企业的业务VP、业务部门总经理/总监、业务部门骨干；数据管家(Data Steward)、流程Owner；CDO、CIO、数据管理部核心成员
数字化&数智化：AI 时代的数据治理和知识治理升级
本课程围绕数据治理中的真实业务场景展开，适合企业的业务VP、业务部门总经理/总监、业务部门骨干；数据管家(Data Steward)、流程Owner；CDO、CIO、数据管理部核心成员结合课程模块判断是否匹配当前培训需求
授课讲师：
徐晓仪 · 数智化转型与AI应用实战专家
适合对象
企业的业务VP、业务部门总经理/总监、业务部门骨干；数据管家(Data Steward)、流程Owner；CDO、CIO、数据管理部核心成员
课程定位与主要问题
帮助企业围绕数据标准、数据质量、数据资产和业务应用建立更清晰的数据治理机制
课程适配与选型边界
企业已经明确要比较具体课程时，可以重点看对象、业务场景、训练模块和讲师经验
帮助企业围绕数据标准、数据质量、数据资产和业务应用建立更清晰的数据治理机制
课程内容重点包括认知突围 为什么 AI 时代必须重做数据治理？、夯实底座——华为结构化数据治理实战（Digital侧）、知识进化——构建AI时代的企业大。，实际取舍可按企业需求和课时安排确认
建议结合参训对象基础、当前业务场景、期望课时、案例方向和徐晓仪的相关经验来判断是否匹配
如果企业还在比较数据治理整体方向，可先查看相关主题页或知识页；如果已经明确要比较这门课程，可重点看对象、模块、案例和讲师经验。工具、模板或清单是否包含，需要以课程方案沟通结果为准
核心收益
- 对齐工具场景、输入要求和输出校验，先把训练目标落到真实工作场景
- 围绕认知突围 为什么 AI 时代必须重…明确判断口径和处理优先级
- 用夯实底座——华为结构化数据治理实战…安排练习，检查方法、工具和流程是否可用
- 带走知识进化——构建AI时代的企业大脑…相关的复盘问题和跟进清单
课程背景与交付信息
在AI大模型重塑商业逻辑的今天，企业数据管理正面临着一场从后台支撑到前台驱动的剧烈阵痛。作为业务管理者，您是否感同身受：建设了昂贵的数据中台，却依然面临数据孤岛林立？引进了先进的AI大模型，却发现企业沉淀的经验无法被AI识别？
华为任正非曾振聋发聩地指出：华为最大的浪费是经验的浪费。在AI时代，数据和知识不再是冷冰冰的记录，而是驱动智能体的高标号燃料
本课程以徐老师独创的数智DnA双螺旋变革体系为顶层指引，深度融合《华为数据治理之道》《华为知识治理体系》与DG4AI标准，将带领学员跳出单纯的技术视角，用业务主导、以用促治的实战逻辑，打通从结构化数据治理到非结构化知识工程的任督二脉，构建AI时代的高质量数据底座
课程时间
2天，12小时
授课方式
方法论讲授(30%)、标杆案例复盘(30%)、痛点诊断与工作坊(40%)
课程内容重点
01认知突围 为什么 AI 时代必须重做数据治理？
02夯实底座——华为结构化数据治理实战（Digital侧）
03知识进化——构建AI时代的企业大脑（AI侧）
04案例分析：深度拆解安吉尔如何治理几万份图纸和工艺版本，构建智能制造知识库
05价值变现与落地——数据资产入表与治理路线图
课程大纲
认知突围 为什么 AI 时代必须重做数据治理？
一、时代的拷问：从报表支撑到AI燃料的范式转移
- 1. 复盘华为数据治理的三个里程碑
- 1. 清洁数据阶段：为了财报准确（T+1），实现数出一孔
- 2. 数据底座阶段：为了数字化转型，实现业务对象数字化（P2D）
- 3. 知识工程阶段：为了AI智能化，实现专家经验数字化
- 2. DG4AI（面向AI的数据治理）的新挑战
- 1. 对象泛化：从治理表（Table）到治理图、文、声、像（Multi-modal）
- 2. 目标升级：从人能看懂到机器能算懂
- 3. 价值重构：从降本增效到资产变现
二、华为治理核心心法：业务挂帅，技术兜底
- 1. 责任主体重构
- 案例：招商蛇口如何通过首席数据官联席会解决推诿扯皮
- 2. 治理原则落地
- ——闭环管理：谁产生，谁负责；谁受益，谁治理
- 工作坊：痛点诊断墙
- 1. 形式：分组研讨，每组列出3个最让业务头疼的数据问题和3个AI落地遇到的数据瓶颈
- 2. 产出：《企业数据与知识治理痛点热力图》
夯实底座—华为结构化数据治理实战（Digital侧）
一、信息架构（IA）：统一企业的度量衡
- 1. 数据资产目录构建
- 案例：平安保险的数据地图建设实践
- 2. 数据标准制定
二、数据质量管理：拒绝垃圾进，垃圾出
- 1. 华为质量六性标准
- ——完整、及时、准确、一致、唯一、有效
- 2. 业务视角的质量防线
- 1. 防呆设计
- 2. 规则监测
- 3. 质量闭环（PDCA）
- 1. 问题发现
- 2. 责任归属
- 3. 根因分析
- 4. 绩效问责
三、数据安全与合规：AI时代的生命线
- 1. 合规红线
- ——数据分级分类与隐私保护（PII）
- 2. AI安全
- ——在训练大模型时防止数据投毒与隐私泄露
- 案例：工商银行数据可用不可见的隐私计算实践
- 工作坊：业务对象治理演练
- 1. 形式：选取一个核心业务对象（如客户或物料），现场模拟定义其业务含义、唯一识别码、录入规则和质量校验标准
- 2. 产出：《核心业务对象数据标准定义表》
知识进化—构建AI时代的企业大脑（AI侧）
一、华为GTS变革揭秘：从人海战术到AIOps
- 1. 华为的痛点
- ——全球网络故障频发，依靠老师傅救火，经验无法复制
- 2. 华为知识治理三阶九步法
- 1. 萃取 (Extraction)：隐性经验显性化（版本化）
- 2. 转译 (Translation)：显性知识结构化（图谱化）
- 3. 进化 (Evolution)：平台能力AI化（模型化）
二、知识工程实战：把文档变成算力
- 1. 非结构化数据治理的重要步骤
- 1. 清洗
- 2. 切片（Chunking）
- 2. RAG（检索增强生成）落地关键（需要在下面列出关键要点）
- 1. 构建可信知识源，解决 AI 幻觉问题
- 2. 案例：安吉尔如何构建全员营销助手，让新人秒变销冠
三、知识运营：让知识产生复利
- 1. 激励机制
- ——华为的知识积分与荣誉体系
- 2. 人机回环
- ——利用用户反馈持续优化知识库
- 案例分析：深度拆解安吉尔如何治理几万份图纸和工艺版本，构建智能制造知识库
价值变现与落地—数据资产入表与治理路线图
一、数据资产化：从成本中心到利润中心
- 1. 数据资源VS数据资产VS数据资本
- 2. 数据入表实战路径（业务视角）
- 1. 盘点：哪些数据有变现价值？
- 2. 确权：数据是谁的？合规吗？
- 3. 定价：内部结算与外部交易的定价逻辑
二、变革管理：如何搞定人的问题？
- 1. 组织变革
- ——建立数据管家（Data Steward）虚拟组织
- 2. 文化建设
- ——从拍脑袋到用数据说话
三、落地路线图：90天行动计划（战略对齐与双向循环）
- L1启动期：找痛点，树标杆（Quick Win）
- L2推广期：建标准，洗数据（Systematic）
- L3深化期：AI赋能，资产化（Intelligent）
- 工作坊：治理路线图共创
- 1. 形式：结合企业战略，分组研讨并绘制未来90天的数据与知识治理行动计划
- 2. 产出：《企业核心业务场景数据与知识治理90天行动路线图》
- 配套落地工具包
- 1. 《企业数据与知识治理成熟度自测表（华为版）》：快速诊断企业治理短板
- 2. 《数据资产盘点与入表潜力评估清单》：识别高价值数据资产
- 3. 《核心业务对象数据标准定义模板 (Data Dictionary)》：业务人员填写数据需求的标准表单
讲师介绍
徐晓仪
数智化转型与AI应用实战专家
曾任华为数字化战略与架构总监、招商局蛇口集团CDO，拥有27年数字化转型经验。擅长企业数字化转型战略规划、数据治理与AI应用落地，主导过多个亿级回报的数智化项目，具备从顶层设计到场景落地的全链路实战能力
查看讲师主页课程差异说明
本课程更适合已经明确培训对象和业务问题的企业，可结合大纲、案例、讲师经验和课时安排进一步比较
课程常见问题
数据资产盘点课程适合哪些团队？
数据资产盘点课程适合数据治理、信息化、业务运营和知识管理团队，重点梳理数据来源、数据口径、数据责任、数据价值和治理优先级
数据资产盘点培训方案怎么设计更落地？
数据资产盘点培训方案应结合企业数据目录、业务流程、知识沉淀和AI应用场景，输出数据清单、口径说明、责任分工和后续治理动作
数据资产盘点课程适合哪些企业需求？
数据资产盘点课程适合围绕课程主题、参训岗位、业务场景和课后落地动作做企业内训设计，具体内容可结合本课程大纲和讲师经验调整
数据资产盘点培训方案适合哪些企业需求？
数据资产盘点培训方案适合围绕课程主题、参训岗位、业务场景和课后落地动作做企业内训设计，具体内容可结合本课程大纲和讲师经验调整
这门《数字化&数智化：AI 时代的数据治理和知识治理升级》适合哪些企业或学员？
适合企业的业务VP、业务部门总经理/总监、业务部门骨干；数据管家(Data Steward)、流程Owner；CDO、CIO、数据管理部核心成员。如果企业已经明确要比较具体课程，可以结合对象、课时、案例和讲师经验进一步判断
