数据认知映射
AI 落地的前提步骤：在让 AI 跑数据之前，先把不同角色（管理层、业务经理、系统）对同一指标的隐性认知差异显性化和对齐。解决的不是数据格式问题，而是”同一件事三方说的不是同一件事”的口径冲突。
简介
数据认知映射是 AI 落地三大逻辑中逻辑二”数据治理比模型调参更重要”的具体操作方法。传统的数据治理关注数据质量（缺失值、格式、去重），但数据认知映射解决的是更深一层的问题——不同角色对同一个指标的定义不一致。
典型案例：某集团绩效数智化项目中，“咨询转化率”系统定义为”报名人数/留联人数”，业务部门认为是”签约人数/到店人数”，两个口径算出来相差约 40%。这不是数据质量问题——两套数据本身都是准确的——而是”认知”不一致。AI 不管跑哪种口径都能出结果，但因为认知没对齐，AI 产出的”分析”不会有人信、不会有人用。
数据认知映射的核心路径是：业务场景 → 核心指标 → 定义共识 → 数据治理 → AI 分析。前两步是把”谁关心什么”搞清楚，第三步是把”每个人口中的同一个词到底指什么”对齐，然后才进入传统数据治理和 AI 分析。跳过前三步直接上 AI，就是”数据丰富但认知缺失”的项目——技术上能交付，业务上注定失败。
核心特性
1. 隐性知识的三个来源
数据认知映射要显性化的隐性知识通常藏在三个地方：
- 管理层的定义：管理层对”好公司”的定义、对”增长”的判断标准——这些定义了”看什么指标、什么算好”
- 业务经理的判断标准：业务经理对”有效来访”、“合格线索”、“靠谱客户”的直觉判断——这些定义了”数据怎么分类”
- 一线操作的暗规则：一线员工实际上怎么处理边界情况（什么算”处理完”、什么算”需要上报”）——这些定义了”数据录入时的真实逻辑”
2. 执行步骤
- 识别业务场景：这个数据被用在哪、谁在看、用来做什么决策
- 列出核心指标：这个场景下所有关键指标
- 暴露口径差异：让每个利益方分别写出”我认为这个指标的定义是什么”，对比差异
- 达成共识定义：开会对齐——不是多数决，而是找到”这个指标要回答的业务问题是什么”，再从问题反推定义
- 固化到系统：共识定义写入数据字典、嵌入看板、加名词解释标签
- 进入数据治理：口径对齐后的数据再走传统数据治理流程
- AI 分析：AI 跑在口径对齐的数据上
3. 与”数据口径对齐”的区别
“数据口径对齐”通常指技术层面的字段映射（A 系统的 user_id = B 系统的 customer_id）。数据认知映射多一层：在字段映射之前，先确认 A 系统口中的”用户”和 B 系统口中的”客户”指的是不是同一群人。前者是”字段对字段”的技术问题，后者是”概念对概念”的认知问题。
不同素材中的观点
- 2026-07-16-woshipm-ai-landing-methodology-finance-to-pm：首次提出数据认知映射的概念和方法。案例是绩效数智化项目中”咨询转化率”口径差异约 40%，作者复盘认为当时如果先做数据认知映射（而非先搭数据中台和看板），后面对齐会少花三个月。作者指出这是 AI 落地最隐蔽的陷阱——“数据丰富但认知缺失”的项目技术上能交付但业务上很难成功。
相关页面
- AI落地三大逻辑 — 所属的方法论框架（逻辑二的具体实现）
- 数据治理 — 认知映射后的传统数据治理步骤
- 企业AI落地 — 该概念在企业 AI 场景的宏观定位
- AI管理放大器 — 制造业场景下的类似概念（先让工厂看得清再上 AI）
- 2026-07-13-woshipm-manufacturing-ai-where-to-land — 制造业 AI 落地中”先画流程定责任人→再定数据口径”的同源方法论