尧图网页设计 
Tags数据治理 AI 大模型 数据质量 主数据 元数据 数据中台 NL2SQL 数据资产 数据驱动我的判断是AI越强数据治理越值钱。目录1 开头 2 先看AI现在能干什么 3 AI解决不了的三类数据问题 4 AI和治理其实是互相成就 5 我的判断治理更重要了 6 写在最后1 开头今年开始我被问得最多的问题变了。以前是「数据治理怎么落地」现在是「都有AI了还搞什么数据治理」。问的人里有业务方有数据同行也有甲方高管。有位甲方老板更直接说乙方给他演示过大模型一接上字段含义自动识别、数据质量自动检查、重复数据自动合并一套AI全搞定那我们花几百万建的数据治理体系是不是白建了。我当时回了他一句话治理不是被AI替代了是被AI放大了。先说结论AI来了数据治理不是不重要了是更重要了。2 先看AI现在能干什么不吹不黑现在的AI在数据领域确实能干不少活。第一自然语言查数。你问「上个月华东区SUV销量环比」AI直接生成SQL跑出结果。这在两三年前不可想象现在各家BI产品都在做。数据使用的门槛正在从「会SQL会BI」降到「会打字」。第二文档和代码。写个清洗脚本、生成个正则、总结一份数据字典AI比我带过的实习生上手快。我现在写复杂逻辑先让AI出一版再人工改效率至少提一半。第三体力活。给几百个字段补语义注释、把积压的报表文档读一遍提炼要点这类活AI干得又快又便宜。这些能力都是真的。但如果你就此得出结论数据治理可以被AI替代了那是把治理这件事想简单了。3 AI解决不了的三类数据问题我在G企做数据治理的时候碰到的三类问题AI一个都解决不了。第一类口径问题。同一个「销量」销售口径是开票数生产口径是下线数财务口径是确认收入数。同一个「活跃客户」市场部按触达算服务部按进厂算。你去问大模型它只会从喂给它的数据里挑一套口径算给你算完还信誓旦旦。数据没错AI没错错的是没人告诉它口径是什么。口径是什么、谁说了算这就是数据标准就是治理的活。这一块不治理AI只会把口径混乱的速度提上来。第二类主数据问题。G企当时同一个客户在不同系统里手机号、地址、购车时间全都不一样市场部、销售部、售后部各一套。AI能不能自动合并能试但错杀率你得认。一家人共用一个手机号、证件号录入错一位、先用车后补录信息这些场景靠算法匹配总有灰色地带最后还是要人定规则、人兜底。规则怎么定、合并后算谁的、错了怎么回滚这些是主数据管理的地盘也是治理的地盘。工具可以换这些问题一个都少不了。第三类人的问题。G企治理最难的不是写标准是让业务部门按标准填数据。标准文档签了字业务人员该不填的字段还是不填。最后靠什么落地的靠在业务系统里加校验规则不按规范格式填就提交不了再加一个数据质量看板定期通报各部门合格率用数据管数据才真正从一次性项目变成常态化管理。AI能替销售顾问把客户信息填对吗不能。工具永远管不住人能管住人的只有机制。说白了这三类问题没有一个是技术问题全是管理问题。AI再强它是个工具工具解决不了组织的问题。我总结了一句糙理以前是垃圾进垃圾出现在是垃圾进、AI放大了垃圾出。数据脏的企业上了AI等于给全公司配了一个语速很快、自信满满、但时不时胡说八道的分析师。4 AI和治理其实是互相成就讲完AI不行的讲讲两边怎么结合。我看到的结合点有两个方向。方向一AI帮治理提效。三个已经能落地的点。一是元数据自动化。以前给几百张表补字段注释、做数据分类分级工作量按人年算。现在大模型扫一遍字段名和样例数据能给出八成的语义标注人工只做复核。华为云DataArts这类平台已经在做数据资产智能编目这个方向是对的治理里最枯燥的部分会被AI吃掉。二是质量规则推荐。大模型理解字段的业务含义后能推荐该配哪些质量规则手机号格式、日期范围、枚举值合法性生成的规则比人从模板里挑得全。治理规则的生产效率确实被AI提上来了。三是数据资产问答。把元数据、指标字典、口径定义喂给大模型业务方问「这个指标谁负责、口径是什么」AI直接答。注意这是治理成果的变现出口。治理做得好的企业这个场景马上能用。治理没做的问了也白问因为没有干净的知识可答。方向二治理给AI供弹药。现在企业落地AI最先卡住的环节你知道是什么吗是数据。做知识库文档乱七八糟、版本混乱、术语不统一AI检索出来的就是错的。做经营分析助手底层数据口径不一致AI给出的数今天一个样明天一个样业务方用一次就不信了。都说AI幻觉我看AI幻觉的锅一半在模型另一半在数据。喂进去的数据越干净、口径越统一、元数据越全AI的输出就越靠谱。治理就是给AI打地基的那个人。5 我的判断治理更重要了三个理由。第一用数据的人要暴增了。AI把门槛打下来之后看数据的人会多一个数量级。使用的人多了十倍脏数据的杀伤半径就大了十倍。以前一张错报表影响一个部门现在一个错答案能顺着AI对话传遍全公司还带着「AI说的」这层信任背书。第二AI拉开了数据质量的价值差距。同一个大模型数据干净的企业和数据脏的企业用出来的效果差距会比以前更大。以前数据质量差报表数字不对业务方骂两句数据团队。现在数据质量差AI一本正经地胡说决策跟着错。治理从成本项变成了竞争力项。第三往长了看数据资产入表、AI训练语料、企业知识库哪个都绕不开治理。数据这个资产不治理就是负资产治理了才是资产。AI时代只是把这个账算得更清楚了。给同行一句话。别焦虑工具工具会一直换我18年换过的工具两只手数不完。把标准、质量、主数据、元数据这套基本功练扎实在AI时代不但不过时还更值钱。6 写在最后这是12篇的最后一篇。回头看这一季其实就讲了一条线。前四篇讲数据怎么治主数据、OneID、CDGP认证、数仓分层。中间四篇讲数据怎么用数据质量、标签体系、上云迁移、数据驱动。后四篇讲人怎么立中年焦虑、面试、工具变迁、AI。从乱到治从治到用从用到人这就是我理解的数字化这条路。AI来了这条线没有断。反而是这条路修到了AI的门口。作者 凌波18年汽车行业数字化老兵CDGP数据治理专家。从DMS运维到数据中台架构干过甲方也干过乙方。下一季预告 敏捷Scrum实战、数据资产入表、数仓中台数据湖 AI来了，数据治理还重要吗
Tags数据治理 AI 大模型 数据质量 主数据 元数据 数据中台 NL2SQL 数据资产 数据驱动我的判断是AI越强数据治理越值钱。目录1 开头 2 先看AI现在能干什么 3 AI解决不了的三类数据问题 4 AI和治理其实是互相成就 5 我的判断治理更重要了 6 写在最后1 开头今年开始我被问得最多的问题变了。以前是「数据治理怎么落地」现在是「都有AI了还搞什么数据治理」。问的人里有业务方有数据同行也有甲方高管。有位甲方老板更直接说乙方给他演示过大模型一接上字段含义自动识别、数据质量自动检查、重复数据自动合并一套AI全搞定那我们花几百万建的数据治理体系是不是白建了。我当时回了他一句话治理不是被AI替代了是被AI放大了。先说结论AI来了数据治理不是不重要了是更重要了。2 先看AI现在能干什么不吹不黑现在的AI在数据领域确实能干不少活。第一自然语言查数。你问「上个月华东区SUV销量环比」AI直接生成SQL跑出结果。这在两三年前不可想象现在各家BI产品都在做。数据使用的门槛正在从「会SQL会BI」降到「会打字」。第二文档和代码。写个清洗脚本、生成个正则、总结一份数据字典AI比我带过的实习生上手快。我现在写复杂逻辑先让AI出一版再人工改效率至少提一半。第三体力活。给几百个字段补语义注释、把积压的报表文档读一遍提炼要点这类活AI干得又快又便宜。这些能力都是真的。但如果你就此得出结论数据治理可以被AI替代了那是把治理这件事想简单了。3 AI解决不了的三类数据问题我在G企做数据治理的时候碰到的三类问题AI一个都解决不了。第一类口径问题。同一个「销量」销售口径是开票数生产口径是下线数财务口径是确认收入数。同一个「活跃客户」市场部按触达算服务部按进厂算。你去问大模型它只会从喂给它的数据里挑一套口径算给你算完还信誓旦旦。数据没错AI没错错的是没人告诉它口径是什么。口径是什么、谁说了算这就是数据标准就是治理的活。这一块不治理AI只会把口径混乱的速度提上来。第二类主数据问题。G企当时同一个客户在不同系统里手机号、地址、购车时间全都不一样市场部、销售部、售后部各一套。AI能不能自动合并能试但错杀率你得认。一家人共用一个手机号、证件号录入错一位、先用车后补录信息这些场景靠算法匹配总有灰色地带最后还是要人定规则、人兜底。规则怎么定、合并后算谁的、错了怎么回滚这些是主数据管理的地盘也是治理的地盘。工具可以换这些问题一个都少不了。第三类人的问题。G企治理最难的不是写标准是让业务部门按标准填数据。标准文档签了字业务人员该不填的字段还是不填。最后靠什么落地的靠在业务系统里加校验规则不按规范格式填就提交不了再加一个数据质量看板定期通报各部门合格率用数据管数据才真正从一次性项目变成常态化管理。AI能替销售顾问把客户信息填对吗不能。工具永远管不住人能管住人的只有机制。说白了这三类问题没有一个是技术问题全是管理问题。AI再强它是个工具工具解决不了组织的问题。我总结了一句糙理以前是垃圾进垃圾出现在是垃圾进、AI放大了垃圾出。数据脏的企业上了AI等于给全公司配了一个语速很快、自信满满、但时不时胡说八道的分析师。4 AI和治理其实是互相成就讲完AI不行的讲讲两边怎么结合。我看到的结合点有两个方向。方向一AI帮治理提效。三个已经能落地的点。一是元数据自动化。以前给几百张表补字段注释、做数据分类分级工作量按人年算。现在大模型扫一遍字段名和样例数据能给出八成的语义标注人工只做复核。华为云DataArts这类平台已经在做数据资产智能编目这个方向是对的治理里最枯燥的部分会被AI吃掉。二是质量规则推荐。大模型理解字段的业务含义后能推荐该配哪些质量规则手机号格式、日期范围、枚举值合法性生成的规则比人从模板里挑得全。治理规则的生产效率确实被AI提上来了。三是数据资产问答。把元数据、指标字典、口径定义喂给大模型业务方问「这个指标谁负责、口径是什么」AI直接答。注意这是治理成果的变现出口。治理做得好的企业这个场景马上能用。治理没做的问了也白问因为没有干净的知识可答。方向二治理给AI供弹药。现在企业落地AI最先卡住的环节你知道是什么吗是数据。做知识库文档乱七八糟、版本混乱、术语不统一AI检索出来的就是错的。做经营分析助手底层数据口径不一致AI给出的数今天一个样明天一个样业务方用一次就不信了。都说AI幻觉我看AI幻觉的锅一半在模型另一半在数据。喂进去的数据越干净、口径越统一、元数据越全AI的输出就越靠谱。治理就是给AI打地基的那个人。5 我的判断治理更重要了三个理由。第一用数据的人要暴增了。AI把门槛打下来之后看数据的人会多一个数量级。使用的人多了十倍脏数据的杀伤半径就大了十倍。以前一张错报表影响一个部门现在一个错答案能顺着AI对话传遍全公司还带着「AI说的」这层信任背书。第二AI拉开了数据质量的价值差距。同一个大模型数据干净的企业和数据脏的企业用出来的效果差距会比以前更大。以前数据质量差报表数字不对业务方骂两句数据团队。现在数据质量差AI一本正经地胡说决策跟着错。治理从成本项变成了竞争力项。第三往长了看数据资产入表、AI训练语料、企业知识库哪个都绕不开治理。数据这个资产不治理就是负资产治理了才是资产。AI时代只是把这个账算得更清楚了。给同行一句话。别焦虑工具工具会一直换我18年换过的工具两只手数不完。把标准、质量、主数据、元数据这套基本功练扎实在AI时代不但不过时还更值钱。6 写在最后这是12篇的最后一篇。回头看这一季其实就讲了一条线。前四篇讲数据怎么治主数据、OneID、CDGP认证、数仓分层。中间四篇讲数据怎么用数据质量、标签体系、上云迁移、数据驱动。后四篇讲人怎么立中年焦虑、面试、工具变迁、AI。从乱到治从治到用从用到人这就是我理解的数字化这条路。AI来了这条线没有断。反而是这条路修到了AI的门口。作者 凌波18年汽车行业数字化老兵CDGP数据治理专家。从DMS运维到数据中台架构干过甲方也干过乙方。下一季预告 敏捷Scrum实战、数据资产入表、数仓中台数据湖