一句话定义：数据就绪度（Data Readiness）指的是一个组织的数据在多大程度上已经“收拾干净、摆对位置、能被直接拿来做模型训练或推理”。它不是数据有多少，而是数据能不能用。
为什么说模型不是瓶颈
做过几个 AI 项目的人大概都有类似体会：算法选型花了两天，调参调了两周，剩下的半年全在跟数据较劲。字段命名混乱、同一件事在三张表里有三种写法、关键字段大面积缺失、标注口径前后不一致、敏感信息不知道该不该留。这些事情没有一件是“算法问题”，但每一件都能让项目停摆。
打个比方：想做一桌菜，菜谱（模型）网上到处都能找到，免费的、开源的、效果不错的都有；真正决定今晚能不能开饭的，是冰箱里那堆还没洗、没切、有些甚至过期了的食材。数据就绪度说的就是“食材处理到什么程度了”。
它具体包含什么
通常可以拆成几个维度来看：
| 维度 | 要问的问题 | 没做好的典型后果 |
|---|---|---|
| 完整性 | 关键字段缺失多少？ | 模型学到的规律建立在少数样本上 |
| 一致性 | 同一含义是否只有一种表示？ | “北京”“北京市”“BJ”被当成三个城市 |
| 准确性 | 值和真实世界对得上吗？ | 学到的是历史遗留的错误 |
| 时效性 | 数据多旧？更新频率够吗？ | 上线后效果随业务变化迅速衰减 |
| 可获取性与合规 | 能不能合法、稳定地取到？ | 项目后期才发现授权或隐私问题 |
| 标注质量 | 标签口径统一吗？谁复核？ | 模型在“标准答案”本身就矛盾的数据上学习 |
和相邻概念的区别
数据质量（Data Quality）关注的是数据本身好不好，是静态属性；数据就绪度更宽，除了质量，还关心这份数据是否匹配当前这个任务。一份质量很高的电商交易数据，拿去做客服问答就是零就绪度。数据治理（Data Governance）则是组织层面的制度、流程和权责安排，是提升就绪度的手段之一，而不是就绪度本身。
对实际工作的意义
对从业者：立项时先做一次数据就绪度盘点，比先搭模型架子有用得多。用上面那张表逐项打分，把“卡在哪”写清楚，能避免把三个月耗在一个根本缺标签的任务上。也可以先跑一个最笨的基线（比如规则或简单模型），用它来暴露数据问题——很多时候它比复杂模型更快告诉你数据哪里烂。
对普通职场人：AI 能不能落地，往往不取决于公司买了多强的模型，而取决于业务记录是不是及时、规范地录进了系统。日常把字段填全、把口径统一，本身就是在给未来的 AI 项目铺路。
一句话收尾：模型决定天花板，数据就绪度决定你有没有资格起跳。