干系人与数据获取

给正在一个真实现场里卡住的 FDE：需求聊完了、方案想好了，但是数据要不到、流程改不动、大家都同意却没人拍板。这一页讲怎么画干系人地图、四类人各自的激励结构是什么、拿数据该怎么谈、拿到数据后 48 小时内要做完哪些体检，以及权限与脱敏怎么设计。

为什么这一页排在技术之前

Nabeel Qureshi 在 Palantir 八年的总结里给了两条判断：一个 AI 项目里九成五的工作是数据的接入、清洗和关联；以及，在大企业里拿到自己公司的数据难于登天，一个 8 到 12 周的试点，光拿数据就可能耗光全部时间（Reflections on Palantir）。

这两条在 2026 年仍然成立，只是含义变了。模型是买的、脚手架是开源的、代码是 agent 写的，这几块的成本塌了一个数量级。没塌的是「把业务的真实规则、老师傅的隐性判断、组织的真实权力关系，搬进模型能用的形态」这件事，而这件事的入口是人，不是接口。

所以这一页讲的不是数据工程，是谈判。

一、干系人地图：五种人，名字写出来

不要画组织架构图。组织架构图上没有你需要的信息。要画的是这张表，每一格必须填一个具体的人名。

角色	定义	他的激励结构	你要从他那里拿到什么	不搞定的后果
拍板人（D）	有权说「这个流程可以改」的那一个人	他的季度目标、他向谁汇报、他今年最怕出什么事	每周 2 小时 + 验收当天到场	「大家都同意，但没人拍板改流程」
掏钱的	预算归谁	预算科目、审计口径、他的成本考核	知道他的考核指标是什么	结项汇报时他会问你不想被问的问题
天天用的	一线用户	他的计件 / 工时 / 差错率考核	至少 3 个人愿意当第一批试用	上线后周活个位数
被动了奶酪的	这件事做成之后谁的价值感或权力被削弱	信息不对称带来的不可或缺性	提前知道他是谁	他不会正面反对，他会在你需要配合的每一个环节慢半拍
数据看门人	那张表只有他懂口径	责任规避 + 地位确认	数据 + 口径解释	项目在第二周停摆

决策权只借一条：D 必须唯一

Bain 的 RAPID 模型（Paul Rogers & Marcia Blenko，《Who Has the D?》，Harvard Business Review，2006）有五个角色，对一场 30 天单场景是过度设计。只借「D 必须唯一」这一条就够。

但在中国企业里要加一层拆分。最典型的烂尾形态是：技术方案的 D 是 IT、流程变更的 D 是业务、上线授权的 D 是老板，三个人互相等。所以地图上不要只写一个 D，按决策类型写三个：

技术方案谁定？
流程变更谁定？
上线授权谁定？

三个格子填不满，别往下走。

怎么把这张表填出来

三个动作，按可靠性排序：

走廊观察（最可靠）。跟班的时候看别人遇到问题时去问谁、谁一说话别人就停下来、谁的名字在别人的抱怨里反复出现。
尸体考古。把上一个失败项目挖出来：谁做的、什么时候没的、当时谁在反对。反对者的名单基本就是这次的「被动了奶酪的」名单。
直接问，但要问对方式。对部门负责人问：「这件事做成了，您这边会不会有人不高兴？」——这句能问出来的都是宝贵信息，问不出来说明信任还不够。

二、四类人各自的激励结构

干系人地图只写「他是谁」，这一节写「他为什么这么反应」。看不懂激励结构，所有沟通技巧都是猜。

老板 / 掏钱的人

他要的通常不是 AI，是一个能在他自己的汇报里立得住的数字。判断依据有两条公开可引的：

一位受访 CIO 的原话是「谁能解决问题我用谁，FDE 不 FDE 我不在乎」（转引自公众号「一荔说OPC」《你招的不是 FDE，是月薪十万的外包》，2026-08-25）。名词卖不动，结果才卖得动。
MIT NANDA 的《The GenAI Divide: State of AI in Business 2025》分析了 300 个公开的企业生成式 AI 部署项目，结论是 95% 的项目对损益表没有可衡量的影响，行业当年在此投入 300 至 400 亿美元（报告 PDF）。老板见过这条新闻，你要预设他心里已经打了折扣。

对他要问的第一个问题不是「您有什么需求」，是「如果这件事做成了，您手上哪个数字会变？」

业务方 / 拍板人

他的风险感受和你不对称：项目失败他要承担改流程的政治成本，项目成功功劳未必是他的。所以他真正在计算的是「这件事出错的时候，我怎么解释」。

这决定了两件事：一是方案不能降低他现有的风险防御能力（哪怕现有做法很笨）；二是必须给他一个可以体面停止的出口。允许以「建议停止」结项，且不计负面绩效，写下来。

IT / 数据团队

IT 部门的激励是稳定与合规，不是创新。他的考核里有故障率、有等保测评、有审计整改，没有一项是「配合业务做 AI 试验」。所以他对你的默认反应不是敌意，是风险规避。

对 IT 最有效的一笔交易是：用「不碰生产系统」换「不走常规上线评审流程」。具体写成四个约束：不写入生产库、不对外网开放、访问日志完整留存、涉及个人信息按公司现行规范处理。这四条列全了，安全和 IT 才可能签字；少一条都不会签。

（安全审查的完整问题清单见安全、采购与法务。）

数据看门人

他的诉求往往不是技术，是地位确认。表面上他在问「你要这个数据干什么、有没有审批」，实际上他在确认自己是不是还不可或缺。

一份公开的中文交付病历里记录了同一个人身上的两次谈判：第一次谈「我要数据」，谈崩，白等六天；第二次谈的是行级权限和审计日志，当天就给了。当事人自己的结论是「这六天是我自己的学费」（任鑫《中国 FDE 手册》03-模板库《交付病历》填好样例）。

三、拿数据的五个筹码

按顺序用，不要跳。

#	筹码	怎么说	为什么有效
1	地位确认（先给地位，别先要数据）	「这几张表的口径，全公司还有谁懂？」	这句话看起来是技术问题，实际是在请他确认自己的位置。他确认了，才会开始帮你
2	挖坑	「哪个字段我要是直接用了，会踩坑？」	把他从「审批者」变成「保护你的人」
3	署名	「口径文档我写好之后署您的名，可以吗？」	让他成为规则的定义者，而不是被绕过的人
4	减负	「您每周手工出的那张报表，我顺手自动化掉」	用一件与主线无关的小事，换一次真配合。花两天，值
5	安全牌	「数据进来之后是只读副本，有行级权限和完整审计日志，比现在散在各人电脑里安全」	这是化解数据看门人的标准打法，而且它是真的
—	收尾必须落到日期	「那我们定 X 月 X 日之前拿到第一批切片，可以吗？」	没有日期的承诺在企业内部成本为零

一句要背下来的反例：对方说「数据没问题，你先开始，流程我们后面补」——这不是配合，是把风险从他那边挪到你这边。数据切片没实际到你手上之前，一行代码都不要写。

四、被动了奶酪的人：识别与处理

这一类人是所有交付里最贵的隐性成本，而且埋点日志里看不到，agent 诊断不出来。

三个识别信号

他现在的价值来自信息不对称。「只有他知道那个表怎么算」「只有他清楚哪个客户不能得罪」。你的系统一旦把这些变成公开的，他就从「不可或缺」变成「一个岗位」。
这件事会让他的考核数字变难看。比如你的系统第一次把隐性的返工次数统计出来，而且会进他领导的报表。
他管的人会变少。

一个几乎不会错的行为特征

极度配合，零抱怨，零使用。

真正嫌产品烂的人会骂你；真正不会用的人会问你；只有这一类会对你笑。

三种处理，按优先级

给他署名，让他成为规则的定义者。 系统里的判定规则标注「本规则由李工定义」，汇报里点名感谢。成本最低、效果最好，而且这不是权术——评估标准本来就该由他定。
让他先受益一次。 先做一件让他自己轻松的事，哪怕和主线无关。
给他退路。 如果他管的活确实要被替代，这件事不该由你来谈，但必须由你来提——提给你的负责人，让他去谈。抵抗的成本远高于安抚的成本。

Prosci 的 ADKAR 模型（Jeff Hiatt，2006）说一个人完成一次改变要依次达成认知、意愿、知识、能力、巩固五个结果，进度被第一个不足的环节卡死。ADKAR 原版假设组织利益是对齐的，这个假设在真实企业里不成立，所以「受损者的出路」必须被显式设计，而不是靠培训或者考核硬推。

五、数据质量摸底清单

拿到第一批切片之后 48 小时内跑完。agent 一小时能出前八项，人负责后四项。

#	检查项	怎么查	红线
1	字段空值率	逐字段统计	关键字段空值率 > 30%，方案要重新设计
2	取值分布与异常值	直方图 + 极值	出现「9999」「1900-01-01」这类哨兵值
3	时间断层	按月统计行数	某个月突然为 0 或翻倍，一定有故事
4	编码 / 口径变更史	问看门人：「这张表 20XX 年前后，算法有变过吗？」	变更点之前的数据可能整段作废
5	主键与关联	尝试 join	两张表用两套主键、客户 ID 不通，是最常见的隐藏工作量
6	重复与冲突	唯一性检查	—
7	时区与单位	抽样人工核对	金额含税 / 不含税、时间是本地还是 UTC
8	数据量级与代表性	与业务方核对总量	切片只覆盖一个分公司却被当成全量
9	自由文本字段的真实用途	人工读 100 条	「拒赔理由」字段可能 87% 是复制粘贴，或者「缺陷等级」被质检员挪用成了备注栏
10	标注 / 判定日志的质量	抽样让老师傅复核	历史判定本身就是错的，会「用错误喂养错误」
11	脱敏之后还能不能解决原问题	用脱敏数据跑一遍第 2 周的手动验证	关键特征被脱掉了，问题就不再是原来那个问题
12	两个数打架的地方	主动找矛盾	见下

第 12 项单独说：找互相打架的数

内部数据里最有信息量的地方，不是最漂亮的那个数，是两个互相矛盾的数。

看到两个打架的数字，不要选一个信，去把它们的分母问出来。问出来之后通常是三种情况之一：

两个部门在用同一个词说不同的事——这就是口径冲突，你找到了；
有一个数字是给上面看的，另一个是内部真用的——你找到了一条关于这家公司的重要信息，记下来；
两个数都没人负责，是不同时期不同人算的——这个指标不能当基线，目标指标要换一个。

就绪度分级：一套不得罪人的共同语言

Neil Lawrence 的 Data Readiness Levels（arXiv:1705.02245，2017）把数据分三档：

Band C（可及性）：数据「据说存在」，但你还没拿到、也没验证过；
Band B（忠实性）：拿到了，但是生数据，字段含义、缺失、口径都没验过；
Band A（可用性）：已经和你的具体问题对齐了，可以直接用。

Lawrence 论文里最有用的一句话是：这套分级的价值在于给双方一套共同语言，去谈「数据到底准备好了没有」。

这对内部 FDE 特别有用。「你们给我的数据还不能用」这句话在中国企业里说出来是得罪人的；有了 Band 这个词，你说的就不是「你们不行」，而是**「这份数据现在在 B 档，我们一起把它推到 A」**。

六、权限与脱敏

五条设计原则

只读副本，不接生产库。 这是换取「不走常规上线评审」的对价，也是安全部门唯一关心的事。
最小权限 + 行级权限。 按业务范围切，而不是按系统切。「华东区退货单 2025 年 1 月至今」比「ERP 只读账号」好谈十倍。
完整审计日志。 谁在什么时候查了什么，可回溯。这一条是你的护身符，不是负担。
默认不出域。 数据不落个人电脑、不进公网 SaaS、不进未审批的模型 API。跨境传输另有专门规则，见安全、采购与法务。
有期限、有销毁。 授权期结束后副本销毁，并留销毁记录。

脱敏方式对照

方式	做法	保留什么	什么时候不能用
掩码	手机号中间四位打星	格式	需要按号码去重或关联时
泛化	出生日期 → 年龄段；地址 → 城市	分布	需要精确地理或时序时
假名化	真实 ID → 稳定映射的假 ID	可关联性	映射表本身泄露即失效，映射表要单独管控
删除	直接去掉字段	无	该字段是判断依据时
合成数据	生成统计相似的假数据	分布	验证真实问题时不能用，它是演示用的

必须做的一步：脱敏之后，用脱敏数据把第 2 周那 10 到 30 条手动验证再跑一遍。如果跑不出原来的结论，说明脱敏把问题本身脱掉了，回去重谈脱敏规则，而不是硬着头皮往下做。

三条红线

不把真实业务数据贴进未经审批的外部模型接口。 这是中国企业目前最高频的一类事故，而且它通常不是恶意，是赶进度。
不绕开看门人自己找路径拿数。 你能拿到一次，之后这个人会用两年时间让你拿不到第二次。
不把「我有权限」当成「我可以看」。 权限是技术边界，授权范围是合规边界，两者经常不一致。

七、过关检查

[ ] 五种人的名字都写出来了
[ ] 三类决策的 D 分别是谁，写清楚了
[ ] 被动了奶酪的那个人找到了，且已经想好用哪种方式处理
[ ] 数据地图六列填满，每张表标了 Band
[ ] 至少一批数据实际到手（不是承诺到手）
[ ] 12 项数据体检跑完，异常项逐条有处置结论
[ ] 口径文档写了，且数据看门人是署名作者之一
[ ] 脱敏后的回测做过，结论没变
[ ] 权限申请里写清了范围、期限、销毁方式，且有审计日志

来源

Nabeel Qureshi，《Reflections on Palantir》，2024。https://nabeelqu.co/reflections-on-palantir
Paul Rogers & Marcia Blenko，《Who Has the D? How Clear Decision Roles Enhance Organizational Performance》，Harvard Business Review，2006 年 1 月。https://hbr.org/2006/01/who-has-the-d-how-clear-decision-roles-enhance-organizational-performance
Jeff Hiatt，《ADKAR: A Model for Change in Business, Government and our Community》，Prosci，2006。https://www.prosci.com/methodology/adkar
Neil D. Lawrence，《Data Readiness Levels》，arXiv:1705.02245，2017。https://arxiv.org/abs/1705.02245
MIT NANDA，《The GenAI Divide: State of AI in Business 2025》，2025。https://mlq.ai/media/quarterly_decks/v0.1_State_of_AI_in_Business_2025_Report.pdf
王一荔，《你招的不是 FDE，是月薪十万的外包》，微信公众号「一荔说OPC」，2026-08-25。文中「谁能解决问题我用谁，FDE 不 FDE 我不在乎」为作者转述一位资深 CIO 的原话，属【转述】，被引者身份未公开。
任鑫（Mars），《中国 FDE 手册》（fde-arsenal），02-方法论「培养旅程 · 04 真问题与 Context」，03-模板库《交付病历》。第一人称手册，主张企业内部培养。公开发布地址【待核实】。
Everett M. Rogers，《Diffusion of Innovations》，Free Press，1962 初版 / 第 5 版 2003。

干系人与数据获取 ​

为什么这一页排在技术之前 ​

一、干系人地图：五种人，名字写出来 ​

决策权只借一条：D 必须唯一 ​

怎么把这张表填出来 ​

二、四类人各自的激励结构 ​

老板 / 掏钱的人 ​

业务方 / 拍板人 ​

IT / 数据团队 ​

数据看门人 ​

三、拿数据的五个筹码 ​

四、被动了奶酪的人：识别与处理 ​

三个识别信号 ​

一个几乎不会错的行为特征 ​

三种处理，按优先级 ​

五、数据质量摸底清单 ​

第 12 项单独说：找互相打架的数 ​

就绪度分级：一套不得罪人的共同语言 ​

六、权限与脱敏 ​

五条设计原则 ​

脱敏方式对照 ​

三条红线 ​

七、过关检查 ​

延伸阅读 ​

来源 ​