AI 数据基础设施审计：买工具之前的准备度检查

AI 数据基础设施审计会在你为工具花钱之前，检查数据在哪里、这个工具是否真的用得上。它覆盖四个领域——媒体、运营、财务和人才——并以一个 40 分制的准备度分数收尾，让缺口是被排序，而不是被感觉。

让人不舒服的一点是：大多数 AI 投资失败在数据上，而不是模型上。一个团队买来很有前景的工具，把它对准散落的表格和没有标注的投放名称，然后拿到无法信任的输出。审计把这一发现提前，让它的代价是一小时，而不是一个预算周期。

它是为单个业务单元设计的，而不是整家公司。挑最痛的客户，走完四个部分，给你发现的东西打分。

什么是 AI 数据基础设施审计？

AI 数据基础设施审计是对你的 AI 工作流将要依赖的数据做一次结构化盘点。对每一类数据，它问三个朴素的问题：存在哪里、AI 能不能通过 API 或导出来查询、有没有标注和清理。答案汇成一份缺口清单，缺口清单再变成项目计划。

它刻意不是数据治理项目，也不是编目练习。范围很窄：在一个具体的 AI 计划开始之前，找出会挡住它的缺口。把永远不会用到的数据做得完美，是一种分心。审计聚焦媒体、运营、财务和人才数据，因为这四类正是媒体团队里 AI 工作流真正会碰到的数据。

它和工作流审计的区别很重要。工作流审计决定自动化什么。数据基础设施审计决定你是否被允许这么做。当你怀疑地基很弱时，先跑这一个。

审计应覆盖媒体、运营、财务和人才的哪些内容？

在完整审计之前，四个前提决定要不要继续。缺任何一个，修复它就是你的第一个项目——而且这时还不该买 AI 工具。

• 投放表现数据可查询，而不是被困在平台界面里。你能把曝光、点击、转化和花费通过导出或 API 拉到一个地方。
• 命名规则在所有平台上一致且可解析。AI 无法分析它识别不出的数据。
• 转化定义有文档，并且在任何地方含义一致，而不是各平台各说各话。
• 至少存在一条跨数据集连接，把投放表现和小时数、毛利或某个创意素材连起来。

有了这些，再审计四个部分。媒体数据覆盖投放表现、受众、创意表现、行业基准、两年以上历史、归因和同意信号。运营数据覆盖每位客户的小时数、资源分配、交付周期、修改回合和审批瓶颈。财务数据覆盖每项交付物的成本、每位客户的毛利、按服务线的盈利、供应商成本、人均营收和范围蔓延。人才数据覆盖利用率、技能清单、培训记录、供需对比、流失风险和 AI 熟练度。

四个部分只有连起来才有用。这才是审计真正的重点：孤立的数据是盘点，连接起来的数据才是洞察。如果某个客户的修改回合翻倍、毛利掉了 15%，你能在一个地方同时看到两者吗？如果看不到，那条连接就是优先级，而不是去清理任何单一数据集。

如何为 AI 数据准备度打分？

为八项因素打 1 到 5 分，合计 40 分。这些因素是：投放数据可查询并已标注；命名规则被强制执行；转化定义一致；两年以上历史可访问且干净；至少两个部分互相关联；运营数据被跟踪；财务数据与投放表现相连；并且至少有一个人能管理数据质量。

总分落在四个区间。32 到 40 分意味着你可以开始试点。24 到 31 分意味着先修那些打 1 分或 2 分的项，因为这些具体缺口会导致失败。16 到 23 分意味着接下来 30 天先投在地基上，再评估任何供应商。低于 16 分意味着地基还不存在，AI 工具只会在上面产出垃圾。

单个数字的价值在于它能扛住一场与高层的对话。「数据感觉有点乱」不是一行预算。「我们打了 40 分里的 19 分，其中三项因素占了大部分」才是。持续跟踪这个分数，它就会成为地基工作在见效的证据。

如何执行这项数据基础设施审计？

从四个前提开始，任何一条不通过就停下——这正是关口的意义。然后一次一个业务单元，填满四个部分表格，并且让备注栏保持诚实。缺口就住在备注里。

接着，画一张横跨媒体、运营、财务和人才数据的连接图，回答三个问题：你能否把一次投放追到它的盈利，并且把人工小时算进去；当修改回合飙升时，它会不会自动出现在财务数据里；以及你是否知道哪些资深人员在做低毛利客户。任何一个「不能」，或「只有有人跑报表才行」，就是你的第一个地基项目。

最后，为八项因素打分，合计 40 分，并按影响、投入和负责人排出前三大缺口。经验法则是：先修数据集之间的连接，再修任何单一数据集的质量——一张连起来但凌乱的视图，胜过一张干净却孤立的视图。从这里，准备度记分卡会告诉你团队是否准备好据此行动，而衡量架构会指出干净的数据接下来该流向哪里。