Changes for page ITIL v5数据质量新要求：没有好数据，AI与自动化都是空谈

Last modified by superadmin on 2026/02/20, 07:13

From version < 4.1

edited by superadmin
on 2026/02/20, 07:13

To version < 2.1 >

edited by superadmin
on 2026/02/11, 17:01

Change comment: Uploaded new attachment "4.jpg", version {1}

Raw
Rendered

Summary

Page properties (3 modified, 0 added, 0 removed)

Details

Page properties

Title

...	...	@@ -1,1 +1,0 @@
1		-ITIL v5数据质量新要求：没有好数据，AI与自动化都是空谈

Parent

...	...	@@ -1,1 +1,0 @@
1		- 长河 ITIL 第5版最新解读和落地方法专栏文章.WebHome

Content

@@ -1,249
          +1,0 @@
--2026年1月29日，PeopleCert正式发布了ITIL 第5版。作为ITIL官方中国区产品大使，我将会推出系列文章帮大家解读ITIL 第5版到底有哪些重大的更新。
--
--
--(% style="text-align:center" %)
--[[image:1.png||height="272" width="449"]]
--
--
--从框架内容看，ITIL 第5版包含九个核心模块和一个AI扩展，形成了完整的认证体系。 新版本引入了全新的产品与服务生命周期模型（涵盖发现、设计、获取、构建、转换、运营、交付、支持八个活动），强化了价值系统的核心地位（包括指导原则、治理、价值链、实践、持续改进五大组件），并将AI治理、数据质量管理等现代议题从边缘提升到核心。
--
--
--但在所有这些变化中，有一个容易被忽视却极其关键的升级：ITIL 第5版在信息和技术维度明确指出，数据质量在AI时代已经从”最好有“的加分项变成了”必须有“的硬门槛。 今天我想跟你深入聊聊，为什么数据质量突然变得如此重要，以及你该如何系统性地提升数据质量。
--
--
--
--== 一个让人痛心的AI失败案例 ==
--
--我见过一家中型企业，他们投资引入了一个先进的AIOps平台，承诺能够实现故障预测、智能分派、自动诊断。 平台在演示环境中表现完美，供应商的成功案例也很有说服力。
--
--但系统上线三个月后，效果远不如预期。 故障预测的准确率只有30%，经常误报；智能分派把事件分给了错误的团队，导致二次转派；自动诊断推荐的解决方案大部分不适用，工程师根本不信任AI的建议。
--
--
--管理层很困惑：同果那么好，在我们这里就不行？是不是被供应商骗了？
--
--**深入调查后才发现，问题的根源不在AI算法，而在数据质量。具体来说**：
--
--配置管理数据库中的配置项信息严重过时，很多服务器已经下线但记录还在，很多新增设备没有及时录入，配置项之间的依赖关系大部分是空白。 AI无法基于这些数据准确理解系统架构，自然无法预测故障影响范围。
--
--
--事件记录极不规范，同一类问题在不同人手里分类完全不同，描述五花八门，有的人写得很详细，有的人只写”系统慢“三个字。 AI从这些混乱的记录中学到的只是噪音，而不是规律。
--
--知识库文章质量参差不齐，有的文章内容过时但没有标记，有的文章只有问题描述没有解决方案，有的文章重复但用词不同。 AI无法从这样的知识库中提取有效信息。
--
--监控数据不完整，很多关键指标没有采集，采集到的数据也没有统一的命名规范，导致AI无法关联不同数据源的信息。
--
--
--最终的结论让管理层很沮丧：不是AI不行，是我们的数据质量不足以支撑AI应用。在投资AI平台之前，应该先投资数据质量改进。
--
--这个案例深刻说明了一个道理：在AI时代，数据质量不再是可选的锦上添花，而是必需的基础能力。 没有高质量的数据，再先进的AI也是巧妇难为无米之炊。
--
--ITIL 第5版正是认识到了这一点，所以把数据质量提升到前所未有的高度。
--
--
--
--== 为什么AI时代数据质量成了硬门槛 ==
--
--
--在传统IT管理中，数据质量虽然重要，但不够好也能勉强运转。 配置管理数据库不准确，工程师可以通过经验判断；事件记录不规范，资深人员可以理解；知识库不完善，可以问老员工。
--
--
--但在AI时代，这些妥协都行不通了。
--
--**第一个原因是AI依赖数据学习规律。**
--
--传统的规则引擎是人工编写规则，数据只是用来触发规则。 但机器学习是从数据中学习规律，数据的质量直接决定了学习的效果。
--
--如果训练数据中存在系统性偏差，AI就会学到错误的规律。 比如，如果历史上某类事件都被分派给了错误的团队（因为分派规则不准确），AI从这些历史数据中学到的就是错误的分派模式。
--
--如果训练数据不完整，AI就无法学到完整的规律。 比如，如果只有30%的事件有详细的解决记录，AI只能从这30%的数据中学习，而这30%可能不具有代表性。
--
--如果训练数据不一致，AI就无法提取稳定的特征。 比如，同一个问题在不同人手里分类不同、描述不同，AI就无法识别这是同一类问题。
--
--
--**第二个原因是AI需要实时数据支撑决策。**
--
--传统管理可以容忍数据的延迟更新，配置数据一个月更新一次也能用。 但AI驱动的自动化需要实时准确的数据。
--
--比如，智能分派需要实时知道每个团队当前的工作负载、技能匹配度、可用性。 如果这些数据不是实时的，AI的分派决策就可能是错误的。
--
--再比如，故障预测需要实时的监控数据、配置变更数据、容量数据。 如果这些数据有延迟或缺失，AI就无法及时发现异常模式。
--
--
--**第三个原因是AI的可解释性依赖数据的可追溯性。**
--
--AI做出一个决策时，你需要能够追溯它是基于什么数据、用了什么模型、得出了什么结论。 这要求数据必须是可追溯的、有血缘关系的。
--
--比如，当AI推荐了一个解决方案但失败了，你需要追溯AI是基于哪些历史案例做出的推荐。 如果历史案例的数据不完整、不准确，你就无法判断是AI模型的问题还是训练数据的问题。
--
--
--**第四个原因是AI治理要求数据符合合规标准。**
--
--**ITIL** 第5版明确指出，AI治理的核心要素之一是数据治理。数据的来源、使用、存储、删除都需要符合法规要求（如GDPR）。
--
--如果你的数据中包含未经授权的个人信息，AI使用这些数据就可能违反隐私法规。 如果你的数据无法证明来源合法，AI的决策就可能面临合规风险。
--
--所以ITIL 第5版明确指出：在AI时代，数据质量不是队的内部问题，而是整个组织的战略能力。没有高质量的数据，AI和自动化都是空中楼阁。
--
--
--== 数据质量的四个核心维度 ==
--
--
--那么，什么样的数据才算高质量？ITIL 第5版给出了四个核心维度：准确性、完整性、及时性、一致性。
--
--**准确性是指数据反映的是真实情况。**
--
--配置项的属性信息是否准确？事件的分类是否正确？知识库的解决方案是否有效？
--
--准确性问题的常见表现包括：配置管理数据库中的服务器IP地址是错的，导致自动化脚本连接失败；事件的影响范围记录不准确，导致优先级判断错误；知识库中的解决方案过时了但没有更新，导致按照文章操作反而出问题。
--
--准确性的对立面不只是错误，还包括模糊和不明确。 比如，事件描述”系统慢“就是不准确的，因为它没有明确是哪个系统、慢到什么程度、什么时候开始的。
--
--
--**完整性是指数据包含了所有必要的信息。**
--
--配置项的关键属性是否都有记录？事件的解决过程是否有详细记录？知识库是否覆盖了常见问题？
--
--完整性问题的常见表现包括：配置项有名称但没有责任人信息，导致出问题时不知道联系谁；事件有问题描述但没有解决步骤记录，导致同类问题下次还要重新诊断；知识库只有技术文档但没有业务场景说明，导致用户找不到适用的文章。
--
--完整性不是要求记录所有细节，而是要求记录关键信息。 关键信息的判断标准是：这个信息的缺失是否会影响后续的决策或操作？
--
--
--**及时性是指数据反映的是当前状态。**
--
--配置信息是否及时更新？监控数据是否实时采集？知识库是否定期维护？
--
--及时性问题的常见表现包括：服务器已经下线了但配置管理数据库还显示在线，导致自动化任务失败；监控数据延迟10分钟采集，导致故障发现延迟；知识库文章三年没更新，里面的步骤已经不适用当前版本。
--
--及时性的要求因场景而异。 对于故障预测、智能分派这些实时决策，数据需要秒级或分钟级的及时性。 对于秒级或分钟级的及时性。 对于趋势分析、容量规划这些非实时分析，数据可以容忍小时级或天级的延迟。
--
--
--**一致性是指不同来源、不同时间的数据能够对齐。**
--
--同一个配置项在不同系统中的信息是否一致？同一类问题在不同人手里的分类是否一致？数据的命名和格式是否遵循统一标准？
--
--一致性问题的常见表现包括：同一台服务器在配置管理数据库中叫server01，在监控系统中叫srv-01，在资产系统中叫服务器1，导致无法关联数据；同一类故障在不同工程师手里分类不同，导致无法统计故障模式；时间戳在不同系统中使用不同的时区，导致事件序列混乱。
--
--一致性不是要求所有数据使用完全相同的格式，而是要求关键字段有明确的映射关系和转换规则。
--
--
--ITIL 第5版特别强调，这四个维度不是孤立的，而是相互关联的。 准确性依赖及时性（过时的数据即使当时准确，现在也不准确了）；完整性依赖一致性（如果命名不一致，就无法判断信息是否完整）；一致性支撑准确性（统一的标准减少了人为错误）。
--
--
--
--(% style="text-align:center" %)
--[[image:4.jpg||height="506" width="658"]]
--
--
--== 数据质量问题的根源：不是技术，是管理 ==
--
--
--很多人认为数据质量问题是技术问题，只要买更好的工具、建更强的系统就能解决。 但ITIL 第5版明确指出，数据质量问题的根源通常不在技术，而在管理。
--
--**第一个根源是缺乏明确的数据责任。**
--
--谁负责维护配置管理数据库的准确性？谁负责确保事件记录的完整性？谁负责更新知识库？
--
--在很多组织中，这些责任是模糊的。 大家都觉得”应该有人做“，但没有明确的责任人。 结果就是，数据录入时随便填，发现错误时没人改，信息过时了没人更新。
--
--ITIL 第5版建议，组织应该建立明确的数据责任机制。每类数据应该有明确的责任人（Data Owner），负责定义数据标准、审核数据质量、协调数据更新。每个数据使用者（Data Steward）有义务确保自己使用和创建的数据符合标准。
--
--
--**第二个根源是缺乏数据质量标准。**
--
--什么叫准确的配置信息？什么叫完整的事件记录？什么叫有效的知识库文章？
--
--如果没有明确的标准，每个人的理解都不同。 有人认为事件描述三个字就够了，有人认为要写详细的故障现象和影响范围。 有人认为配置项有名称就行，有人认为还要记录责任人、业务关联、依赖关系。
--
--ITIL 第5版建议，组织应该制定明确的数据质量标准。 这些标准应该包括：必填字段有哪些、字段格式是什么、数据更新频率是多少、质量验收标准是什么。 标准不需要完美，但需要明确，让每个人知道什么是合格的数据。
--
--
--**第三个根源是缺乏数据质量激励。**
--
--如果认真记录数据没有任何好处，而且还要花额外时间，人们自然不愿意做。 如果数据质量差也没有任何后果，人们就不会重视。
--
--在很多组织中，一线人员觉得数据录入是额外负担。 他们的KPI是解决事件的数量和速度，没有数据质量的考核。 填写详细的记录会延长处理时间，影响自己的绩效。 所以他们选择草草了事。
--
--ITIL 第5版建议，组织应该建立数据质量激励机制。 这不一定是金钱奖励，更重要的是让数据创建者看到数据的价值。 比如，当AI基于高质量的历史数据推荐了准确的解决方案，帮工程师快速解决了问题，工程师就会意识到认真记录的价值。 当管理层基于准确的配置数据做出了正确的容量规划决策，团队就会意识到维护配置数据的重要性。
--
--
--**第四个根源是缺乏数据质量监控。**
--
--如果数据质量问题不被发现，就不会被改进。 很多组织只有在AI效果差或者自动化失败时，才意识到数据质量有问题。
--
--ITIL 第5版建议，组织应该建立主动的数据质量监控机制。 这包括：定期审计关键数据的准确性、完整性、及时性；设置数据质量指标和阈值；自动检测数据异常（比如配置项长时间未更新、事件分类分布异常）；定期生成数据质量报告。
--
--
--
--== 如何系统性地提升数据质量 ==
--
--
--说了这么多问题，你可能会问：我该从哪里开始？ITIL 第5版给出了系统性的改进路径。
--
--**第一步是评估当前状态。**
--
--不要盲目开始改进，而是先搞清楚当前数据质量的真实情况。
--
--可以采用抽样的方法：随机抽取100个配置项，检查信息的准确性和完整性；随机抽取100个事件记录，评估记录的规范性和详细程度；随机抽取100篇知识库文章，检查内容的有效性和时效性。
--
--基于抽样结果，计算数据质量指标：准确率（抽样中准确记录的比例）、完整率（抽样中完整记录的比例）、及时率（抽样中及时更新的比例）、一致率（抽样中符合标准的比例）。
--
--这些指标会给你一个客观的基线。 通常你会发现，数据质量比想象的差很多。 这不是为了指责任何人，而是为了看清现实。
--
--
--**第二步是识别优先改进领域。**
--
--不要试图一次性解决所有数据质量问题，而是先解决对业务影响最大、改进成本最低的问题。
--
--判断标准包括：业务影响（这类数据质量问题对业务的影响有多大）、改进潜力（提升数据质量的空间有多大）、改进成本（需要投入多少资源和时间）、依赖关系（这类数据是否是其他改进的前提）。
--
--比如，如果你计划引入智能分派，那么事件分类的准确性和团队技能信息的完整性就是优先改进领域。 如果你计划实现故障预测，那么配置依赖关系的准确性和监控数据的完整性就是优先改进领域。
--
--
--**第三步是制定数据质量标准。**
--
--针对优先改进领域，制定明确的数据质量标准。
--
--这些标准应该包括：必填字段列表（哪些字段是必须填写的）、字段格式规范（每个字段应该填什么内容、用什么格式）、更新频率要求（多久更新一次）、质量验收标准（什么样的数据算合格）。
--
--标准的制定不应该闭门造车，而应该让数据创建者和数据使用者共同参与。 数据创建者能够说明哪些标准可行、哪些标准难以执行。 数据使用者能够说明哪些信息最重要、哪些信息可以简化。
--
--
--**第四步是建立数据质量机制。**
--
--标准有了，还需要机制来保障执行。
--
--责任机制：明确每类数据的责任人，建立数据质量问责制度。 比如，配置管理数据库的准确性由运维经理负责，每月审计一次，准确率低于80%需要说明原因和改进计划。
--
--培训机制：对数据创建者进行培训，让他们理解数据标准、掌握录入方法、认识数据价值。 培训不应该只是一次性的宣讲，而应该有实操演练和持续答疑。
--
--工具辅助机制：通过工具来降低数据录入的难度、减少人为错误。 比如，用下拉菜单代替自由文本输入、用自动检测代替人工核对、用模板引导代替空白表单。
--
--反馈机制：让数据创建者看到数据的使用效果。 比如，当AI基于高质量数据做出了准确推荐时，给数据贡献者反馈。 当数据质量问题导致自动化失败时，也要反馈给相关人员。
--
--
--**第五步是持续监控和改进。**
--
--数据质量不是一次性项目，而是持续的过程。
--
--建立数据质量仪表板，实时展示关键指标。 比如，配置项准确率、事件记录完整率、知识库更新及时率。 当指标低于阈值时，自动告警。
--
--定期召开数据质量评审会议，分析数据质量趋势、讨论典型问题、制定改进措施。 不要让会议变成批评大会，而要聚焦系统性问题和改进机会。
--
--建立数据质量持续改进机制。 每次AI效果不佳、自动化失败时，都要追溯是否有数据质量问题。 如果有，就要分析根因、改进机制、防止重复。
--
--
--
--== 数据质量是AI成功的基础，也是持续改进的起点 ==
--
--
--ITIL 第5版把数据质量提升到如此重要的位置，传递的核心信息是：在AI和自动化时代，数据不再只是记录和报告的工具，而是驱动智能决策、支撑自动化流程、实现持续改进的核心资产。
--
--没有高质量的数据，AI学到的就是错误的规律；自动化执行的就是错误的操作；改进依据的就是错误的事实。 数据质量问题不会随着AI技术的进步而自动解决，反而会因为AI的应用而被放大。
--
--但数据质量的提升也不是一蹴而就的。 它需要明确的责任机制、清晰的质量标准、有效的激励措施、持续的监控改进。 更重要的是，它需要组织从上到下认识到：数据质量不是技术团队的内部问题，而是整个组织的战略能力。
--
--
--在AI原生的管理框架中，数据质量已经从”最好有“变成了”必须有“，从”加分项“变成了”硬门槛“。 如果你还在用传统的思路对待数据质量——觉得”差不多就行“”以后再说“”没间搞“——那么你的组织在AI时代将会寸步难行。 投资AI之前，先投资数据质量；追求自动化之前，先建立数据治理；期望智能决策之前，先确保数据准确。 这不是保守，而是务实；不是绕路，而是捷径。
--
--
--欢迎加长河老师微信achotsao，深入交流ITIL 第5版最新资讯。

粤ICP备17056641号

深圳市艾拓先锋企业管理咨询有限公司