2025年春节以来，DeepSeek热度一浪高过一浪，各大平台厂商纷纷表示已接入DeepSeek，并呼吁企业上AI赋能业务以便抓住这波AI红利。的确，在人工智能正在逐步渗透企业运营的今天，各企业已被代入焦虑状态，好像你不接入AI就被时代淘汰一样。
但，我们必须保持清醒。AI大模型的应用，必须依赖真实有效的数据，传统企业ERP、CRM等系统产生的数据往往因烟囱式的系统架构导致数据割裂、不一致、不统一等数据脏乱差的现象。前面笔者写过文章，大多数企业数据已成为摆设，很明确地阐述了企业数据的现状。请读者翻阅笔者文章>>大多数企业“数据”成为摆设！
所以，在引入AI之前，必要的数据治理势在必行。可以说数据治理已成为决定AI应用成效的核心命题。当前超过70%的企业数据治理项目仍由IT部门主导，这种错位的组织方式正成为阻碍企业数字化转型的最大障碍。
一、IT主导的治理困局
1.数据视野的先天局限
IT部门聚焦于ERP、CRM等业务系统产生的结构化数据治理，这类原始数据仅占企业数据资产的30%。而业务决策需要的供应商评估数据、管理层需要的经营分析数据、客户服务需要的体验反馈数据，往往散落在邮件、报表、会议纪要等非结构化载体中。
比如，某制造企业曾耗费千万构建数据中台，却因缺失供应商实时运力数据，导致智能调度系统沦为摆设。
2.业务逻辑的理解断层
当IT人员将“客户满意度”简单定义为系统投诉记录时，而业务部门实际需要的却是NPS评分、服务响应速度、问题解决周期等复合指标。
比如，某零售集团的数据治理项目曾因未纳入门店动线热力图数据，致使AI选品模型准确率不足50%。这种需求错配的根本症结，在于技术思维难以穿透业务场景的本质逻辑。
二、业务驱动的治理范式
1.需求倒逼的治理路径
真正有效的治理应从战略层展开：
- 决策层明确经营分析所需的利润率、市场占有率等核心指标；
- 业务层梳理采购、生产、销售等环节的决策支撑数据需求；
- 执行层规范数据采集标准与质量校验规则。
比如，某物流企业通过业务部门主导的治理，将运输成本分析的数据准备周期从15天缩短至实时可视化，直接推动年度成本下降12%。
2.复合型人才的桥梁作用
既懂供应链又能解析数据模型的采购专家，熟悉生产流程且掌握Python的质量工程师，这类即懂业务又懂技术的“业务数据官”正在成为数据治理体系的中坚力量。他们能够：
- 将业务语言转化为数据需求说明书；
- 设计兼顾实用性与扩展性的数据产品；
- 建立持续优化的数据质量反馈机制。
三、实施落地的关键步骤
成立跨部门的数据治理委员会：由COO或CDO挂帅，业务单元负责人担任数据Owner
- 绘制数据价值地图：识别各业务环节的高价值数据资产与治理优先级；
- 构建敏捷治理平台：采用低代码工具实现业务人员自主的数据质量监控；
- 建立激励考核机制：将数据质量与业务部门KPI强关联。
比如，某医药集团将临床实验数据治理权交给研发部门后，AI药物筛选模型的成功率提升3倍，专利申报周期缩短40%。
这个示例也进一步印证了华为掌舵者任正非的判断：“数据不是IT的玩具，而是业务的武器。”
四、写在后面
在数据即生产力的新时代，企业需要重新定义治理逻辑——不是用技术规范业务，而是让业务驱动技术。唯有打破IT主导的传统范式，才能释放数据资产的真正价值，为AI应用筑牢根基，到那个时候，AI的导入才能发挥其应有的价值。