我发现一个很有趣的现象，就是几乎所有的企业都在疯狂地往公司里“搬”AI，买最好的大模型，请最贵的咨询顾问，生怕错过这趟车。但聊到具体效果时却唉声叹气，焦虑感就这样产生了。

有个做零售的朋友，花大价钱上了一套AI系统，想让它分析销售数据，预测爆款。结果AI给出的建议却是驴唇不对马嘴。还有位做制造业的老板，想用AI优化供应链。他问AI：“根据我们过去三年的数据，预测下个季度A零件的最佳库存应该是多少？”AI回答：“无法准确计算，因为我看到你的数据库中有很多个名称协同的‘A零件’，我不知道它们是不是同一个东西。”

这样的例子，比比皆是。

我也一直在思考这个问题。在我看来，问题不出在AI本身，而是出在我们给AI“喂”的“饭”上——也就是我们企业的数据。而要解决这个问题，需要大量的专业人员去做数据治理，由此可能催生出一个重要的新岗位。

一、垃圾进，垃圾出

我们总觉得AI很神奇，像个无所不能的魔法师。但剥开华丽的外壳，AI的本质是一个超级学霸，它的能力完全来自于它学习的“教材”——也就是数据。

你给它读的是莎士比亚全集，它就能写出优美的诗篇。但如果你给它读的是一堆颠三倒四、错字连篇的废纸，那它再聪明，也只能学成一个满嘴胡话的疯子。

这个道理很简单，就是计算机科学里一句很有名的话：“Garbage in, garbage out.”（垃圾进，垃圾出。）

现在，我在企业做，我深深知道咱们大部分企业的内部数据是个什么样子，我常把它比作一个年久失修的巨大仓库：

1. 标签混乱（元数据治理问题）：仓库里堆满了箱子，但有的箱子没贴标签，有的贴错了。一箱写着“苹果”的，打开可能是“土豆”。你让AI去拿“苹果”，它能不懵吗？
2. 单位不统一（数据清洗问题）：有的箱子用“公斤”做单位，有的用“斤”，还有的用“箱”。AI看到数字“10”，它完全不知道这“10”代表的是多重。
3. 黑话横行（数据语义层问题）：销售部管大客户叫“KA”，市场部叫“头部客户”，财务部叫“A级信用客户”。这三个词指的可能是同一群人，但AI不知道啊，在它眼里这就是三个完全不同的东西。
4. 宝藏与垃圾混放（高质量数据集问题）：仓库里有珍贵的黄金，也有发霉的面包，全都混在一起。你让AI去“淘金”，它很可能一头扎进垃圾堆里，然后给你捧回一堆垃圾。

所以，问题来了。谁来整理这个烂摊子？

我们第一反应，肯定是“找IT部门啊，他们管数据的”。没错，IT同事是技术专家，他们懂得如何建数据库、写代码、做系统，他们是仓库的“建造师”和“管理员”。

但你问一个IT小哥：“我们销售部说的‘客情维护’这个数据，到底应该包含哪些指标？”他很可能就一脸茫然。他知道数据放在哪个服务器的哪个表里，但他不知道这些数据在业务上的真实含义。他分不清哪些是“黄金”，哪些是“面包渣”。

这就是问题症结所在：整理企业内部数据这个活儿，它一半是技术，但更重要的另一半是业务。

一个不懂业务的人去治理数据，就像一个不认识草药的图书管理员去整理一本《本草纲目》。他可以把书摆得很整齐，但永远无法理解里面的精髓。

二、破局者：领域数据官（DDO）的诞生

要跨越这个峡谷，我们就需要一种全新的角色。

这个人，他首先必须是个资深的“业务老炮儿”。他可能是在销售一线干了十年的金牌销售，是懂生产线上每个螺丝钉的老厂长，是熟悉每一种物料的供应链专家。他脑子里装的，是这个行业、这个领域最活生生的知识和经验。

同时，他又要懂一些数据的基本逻辑，愿意学习和拥抱AI。他不必会写代码，但他要知道什么是“数据清洗”，什么是“元数据”，要能把自己的业务逻辑，翻译成AI能听懂的“普通话”。

我把这个新岗位，叫做领域数据官——Domain Data Officer，简称DDO。

这里的“领域（Domain）”二字，是灵魂。它强调了这个岗位的核心价值，不是来自技术，而是来自特定业务领域的深厚积淀。

一个合格的DDO，具体要做什么呢？我觉得要当好四个角色：

1. “翻译官”

他要负责建立一本公司的“数据字典”。把业务部门的各种“黑话”、术语，比如“KA”、“客情”、“坪效”等等，都翻译成统一、清晰、无歧义的数据语言，让全公司和AI都能看懂。

2. “质检员”

他要凭借自己的业务经验，去识别哪些是公司最核心、最有价值的“黄金数据”。比如，对于一个零售公司，高质量的“用户-商品-行为”数据就是黄金。DDO要带领团队，把这些黄金数据找出来，优先进行清洗和整理。

3. “标注大师”

他要负责定义数据的“标签规则”（也就是元数据）。比如，一笔销售记录，应该包含哪些信息？时间、地点、客户ID、商品编号、价格、优惠券……这些都要由最懂业务的人来定义，才能保证数据的完整和可用。

4. “数据资产管家”

他要梳理清楚自己业务领域内的数据资产，画出一张“数据地图”，告诉大家哪里有什么数据、数据质量如何、可以用来干什么。这样，AI才能高效地找到它需要的信息。

你看，这些工作，没有一件是纯粹的技术活。它们都需要对业务场景的深刻理解和洞察。

三、为什么说DDO是业务专家的黄金新机遇？

聊到这里，很多在传统岗位上工作多年的朋友可能会眼前一亮。

过去，大家总担心，AI来了，我们这些靠经验吃饭的人会不会被淘汰？

而DDO这个角色的出现，恰恰给出了一个响亮的答案：不会！你们的经验，非但不会过时，反而会成为AI时代最稀缺的宝贵资产。

AI的智力，需要高质量的燃料来驱动。而你们，就是在AI时代里知道燃料在哪、如何提纯燃料的人。

过去，你的经验存在你的脑子里，只能影响你身边的一小撮人。而现在，通过DDO这个岗位，你可以把你几十年的行业智慧，梳理、灌输到企业的数据底层，变成整个公司的“AI大脑”的一部分。AI会成为你经验的“放大器”，让你的智慧赋能到公司的每一个角落。

这是一种全新的价值实现方式。你不再只是一个执行者，你将成为企业“AI老师”和“数据架构师”。

所以，如果你是一位在某个领域深耕多年的业务专家，请不要再为AI的到来而焦虑。不妨主动去了解一些数据知识，去思考如何将你的业务经验“数据化”。

未来的企业里，最抢手的人才，一定不是那些只会用AI画画、写诗的人，而是像DDO这种，能把AI超能力与企业核心业务逻辑深度结合起来的复合型人才。

四、如何成为一名DDO？给业务专家的四点行动建议

看到这里，你可能已经心动了。“DDO这个方向太适合我了！” 作为一个在业务线摸爬滚打了多年的老兵，如果我想朝着这个方向努力，现在应该做些什么准备呢？

别急，这并非遥不可及。成为DDO不是让你转行去当程序员，而是让你在你最擅长的领域里，长出新的数据治理能力。这里有四点具体的建议，你可以从今天就开始做起：

1.从数据的使用者，变成数据的主人。

这是最重要的一步。过去，你可能觉得数据是报表上的一个数字，是IT部门提供给你的信息材料。从现在开始，你要把它当成你业务领域里最重要的资产，像爱护你的客户、你的产品一样去爱护它。

一句话，你要努力培养你的“数据思维”：

开会时，多问一句：“这个结论的数据支撑是什么？”

做决策时，多想一步：“我们的哪个数据可以用来验证这个想法？”

复盘项目时，多反思一下：“这次项目产生了哪些有价值的数据？我们记录下来了吗？”

当你开始发自内心地关心数据的“前世今生”，你就已经迈出了最关键的一步。

2. 不必会写代码，但要能听懂业务语言。

不需要成为IT技术专家，但你需要能和技术专家无障碍沟通。花点时间，去了解一些基础的数据概念，比如：

什么是元数据？ （就是数据的“说明书”）

什么是数据清洗？ （就是给数据“洗澡”，把脏东西去掉）

什么是API？ （就是不同软件之间对话的“插座”）

什么是数据库？ （就是存放数据的“仓库”）

这些知识在网上有很多通俗易懂的免费课程和文章。你的目标不是学会操作，而是学会理解。当你能听懂IT同事在说什么，并且能用相对准确的语言向他们描述你的业务需求时，你就掌握了跨界沟通的“密码”。

3. 行动上“当个侦探”：画出你自己部门的“数据地图”。

从你最熟悉的业务流程入手，去做一次“数据探索”。比如，你是一个销售经理，你可以试着画一下“一个新客户从线索到签约”的全过程，然后把它画出来：

这个客户信息最开始是在哪里录入的？

中间经过了哪些系统？（比如市场部系统 -> 销售CRM系统 -> 财务系统）

在每个环节，数据有没有发生变化？有没有不一致的地方？（比如客户名称变了，行业分类错了）

最后，这个数据能完整地反映一笔生意的全貌吗？

这个过程，会让你对自己领域的数据质量和问题有前所未有的深刻理解。你做的这张“地图”，就是你未来向公司展示你DDO潜力的第一份“作品”。

4. 多跟IT和数据部门的同事聊聊天

不要总是在提需求、报bug的时候才去找IT同事。平时多主动跟他们聊聊天，请他们吃顿饭。你可以抱着请教的态度，问问他们最近在忙什么技术项目，公司的数据架构是怎样的。

一方面，这能让你更快地学习到数据知识；另一方面，你也在建立未来工作必需的同盟军。当你把技术同事当成解决业务问题的伙伴，而不是实现需求的工具人时，你会发现，很多看似无解的难题，都会迎刃而解。

总之，成为DDO的道路，是一场基于你现有业务优势的“能力升级”。它要求你把你宝贵的业务经验，与新的数据思维结合起来，成为那个AI时代里，既懂“战场”，又懂“地图”的稀缺人才。

写在最后

总而言之，企业AI转型的真正瓶颈，往往不在于算法够不够先进，也不在于算力够不够强大，而在于我们自己脚下这片看似坚实、实则松软的“数据土壤”。

想要让AI这颗种子茁壮成长，结出丰硕的果实，我们必须先去改良土壤。

未来已来，与其焦虑被颠覆，不如主动去成为那个颠覆者。这个新生的黄金岗位，或许就是你通往未来的那张宝贵船票。

-END-

版权声明

扫描二维码，在线阅读《视野》电子刊