哪里要能解释。及时性核更新:看更新频率字段与实际情况是否相符,标着日更的表是否真的天天在动。
抽样结果不必追求漂亮,如实记录即可。质量检查的目的不是证明数据没问题,而是给模型侧一个诚实的边界:哪部分数据可信、哪部分要打折使用、哪部分暂时不要接。带着边界做接入,比拿着一个理想化的假设开工要稳得多。
这一层还有一个常被忽略的动作:把已知的脏数据情形记成清单。例如某类老订单的客户名称是手工填写的、拼写不统一。清单交给模型侧,对方就能针对性处理,而不是在验证阶段反复发现同类问题。
权限先于接入
数据能不能接进模型,权限问题要提前定,不能等接完了再补。三条规则值得写进流程:其一,敏感数据分级,哪些字段属于个人信息、商业机密,列出来单独管理;其二,能脱敏先脱敏,模型侧尽量拿脱敏后的副本;其三,导出要留痕,谁在什么时间把哪批数据交给了哪个系统,逐条记录。
这套规则的价值在于把「事后解释」变成「事前约束」。数据一旦接入模型,就进入了使用链路,追回的成本远高于接入前的一道审批。许多团队在接入阶段赶进度跳过这一步,后期做合规核查时反而停得更久。
权限规则还要落到工具上:底账里加一列「是否允许接入模型」,取值就三档——允许、脱敏后允许、不允许。模型侧拿到这张表,接入范围一目了然,无需每次个案沟通。
底账是活账
数据底账盘完一次不代表结束。业务在变,系统在改,半年后账本与实际脱节,就失去了核对价值。建议按季度做一次轻量复盘:新增的数据源补录进账,废弃的表及时下架标注,更新频率或责任人变化的行做修订。
复盘时顺带核对准入规则是否被执行:这三个月里有没有绕过审批直接接数据的情形,脱敏副本是否按规则生成。规则的执行情况比规则本身更能说明一家企业的数据管理水平。
把这套动作连贯起来,就是一个可循环的闭环:场景定盘盘范围,四列台账立口径,三层抽查定边界,权限规则守底线,季度复盘保鲜度。走完一轮,再谈 AI 项目时,「我们有数据」后面就可以跟上一句——底账在哪、质量如何、谁能用。这句话本身,就是项目能不能顺利启动的底气。
核心要点
- 「有数据」与「数据能用」之间隔着口径、质量、权限三道坎,缺一道模型侧都会返工。
- 数据底账四个字段就够:业务口径、存放位置、更新频率、责任人,先覆盖高频场景,不追求一次盘全。
- 质量检查分三层:完整性核缺漏、一致性核口径、及时性核更新,逐层抽样核对即可,不必全量清洗。
- 敏感数据先定边界再谈接入:分级、脱敏、导出审批三条规则写进流程,比事后补救成本低。
- 数据底账是活账:季度复盘一次,新数据按准入规则入场,废弃数据及时下架,账本才跟得上业务。