# 客户的仪表盘能跑，数据却未必能用于 AI

> 承诺上线日期之前，先针对一个具体用例给客户的真实数据打分，别等开发到一半才发现缺口。

原文: https://fdetimes.net/zh/guides/assess-customer-data-readiness-ai/

驻场第二周，一场顺利的演示结束后，运营负责人问：“那我们三个月内能上生产环境吗？”演示里的智能体几乎每个问题都答对了。但它跑的是一个 CSV 文件，是上周五一位分析师替你清洗好的。

此刻你回答“可以”还是“还不行”，将决定整个项目接下来的走向。Varsity 博客的一篇文章认为，前线部署工程师（FDE）的工作从真实的生产数据开始，伴随着安全审查和访问控制。而生产数据往往杂乱、被权限锁住，握在一群并没有特别理由帮你的人手里。

如果开发到一半才发现这一点，之前的每个承诺都会变成负债。所以 FDE 的任务，是在签下承诺之前先回答数据问题。这件事可以拆成清晰、有序的几步。

## 为什么客户的仪表盘会误导你？

第一个障碍是客户自己的信心。Easy.bi 观察到，大多数中型企业仅仅因为仪表盘还在运行，就认为自己的数据质量不错，并直言这并不意味着数据已为 AI 就绪。Veeam 把这两个概念区分开：使用情况描述的是活动，就绪度描述的是能力。

原因不难理解。仪表盘把成千上万行汇总成一个数字，几百行缺失值就此消失不见。而一个需要逐个回答具体问题的智能体，恰恰会在这些行上栽跟头。

**要点:** 仪表盘能正常运行，不能证明数据已经为 AI 就绪。

仪表盘还掩盖了另一件事：就绪度总是和具体用例绑定。同一份数据，对一个问题够用，对另一个问题可能就不够。所以不要笼统地给“客户的数据”打分，而要给“客户用于 X 任务的数据”打分。

Phos AI Labs 列出了 AI 就绪数据的五项属性：可访问、一致、完整、准确、及时。Easy.bi 则用另一套 4 项标准，每项按 1–5 级成熟度打分，评估周期为 5 天。

Phos 的五项属性足以检查数据本身，却不能告诉你是否被允许使用这些数据。这个问题单独成节，放在下面的示例之后。

## 一个完整示例

设想一家零部件分销商，希望用智能体回答经销商的两个问题：“这个零件有货吗？”和“什么时候发货？”它的库存仪表盘多年来运行良好。你把用例写成一句话：经销商提问的那一刻，智能体必须给出每笔订单正确的库存水平和预计发货日期。

接着，你申请对订单系统的直接读取权限，而不是导出文件，然后随机抽取 200 笔订单。假设结果是：只有 124 笔订单有预计发货日期。两个仓库使用两套不同的产品编码规则，而且数据每晚由一个人手动导出。

Phos 对检查清单的每一项按“是／部分／否”打分（2／1／0 分），按标准汇总得分，任何低于 70% 的标准都视为开发前必须补上的缺口。另一家供应商 RaftLabs 也用 70 作为分界线，但满分是 100。因此，这个数字应视为供应商的经验值，并没有哪项行业标准规定它。

以“完整”这项标准为例，假设它的检查清单有三项。每笔订单都有零件编码：是，2 分。库存按仓库记录：只有一个仓库完整记录，所以是部分，1 分。订单有预计发货日期：200 笔中有 124 笔，即 62%，所以是部分，1 分。

合计 6 分中得 4 分，约 67%，低于 70% 的阈值。注意，62% 不是得分，它只是让你选“部分”而不选“是”的证据。两者是不同的度量，混为一谈是评分表在客户面前失去可信度最快的方式。

五项属性的示例评分表如下：

| 属性 | 如何检查 | 示例结果 | 得分 |
|---|---|---|---|
| 可访问 | 能直接读取，还是需要有人导出？ | 每晚手动导出 | 否（0），缺口 |
| 一致 | 同一零件编码在两个仓库是否一致？ | 两套不同规则 | 否（0），缺口 |
| 完整 | 三项：零件编码、分仓库存、发货日期 | 124/200 笔订单有发货日期 | 4/6，低于 70%，缺口 |
| 准确 | 抽样与实物盘点对比 | 需客户确认 | 尚未打分 |
| 及时 | 相对经销商提问时刻的滞后 | 最多滞后一晚 | 对此用例为否（0） |

“及时”这一行说明了为什么打分必须跟着用例走。如果客户要的是月度需求预测，数据滞后一晚无关紧要。但对实时回答的智能体来说，这点滞后就足以让它报错库存。

## 一项标准不达标，就该叫停吗？

是的，这正是关键所在。Phos 对每项标准分别套用阈值，所以四行好成绩弥补不了一行差成绩。Veeam 换了个说法表达同一个意思：AI 就绪度的天花板，永远由数据就绪度的地板决定。

Revenue Experts 通讯把这一逻辑用在预算审批上：每个 AI 项目都必须通过四项核心数据检查，任何一项不通过，无论其他方面得分多高，都会被标记为未就绪。四项检查之一是：数据质量必须在过去 90 天内测试过。

对这家零部件分销商，你能发出的最简单的问题是：上一次有人检查发货日期字段是什么时候？如果没人答得上来，每晚的手动导出和 62% 这个数字已经替他们回答了。

## 第一周就问清数据治理

Varsity 博客的文章指出，生产数据藏在权限后面，而且有主人。在上面的例子里，要问：每个经销商的合同价格能否出现在智能体的回答里？由谁签字批准？

如果答案是法务部门，而法务从没听说过这个项目，你就找到了最大的风险。同一篇文章强调，需求调研要和实际负责运营的人一起做，所以不要只问签合同的那个人。

在第一次需求调研中加入三个问题：数据归谁所有，谁批准模型读取数据，哪些字段属于个人数据或敏感数据。第一周问，只需要一封邮件；第十周才发现，可能赔上整个项目。

## 自己动手做，以及常见错误

整个流程一周内就能完成。把用例写成一句话，申请生产环境的读取权限而不是导出文件，抽样数据并给五项属性打分，然后提出数据治理问题。最后写一页上线与否的备忘录，列出每个缺口、补上它需要什么、由谁负责修复。

最常见的错误是相信客户的仪表盘。RaftLabs 估计，大多数组织对自身数据成熟度的评估比实际高 2-3 级，并建议先解决最弱的那项标准。第二个错误是脱离用例、笼统地给数据打分。

相反的错误也真实存在：等待完美的数据。Easy.bi 发现，大多数中型企业只处于 2-3 级，并警告说，要等到 5 级才开始的人永远交付不了。

最糟糕的错误，是在承诺签下之后才做评估。到那时，你发现的每个缺口听起来都像借口，而不是有价值的发现。

## 本周练习

拿一份你已有权限访问的数据集，给它设想两个节奏不同的 AI 用例：一个需要即时回答，一个只需要月度报告。针对每个用例按 2／1／0 分给五项属性打分，然后圈出结论发生变化的那几行。

把结果写成一句带数字的话，比如“为智能体用例评估数据，发现仅 62% 的订单有发货日期字段，建议开发前先补上缺口”。这句话值得写进简历；当 FDE 岗位描述提到需求界定、需求调研或数据评估时，这就是你要讲的故事。

下次有人问“我们三个月内能上生产环境吗？”，你会先问一句“用来做什么？”，再作回答。

**本周动手试试:**

- 选一个你或客户正在讨论的用例，写成一句话，点明数据需要支撑的决策。
- 从生产环境（而不是导出文件）拉取 200 条真实记录，算出具备该用例所需全部字段的记录占比。
- 向客户发出三个数据治理问题：这些数据归谁所有，谁批准模型读取，是否有字段属于个人数据。

## 信源

- [How to Check Data Readiness for AI Projects](https://phosailabs.com/blog/data-readiness-for-ai)

- [AI Data Readiness: The Assessment Your Team Skips (And Pays For Later)](https://www.easy.bi/blog/ai-data-readiness-assessment/)

- [Gate every AI budget on four data checks](https://revenueexperts.beehiiv.com/p/gate-every-ai-budget-on-four-data-checks)

- [Why Companies Need Forward Deployed Engineers, Not More AI Advice](https://www.interviewbit.com/varsity/blog/?p=808)

- [Is your business actually ready for AI? (The honest assessment)](https://www.raftlabs.com/blog/ai-readiness-assessment-guide)

- [Is Your Data Actually Ready for AI? A Readiness Check by Maturity Level](https://www.veeam.com/blog/ai-readiness-maturity-levels.html)
