数据治理方法论
AI 供数治理五步闭环 · GOVERN TO SERVE
"垃圾进，垃圾出。AI 项目的上限，在数据治理开工那天就已经决定了。"
新质云数据治理方法论（AI 供数治理五步闭环）是一套以「让 AI 决策中枢有可信的数可用」为目标的轻量级数据治理方法：不追求一步到位的全量治理，而是从企业真实的 AI 应用场景倒推所需数据，按「盘家底 → 定语言 → 把关 → 接语义 → 常运营」五步闭环推进，治理成果最终沉淀为 Ontology 语义层可消费的高质量数据，让大脑（AI 模型中枢）与地图（Ontology 本体）有数可依、有据可循。
为什么传统数据治理救不了 AI 项目
多数企业的数据治理停留在「建制度、编手册、上平台」，文档一大摞，AI 项目开工时却发现：口径对不齐、质量没人管、语义没人译——AI 读到的数，和业务理解的数，根本不是同一个数。
口径对不齐
同一个「销售额」，销售、财务、供应链三套算法。人尚可当场对齐，AI 只会忠实放大分歧。
质量没人管
缺漏值、断点、手工台账混在主数据里。人靠经验纠错，AI 靠垃圾纠错——它做不到。
语义没人译
数据字典躺在文档里，业务黑话（铁三角、齐套率、一次合格率）没有进入系统语义层，AI 看得见数、读不懂业务。
治理大而全
追求全量资产一步到位，两年建不成一个闭环。AI 场景等不起，业务方早已失去耐心。
AI 供数治理五步闭环
不追求全量治理，从 AI 应用场景倒推。每一步都有明确交付物，一个场景一个闭环，跑通即可复制到下一个场景。
🔍 盘家底
INVENTORY围绕目标 AI 场景盘点数据资产：数据在哪、谁在维护、血缘如何、更新频率多少。产出场景级数据资产清单，而非全量资产目录。
📐 定语言
STANDARDIZE统一指标口径与主数据标准：同一个业务概念只允许一种算法。让销售、财务、供应链说同一种「数据普通话」。
🛡️ 把关
QUALIFY建立从源头到消费端的质量规则与校验闭环：完整性、准确性、及时性、一致性四类规则自动校验，异常数据有归属、有处置。
🗺️ 接语义
SEMANTIFY把治理后的数据接入 Ontology 语义层：业务黑话翻译成机器可理解的对象、链接与动作，AI 才能真正「看懂」业务。
🔄 常运营
OPERATE治理不是项目是运营：数据责任到人、质量指标进考核、新场景按闭环复制。让治理体系跟着业务一起进化。
传统数据治理 vs AI 供数治理
不是推翻传统治理，而是换一个靶心：从「为报表合规」转向「为 AI 供数」，方法论随之改变。
| 维度 | 传统数据治理 | AI 供数治理 |
|---|---|---|
| 治理目标 | 报表合规、审计通过 | AI 决策中枢有可信的数可用 |
| 服务对象 | 数据团队与审计部门 | 业务一线 + AI 系统 |
| 成功标准 | 制度文档与平台上线 | AI 输出质量与决策效率提升 |
| 推进范围 | 全量资产一步到位 | 从 AI 场景倒推的最小闭环 |
| 语义处理 | 数据字典躺在文档里 | 业务语义接入 Ontology 供 AI 消费 |
| 见效周期 | 以年计，常半途而废 | 单场景闭环以周计，可复制 |
治理的终点，是地图的起点
数据治理与 Ontology 是上下游关系：治理管「数据的可信」，Ontology 管「数据的语义」。治理产出的干净数据，必须翻译成 Ontology 的对象、链接与动作，AI 决策中枢才能真正运转。
五步闭环的第 4 步「接语义」直接对接 Ontology 建模，治理成果不落地为语义层等于白治理
地图（Ontology）是 AI 的世界模型，数据治理是这个世界模型的供给管线
大脑（AI 模型中枢）的能力上限，取决于治理后数据的质量下限
核心交付成果
从场景数据清单到治理运营看板——交付的不是一份治理白皮书，而是让 AI 用得上数的运行体系。
场景级数据资产清单
围绕目标 AI 场景的数据资产盘点与血缘图谱，明确每个数据的来源、责任方与更新频率。
指标口径字典
企业核心业务指标的唯一权威算法，让三个部门说出同一个「销售额」。
数据质量规则库
四类质量规则与自动校验机制，异常数据有告警、有归属、有处置。
Ontology 语义接入
治理成果沉淀为语义层的对象、链接与动作，直接供 AI 决策中枢消费。
治理度量看板
治理进度与数据质量指标可视化，让治理效果对管理层可量化、可汇报。
场景复制机制
数据责任矩阵与闭环方法论模板化，一个场景跑通，后续场景按图复制。
关于数据治理的常见问题
01数据治理和数据中台是什么关系？
数据中台是「存数据和算数据的工厂」，数据治理是「保证进厂的原料合格、出厂的产品达标」的质量体系。中台没有治理，就是一座堆放劣质原料的仓库——AI 在上面跑得越快，错得越快。新质云的做法是治理先行于中台建设：先用最小闭环证明价值，再决定中台投入。
02为什么 AI 项目要先做数据治理？
AI 模型不会质疑数据，只会忠实放大数据的问题。口径不一致，AI 会把三种「销售额」混着学；质量有缺口，AI 会把断点当成趋势。所以在 AI 项目立项时同步启动场景级数据治理，是成本最低、见效最快的路径——治理范围从 AI 场景倒推，不做全量、不做无用功。
03数据做到什么程度才算「AI 可用」？
四个标准：口径统一（同一指标唯一算法）、质量受控（四类质量规则自动校验且异常有处置）、语义可读（业务概念已翻译为 Ontology 的对象与链接）、供给持续（更新频率满足 AI 场景要求且有责任方维护）。四条齐了，这个场景的数据就是 AI 可用的，可以进入模型训练或 RAG 知识库。