dont-acquire-for-data

Source Metadata

Original cangjie-skill frontmatter from the distillation run:

id: f24
title: "不为数据而收购 — 数据投资的价值验证原则"
book: "AI for Everyone"
author: "Andrew Ng（吴恩达）"
source: p03
tags: [data-strategy, m&a, value-validation, investment]
related_skills:
  - slug: data-flywheel, relation: contrasts-with
  - slug: triple-due-diligence, relation: composes-with

R — Reading（原文引用）

"收购一家公司获取其数据，但数年后数据仍无法变现...数据本身不等于价值。数据价值取决于能否转化为AI系统的输入输出映射。" — p03

I — Interpretation（用自己的话重新阐述）

"数据就是新石油"这个比喻有一个危险的含义：只要拥有数据就一定有价值。Andrew Ng用失败案例警告我们——

失败案例：某大型医药企业收购了多家医药公司，获得了大量医药数据。但数年后，这些数据仍然静静地躺在数据库里，无法变现。原因是：

1. 没有明确的AI用例（不知道用数据做什么）
2. 没有AI团队参与收购评估
3. 数据格式和质量与AI需求不匹配

正确做法：在收购或投资数据之前，先回答三个问题：

1. 谁会用这些数据？（哪个AI团队）
2. 做什么用？（具体的A→B映射是什么）
3. 怎么变现？（降低成本、增加收入、还是新业务）

如果这三个问题没有明确答案，"数据很有价值"可能只是一种幻觉。

A1 — Past Application（过去应用案例）

• 失败案例：某医药企业收购：收购了多家医药公司获取数据，但数年后数据仍无法变现。因为没有明确的AI用例，数据只是"看起来有价值"。
• 成功案例：战略数据获取：Amazon推出不盈利的Echo设备，目的是获取用户语音交互数据。这里有明确的用例（改进语音识别），有明确的团队（Alexa团队），有明确的变现路径（更好的语音体验→更多用户→更多电商转化）。

A2 — Future Trigger（未来触发条件）

触发场景：

• 公司考虑收购另一家公司，理由是"他们的数据很有价值"
• 有人提议"先买数据，以后总能找到用途"
• 评估数据投资/收购的ROI
• 数据团队说"给我更多数据，我就能做出更好的模型"

语言信号：

• "收购他们的数据"
• "数据就是资产"
• "先把数据买下来再说"
• "数据以后肯定有用"
• "数据量大了自然有价值"

区分要点：

• 是主动获取数据（推出产品收集用户行为）还是被动购买数据（收购/购买数据集）？本skill主要警告被动购买的风险。
• 是否有明确的AI用例？有用例→可以投资；没有用例→谨慎。

E — Execution（执行步骤）

1. 要求明确用例：在批准任何数据收购/投资前，要求提出者回答"谁用、做什么用、怎么变现"三个问题。

2. 让AI团队参与评估：任何以"获取数据"为目的的收购，必须有AI技术团队参与评估——他们能判断数据是否真的能转化为AI系统的输入输出。

3. 验证A→B映射：明确数据将用于什么A→B映射。如果无法明确定义A和B，数据价值存疑。

4. 评估数据质量：数据格式是否可用？标注质量如何？是否有法律和隐私风险？

5. 计算真实成本：收购价格 + 数据清洗/整合成本 + 存储成本 + 维护成本。很多数据收购的真实成本远超收购价格。

6. 设定验证里程碑：如果决定收购，设定明确的时间节点（如6个月内必须有可用的AI用例），到期未达成则止损。

完成标准：对数据收购/投资提案，完成"谁用、做什么用、怎么变现"的三问评估，并有明确的AI团队验证意见。

B — Boundary（使用边界）

不适用场景：

• 数据是收购的附带价值（主要目的是产品/用户/团队）
• 已有明确AI用例的数据采购
• 合规/监管要求的数据收集

失败模式：

• "数据以后肯定有用"——这是最常见的幻觉
• 只看数据量，不看数据质量和可用性
• 没有AI团队参与评估，纯业务团队拍板
• 收购后数据整合成本远超预期

作者盲点：

• Andrew Ng强调"数据不等于价值"，但有些数据投资是期权价值——现在没有用例，但未来可能出现。完全否定这类投资可能错失机会。关键是区分"有明确用例"和"纯粹投机"。
• 数据收购的价值有时是防御性的——防止竞争对手获得这些数据。这种战略价值难以用A→B映射衡量。

相关 skills

• data-flywheel — contrasts-with：数据飞轮强调通过产品自然获取用户数据（有机增长），而本skill警告不要通过收购获取数据（无机增长）。两种策略路径形成对比——前者有明确的产品-数据循环，后者容易陷入"数据沼泽"。
• triple-due-diligence — composes-with：在三重尽职调查的商业尽调中，如果项目涉及数据收购，需要用本skill的三问框架验证数据投资的合理性。