[返回企业 AI 落地实践]() 落地指南场景与规划词元映射2026-10-24 # 企业立项 AI 场景前如何核查数据是否可用？ 本文面向企业AI项目的业务负责人与数据对接人员，解答候选场景立项前的数据核查难题，帮助团队在启动技术投入前摸清数据家底，规避因数据缺口或合规问题导致的项目风险与效果偏差。 ![扁平插画中数据抽屉旁放着放大镜与无字钥匙]() ## 本文回答 - 候选 AI 场景需要盘点哪些数据与访问条件？ - 如何判断现有数据质量能否支撑业务目标？ 本文面向企业AI项目的业务负责人与数据对接人员，解答候选场景立项前的数据核查难题，帮助团队在启动技术投入前摸清数据家底，规避因数据缺口或合规问题导致的项目风险与效果偏差。 下文引用的公开资料仅代表对应机构的自身做法，其余内容为通用实施建议，具体执行范围需由项目各参与方共同约定。 ## 候选AI场景的数据盘点维度 数据盘点工作由业务负责人牵头，联合数据资产管理员与一线业务岗共同开展，输入为候选AI场景的业务目标与典型任务，输出为经双方确认的数据资产清单。盘点需覆盖三类核心数据。 - 核心业务数据 指直接支撑场景任务的原始记录与历史结果，例如客服工单处理记录、商品属性数据、合同文本等，需覆盖场景全部典型任务的输入与输出要素 - 知识支撑数据 指用于辅助模型生成或决策的规则标准类数据，例如产品手册、服务规范、内部操作指引等，需明确更新频率与维护责任 - 外部关联数据 指场景需要引入的第三方数据，例如行业标准、公开基准数据等，需初步标注来源渠道与预期用途 英国政府AI实施准备指南建议依据用户需要安排数据，并理解数据局限以评估准备程度[51]()。盘点过程需同步记录每类数据的存放位置与维护主体，为后续访问核查与质量评估提供基础。如果盘点发现存在缺失的数据项，需标注缺口等级与补充可行性，暂不具备补充条件的需同步评估对场景目标的影响程度。 ## 数据访问与许可的核查要点 数据访问与许可核查由数据管理员牵头，联合合规岗共同开展，输入为已确认的数据资产清单，输出为数据访问权限与合规状态说明。核查首先聚焦访问可行性，需确认数据是否可通过现有接口、数据库或文件系统获取，获取时效是否满足场景开发与运行要求，是否需要额外的抽取同步工作。英国政府AI实施准备指南将数据访问是否可行及其获取速度列为需要核查的问题[51]()。Microsoft Purview文档要求通过数据源连接配置，授予质量扫描和剖析所需的读取访问[53]()。若当前访问权限不足，需明确申请流程与审批责任人，同步预估权限开通的周期。合规许可层面需区分内部与外部数据分别核查。内部数据需确认使用范围是否符合内部数据治理规定，是否涉及敏感信息与使用限制。外部数据需核查来源合法性与授权范围，确认授权是否覆盖AI场景的具体用途。英国政府数据AI就绪指南要求核查外部数据源的来源和许可权利[52]()。英国政府数据AI就绪指南认为明确政策、数据安全和生命周期透明度是数据治理的基础[52]()。若发现许可范围不覆盖场景用途，需暂停后续评估，先完成合规论证或补充授权。对于需要跨部门共享的数据，需明确访问控制规则与用途限制，避免数据超出约定范围使用。 ## 数据质量的评估方法 数据质量评估由数据分析师或数据质量岗牵头，一线业务岗配合开展，输入为数据资产清单与场景业务目标，输出为数据质量评估报告。评估需紧扣业务目标设置标准，避免采用脱离场景的通用质量指标。评估初期可先抽取覆盖不同时间、不同业务类型的样本，开展数据剖析，了解数据的结构、完整性与一致性现状。Microsoft Purview文档建议完成数据剖析后，逐列查看结果以理解数据当前结构和状态[53]()。剖析过程需邀请熟悉业务数据的人员参与，避免遗漏数据中隐含的业务规则或异常情况。英国政府AI实施准备指南建议与深入了解数据的人员协作评估数据质量[51]()。完成初步剖析后，需结合场景核心任务设置质量规则。例如用于智能分类的业务数据，需核查历史标签的一致性与准确率；用于知识问答的文档数据，需核查内容的完整性与时效性；用于预测类场景的数据，需核查历史记录的连续性与特征字段的完整性。英国政府AI实施准备指南建议核查数据格式及其在建模前是否需要大量准备[51]()。若数据格式或结构需要大量预处理，需同步评估整改的工作量与成本。如果评估发现质量未达要求，需判断缺口是否可通过清洗、标注、补充采集等方式整改，整改成本是否在项目可承受范围内。无法整改的缺口需评估对业务目标的影响，必要时调整场景预期或缩小试点范围。 ## 数据就绪的立项判断标准 完成数据盘点、访问核查与质量评估后，可从三个维度判断数据是否支撑场景立项。第一维度是访问与许可就绪，核心业务数据的访问路径已明确，权限申请流程可落地，获取时效满足开发与运行要求，内部数据使用符合治理规定，外部数据授权覆盖场景用途且不存在合规风险。第二维度是质量达标，核心数据的关键质量指标满足场景最低要求，或质量缺口的整改方案已明确，整改成本与周期在项目预算与排期可承受范围内。第三维度是责任清晰，每类数据的维护主体与更新机制已明确，后续数据迭代与质量维护有对应责任人，可支撑场景上线后的持续运行。不同阶段的场景可调整就绪标准，试点探索类场景可适当放宽要求，优先保障核心任务相关数据可用，辅助数据可在迭代过程中逐步补充。正式规模落地的场景则需严格匹配全部要求，避免后续出现数据断层。 ## 立项前数据核查核对清单 团队完成初步核查后，可对照以下条目确认工作完整性，再进入立项评审环节。 - 已组织业务负责人、数据管理员、一线业务岗共同参与数据盘点 - 已形成覆盖核心业务数据、知识支撑数据、外部关联数据的资产清单 - 已核查每类数据的存放位置、维护主体与获取方式 - 已确认数据访问权限申请路径与获取时效满足场景需要 - 已完成内部数据使用范围与外部数据授权许可的合规核查 - 已抽取典型样本开展数据剖析并形成初步质量结论 - 已结合场景业务目标设置对应的数据质量规则 - 已明确数据质量缺口的整改方案、成本与周期 - 已形成完整的数据核查报告并获得业务与数据方确认 ## 参考来源 - [Office for Artificial Intelligence · Planning and preparing for artificial intelligence implementation]() - [Department for Science, Innovation and Technology · Guidelines and best practices for making government datasets ready for AI]() - [Microsoft Learn · Overview of data quality in Microsoft Purview Unified Catalog]() ## 继续阅读指南 [全部指南]() - [!\[图片\]() ### 规划 AI 应用时如何划分人工与自动化任务？ 企业推进AI应用落地过程中，常面临人机边界模糊、人工复核权责不清、责任归属不明等实操难题，本文为业务负责人及项目核心成员提供兼顾合规与效率的具体任务划分参考方法。 阅读指南]() - [!\[图片\]() ### 规划企业 AI 方案时如何识别并登记影响风险？ 本文面向企业AI项目的业务负责人与风控对接人，梳理规划阶段识别并登记AI影响风险的实操方法，帮助团队系统覆盖受影响群体、明确使用边界、建立适配自身业务的动态风险调整机制。 阅读指南]() - [!\[图片\]() ### 企业 AI 试点开始前如何约定成败与停止条件？ 面向企业业务与技术条线的项目负责人，解决AI试点启动前成败标准模糊终止条件缺失的共性问题，帮助团队规避无意义的人力与资源投入，把业务诉求落地为可执行的明确判断依据。 阅读指南]()