首席数据官顾问

解决什么问题

初创公司的 data 战略很少难在工程实现，而是难在几个高 stakes 判断：客户数据能不能拿去训练模型、该自建还是采购数据基础设施、客户数据到底是护城河还是负债、下一个该招分析师还是数据工程师。这些问题一旦答错，代价不是重写一段 SQL，而是一整轮 M&A 尽调翻车、或一个合规陷阱。

chief-data-officer-advisor 把这些决策拆成四个可执行的框架，而不是给一份泛泛的最佳实践清单：

• AI 训练数据权利：用 origin × data class × use case 矩阵给出 GO / MITIGATE / NO-GO，而不是一句"看条款"
• 数据产品战略：按 data consumer 数量、数据量、ML 用例数选 warehouse / lakehouse / mesh，并逐层判断 build vs buy
• B2B 客户数据资产化：给战略价值评分、M&A 乘数（1.2x–2x ARR）和变现路径，同时标出合同 carve-out 导致的法律风险
• 数据团队演化：从 stage-to-role 映射，配合 centralize-vs-embed 触发条件

怎么用

起步阶段先问自己几个问题：这份数据要驱动什么决策？没有决策就不该采集；每个数据源的 consent provenance 是什么（只有 TOS 不等于显式 opt-in）；内部有多少个 data consumer、跨几个 domain——这直接决定架构选型和组织方式。

技能内置了四个可运行的决策入口：

• ai_training_data_audit.py —— 对 JSON 数据源清单跑训练权矩阵
• data_product_strategy_picker.py —— 按阶段给架构和 build-vs-buy 建议
• data_asset_valuator.py —— 对语料跑战略价值 + 风险调整后估值
• data team roadmap 流程 —— 把"缺数据导致的前 5 个决策"映射到对应岗位

参考文档里有完整的矩阵、决策树和 kill criteria，包括 GDPR Art. 6 合法依据树、EU AI Act 高风险触发点、k-anonymity 下限等。

适用边界

这个技能不覆盖战术层的数据工程：schema 设计、可观测性、查询优化、RAG 实现、ML 平台落地都不在此范围，它明确指向 engineering/database-designer/、engineering/rag-architect/ 等相邻技能。架构建议给出的是 stage-driven 的选型逻辑，不替代具体供应商的容量规划。

涉及训练数据权利、数据产品化和 M&A 尽调的决策，最终需要合格律师介入——技能做的是把决策点和权衡摆出来，不替代法律审查。