mcpField
C
cdo-review

cdo-review

github.com/alirezarezvani数据与数据库28.9k378 次安装2 天前更新
代码仓库

关于 cdo-review

供创始人和数据负责人在数据战略决策前使用的 CDO 评审技能,通过六个问题审视决策用途、数据同意来源、使用者、并购尽调、来源依赖和招聘需求。它还指引在适用时运行数据审计、架构选择和资产估值脚本。

主要功能

  1. 01用六个问题压力测试数据计划
  2. 02审查数据来源与同意依据
  3. 03评估使用范围和架构需求
  4. 04检查并购尽调准备情况
  5. 05指引数据审计与资产估值

适用场景

  1. 01审批使用客户数据的模型训练
  2. 02签订多年数据基础设施合同前评估
  3. 03规划客户数据产品化或授权
  4. 04进行数据团队招聘或并购尽调

安装

复制下面的命令,在终端中运行。

$npx skills add https://github.com/alirezarezvani/claude-skills --skill cdo-review

安装后在 Claude Code 中输入/cdo-review确认已加载。

详细介绍

/cs:cdo-review — CDO 追问清单

命令: /cs:cdo-review <plan>

以决策为导向的 CDO 会对任何涉及数据战略的计划进行压力测试。在对数据架构、AI 训练、数据产品化或数据团队招聘做出任何承诺之前,先回答这 6 个问题。

何时运行

  • 批准任何使用客户数据的新 ML 模型训练之前
  • 签署多年期数据基础设施 SaaS 合同(Snowflake、Databricks、Fivetran)之前
  • 将任何客户数据产品化(基准报告、嵌入端点、许可)之前
  • 招聘关键数据团队成员(数据负责人、CDO、数据 PM、ML 工程师)之前
  • 开展并购尽职调查之前——无论是你方还是对方
  • 创始人在“数据”附近使用“变现”一词时

CDO 的 6 个问题

1. 这些数据能推动什么决策?

如果没有因此得以推进的决策,我们为什么要收集这些数据、用它们训练模型或将其产品化?

  • “以后可能用得上”不是决策。
  • “感觉像是护城河”不是决策。
  • 真正的答案要指出一项需要这些数据才能做出的具体业务决策。
2. 每个数据源的同意来源是什么?

对于每个数据源:来源、同意流程、数据类别、预期用途。

  • 仅基于第一方服务条款的同意,不如第一方明确选择加入的同意有力。
  • 捆绑式服务条款不涵盖实质性的新用途(例如,使用个人身份信息训练基础模型)。
  • 如果范围内涉及任何 AI 用例,请运行 ai_training_data_audit.py。
3. 公司内部有哪些人会使用这些数据——涉及多少个不同职能领域?

这将影响集中式还是嵌入式,以及数据仓库还是数据网格的决策。

  • 少于 5 个使用者:仅用数据仓库。
  • 5–25 个使用者:湖仓一体。
  • 25 个以上使用者且采用联邦式文化:数据网格。
  • 过早选择架构是数据团队职业倦怠的头号原因。
4. 对并购尽职调查有什么影响?

如果收购方明天询问这批数据,我们准备好了吗?

  • 是否有文档记录的匿名化流程?
  • 有多少比例的客户在 MSA 中加入了例外条款?
  • 训练数据来源追溯日志是否为最新?
  • 每季度运行 data_asset_valuator.py。
5. 不使用此数据源,能否重新训练模型、重新运行决策或重新发布报告?

这可以检验你对特定数据源的依赖程度。

  • 如果可以 → 影响范围较小;以后可以调整同意方式。
  • 如果不可以 → 影响范围较大;你已从结构上依赖该数据源。应更严格地审查。
6. 哪个岗位能解决当前阻碍——这是否是合适的下一位招聘对象?

如果正确人选应是分析工程师,却招错成数据科学家,就会损失 12 个月的生产力。

  • 将需要推进的决策映射到具体岗位。
  • 确认前置岗位已到位(先招数据工程师,再招 ML 工程师;先招分析师,再招数据科学家)。

工作流

# 1. AI training audit (if any ML / AI use case)
python ../../../c-level-advisor/skills/chief-data-officer-advisor/scripts/ai_training_data_audit.py sources.json

# 2. Architecture decision (if changing the stack)
python ../../../c-level-advisor/skills/chief-data-officer-advisor/scripts/data_product_strategy_picker.py profile.json

# 3. Data asset valuation (if productizing or pre-M&A)
python ../../../c-level-advisor/skills/chief-data-officer-advisor/scripts/data_asset_valuator.py corpus.json

输出格式

# CDO Review: <plan>
**Date:** YYYY-MM-DD

## The Decision Being Made
[one sentence — which of the four CDO decisions: training | architecture | asset | hire]

## Training Audit (if applicable)
- NO-GO sources: N
- MITIGATE sources: N
- GO sources: N
- Top remediation: <one line>

## Architecture (if applicable)
- Recommended: WAREHOUSE / LAKEHOUSE / MESH
- Build-vs-buy summary: <one line>
- Kill criteria: <when to revisit>

## Asset Value (if applicable)
- Strategic value: X/10 | Moat: STRONG / MEDIUM / WEAK
- M&A multiplier: X.Xx – X.Xx ARR
- Recommended productization path: <name>

## Org (if applicable)
- Next hire: <role>
- Why this, not that: <one line>
- Prerequisite hires in place: yes/no

## Verdict
🟢 SHIP | 🟡 SHARPEN | 🔴 BLOCK

## Next Steps
[3 concrete actions]

路由

  • /cs:gc-review — 用于任何产品化或许可路径
  • /cs:ciso-review — 用于任何涉及客户数据的架构变更
  • /cs:cfo-review — 用于自建还是购买的 TCO 分析及并购估值计算
  • cs-chro-advisor Agent — 用于数据团队招聘(薪酬、职业阶梯、职级)
  • /cs:decide — 记录结论
  • /cs:freeze 90 — 用于多年期基础设施合同

相关内容

  • Agent:cs-cdo-advisor
  • 技能:chief-data-officer-advisor
  • 相关技能:../../../c-level-advisor/skills/general-counsel-advisor/(合同约束)、../../../c-level-advisor/skills/cto-advisor/(架构承载能力)

版本: 1.0.0

评论

支持 Markdown