AI 數據基建審計：買工具之前的準備度檢查

AI 數據基建審計會在你為工具花錢之前，檢查數據在哪裡、這個工具是否真的用得上。它覆蓋四個領域——媒體、營運、財務和人才——並以一個 40 分制的準備度分數收尾，讓缺口是被排序，而不是被感覺。

讓人不舒服的一點是：大多數 AI 投資失敗在數據上，而不是模型上。一個團隊買來很有前景的工具，把它對準散落的表格和沒有標註的投放名稱，然後拿到無法信任的輸出。審計把這個發現提前，讓它的代價是一小時，而不是一個預算週期。

它是為單個業務單位設計的，而不是整家公司。挑最痛的客戶，走完四個部分，給你發現的東西打分。

甚麼是 AI 數據基建審計？

AI 數據基建審計是對你的 AI 工作流將要依賴的數據做一次結構化盤點。對每一類數據，它問三個樸素的問題：存在哪裡、AI 能不能通過 API 或匯出來查詢、有沒有標註和清理。答案匯成一份缺口清單，缺口清單再變成項目計劃。

它刻意不是數據治理項目，也不是編目練習。範圍很窄：在一個具體的 AI 計劃開始之前，找出會擋住它的缺口。把永遠不會用到的數據做得完美，是一種分心。審計聚焦媒體、營運、財務和人才數據，因為這四類正是市場推廣團隊裡 AI 工作流真正會碰到的數據。

它和工作流審計的區別很重要。工作流審計決定自動化甚麼。數據基建審計決定你是否被允許這樣做。當你懷疑地基很弱時，先跑這一個。

審計應覆蓋媒體、營運、財務和人才的哪些內容？

在完整審計之前，四個前提決定要不要繼續。缺任何一個，修復它就是你的第一個項目——而且這時還不該買 AI 工具。

• 投放表現數據可查詢，而不是被困在平台介面裡。你能把曝光、點擊、轉化和花費通過匯出或 API 拉到一個地方。
• 命名規則在所有平台上一致且可解析。AI 無法分析它識別不出的數據。
• 轉化定義有文件，並且在任何地方含義一致，而不是各平台各說各話。
• 至少存在一條跨數據集連接，把投放表現和小時數、毛利或某個創意素材連起來。

有了這些，再審計四個部分。媒體數據覆蓋投放表現、受眾、創意表現、行業基準、兩年以上歷史、歸因和同意訊號。營運數據覆蓋每位客戶的小時數、資源分配、交付週期、修改回合和審批瓶頸。財務數據覆蓋每項交付物的成本、每位客戶的毛利、按服務線的盈利、供應商成本、人均營收和範圍蔓延。人才數據覆蓋利用率、技能清單、培訓記錄、供需對比、流失風險和 AI 熟練度。

四個部分只有連起來才有用。這才是審計真正的重點：孤立的數據是盤點，連接起來的數據才是洞察。如果某個客戶的修改回合翻倍、毛利跌了 15%，你能在一個地方同時看到兩者嗎？如果看不到，那條連接就是優先級，而不是去清理任何單一數據集。

如何為 AI 數據準備度打分？

為八項因素打 1 到 5 分，合計 40 分。這些因素是：投放數據可查詢並已標註；命名規則被強制執行；轉化定義一致；兩年以上歷史可訪問且乾淨；至少兩個部分互相關聯；營運數據被追蹤；財務數據與投放表現相連；並且至少有一個人能管理數據品質。

總分落在四個區間。32 到 40 分意味着你可以開始試點。24 到 31 分意味着先修那些打 1 分或 2 分的項，因為這些具體缺口會導致失敗。16 到 23 分意味着接下來 30 天先投在地基上，再評估任何供應商。低於 16 分意味着地基還不存在，AI 工具只會在上面產出垃圾。

單個數字的價值在於它能扛住一場與高層的對話。「數據感覺有點亂」不是一行預算。「我們打了 40 分裡的 19 分，其中三項因素佔了大部分」才是。持續追蹤這個分數，它就會成為地基工作正在見效的證據。

如何執行這項數據基建審計？

從四個前提開始，任何一條不通過就停下——這正是關口的意義。然後一次一個業務單位，填滿四個部分表格，並讓備註欄保持誠實。缺口就住在備註裡。

接着，畫一張橫跨媒體、營運、財務和人才數據的連接圖，回答三個問題：你能否把一次投放追到它的盈利，並把人工小時算進去；當修改回合飆升時，它會不會自動出現在財務數據裡；以及你是否知道哪些資深人員在做低毛利客戶。任何一個「不能」，或「只有有人跑報表才行」，就是你的第一個地基項目。

最後，為八項因素打分，合計 40 分，並按影響、投入和負責人排出三大缺口。經驗法則是：先修數據集之間的連接，再修任何單一數據集的品質——一張連起來但凌亂的視圖，勝過一張乾淨卻孤立的視圖。從這裡，準備度記分卡會告訴你團隊是否準備好據此行動，而衡量架構會指出乾淨的數據接下來該流向哪裡。