**摘要：**本文是数据分类分级实战系列的第四篇，聚焦"执行"阶段。文章从圈定分类分级范围入手，讲解如何按业务分期筛选字段并剔除无需分类的字段；随后介绍分类规则与自动分级策略的配置方法，包括层级树维护、AI自动分类、定级规则设计与模板复用；最后演示如何创建并执行分类分级任务，通过规则引擎与AI协作生成初始结果，并给出落地建议，为后续人机协作复核留好接口。
全量清单建好了。几百张表、上万个字段，每个字段背后拖着字段属性和23项定级要素的采集记录。
现在问题来了：这些字段，都要分类分级吗？从哪个系统开始？标准里写的定级规则，怎么变成能自动执行的策略？AI给出来的结果，到底该信几分？
前三篇完成了"数据就绪"阶段------标准读透了（第一篇）、定级要素提炼了（第二篇）、全量清单生成了（第三篇）。本篇正式进入"执行"阶段，真正进行数据的分类分级工作。
内容概览
- 01 圈定范围：筛选本期业务数据，剔除无需分类分级的字段。
- 02 维护配置：维护分类规则与自动分级策略，绑定定级模板。
- 03 创建任务：封装分类分级工作为可追踪、可管理的任务单元。
- 04 执行任务：启动AI自动分类分级，生成初始结果。
- 05 落地建议：沉淀落地经验，为后续人机协作复核留好接口。
本文带你走完五个动作：圈定分类分级范围 → 创建分类分级任务（绑定标准）→ 配置分类规则 → 配置自动分级策略（核心，金融行业差异最大的章节）→ 启动AI自动分类分级、拿到初始结果。
01 圈定分类分级范围
1.1 全量清单≠分类分级清单
全量清单覆盖了所有已接入数据源的字段，但分类分级几乎不会一次性全量铺开。更常见的做法是按业务分期推进：这一期覆盖零售业务的客户信息和交易数据，下一期推进对公业务和风控数据。
所以圈定范围的第一步是**"选"------筛选符合本期目标的业务数据**。
1.2 三种筛选维度，可组合使用
有了分期目标，接下来是"怎么圈"------平台支持三种维度筛选本期业务范围：
三种维度可以组合------比如"核心交易库（数据源）+ 客户域（数据域）"的交集，就是本期要分类分级的业务范围。
1.3 再做减法：剔除不需要的字段
业务范围选定之后，这一步才是**"减"------在已选定的范围内，剔除不需要分类分级的字段**。全量清单里的字段并非每个都有分类分级价值：
两步合在一起，圈定分类分级范围的本质是：本期业务范围 ∩ 非剔除类字段------先选业务目标，再在目标内做减法。既不做漏，也不贪多。
02 维护分类与分级配置
2.1 分类规则维护
在系统中，分类规则以层级树的形式维护------标准下的一级分类→二级分类→三级分类逐层展开，最终的叶子节点承载具体的字段类别定义。
金融行业JR/T 0197-2020标准下的典型分类层级结构：
2.2 同一标准下的两套并列配置
理解了分类和分级的关系之后，关键的设计思路就清楚了：
这个设计的好处是：分类和分级虽然是两个操作维度，但对使用者来说是一次性的------创建任务时选一个标准就够了，不需要分别去"配置分类"再"配置分级"。
2.3 AI自动分类：字段怎么对上分类节点
分类规则配好了，AI怎么判断一个字段属于哪个分类？基于字段名、字段注释和数据字典描述------这和人类分类员的认知路径一致：看到字段名"cust_id_card_no"，从注释中读到"客户身份证号码"，自然归类到"客户信息→个人身份信息→身份证件"。
但实际跑起来，会遇到三个现实问题。
AI在这里做的事就是把这个认知过程规模化、自动化。对于命名规范、注释清晰的字段，AI的准确率很高；对于字段名模糊（如"field_001"）、注释缺失的字段，则需要AI根据上下文推断或标记为"待确认"------这部分会在执行时由规则引擎兜底。
2.4 分级策略：从要素到规则的配置逻辑
第二篇提取了23项定级要素，每项要素采集了"是/否/选项值"等回答。这些回答怎么变成定级结论？------靠定级规则。
定级规则的本质是：要素组合条件 → 级别判定。每条规则有四个核心维度：
金融行业基于23项定级要素，高影响要素（10项）作为主规则触发核心，典型规则如下：
2.5 规则设计三原则：防膨胀，保可控
规则多了，有个常见问题：多条规则叠加后，字段被推到不合理的高级别。需要引入"去膨胀机制"。
2.6 定级模板：把规则集打包成可复用配方
每次手动选规则很繁琐------平台提供"定级模板"，将一套规则集打包，创建任务时直接绑定模板即可。
模板支持版本管理：V1.0初始策略 → V1.1补充某条要素规则 → V2.0切换新行业标准版本。每次任务执行时绑定具体版本，可追溯"这批字段用哪版策略做的分类分级"。
03 创建分类分级任务
分类和分级配置维护好之后，下一步是创建一条分类分级任务------把本次要做的分类分级工作封装成一个可追踪、可管理的"任务单元"。任务是后续进度监控、审批流转、结果归档的基本单位。
任务创建三要素：
04 执行分类分级任务
任务创建完成、标准绑定后，点击"启动分类分级"。平台在三个层次上协作完成分类分级：
AI在整个过程中不是"一键分类定级"按钮，而是有明确分工的：
启动后，监控页实时展示执行进度，分三个阶段推进：规则引擎执行（命中规则字段数）→ AI辅助判断（模糊项处理进度）→ 结果生成（已完成/总字段数）。执行完成后展示概览统计：各级别字段数量分布、AI辅助占比、置信度分布。
执行完成后进入结果预览页，每条记录包含完整的分类与分级信息：
05 落地建议
从圈定范围、创建任务、配置分类规则，到配置金融行业定级策略、启动AI自动分类+分级------这一篇完成了从"数据就绪"到"AI给出初始答案"的关键一跳。
回头看这一步的核心：分类和分级是标准下的两套并列配置，通过标准名称统一绑定，创建任务时一并加载。分类先定性，分级再定级------这个顺序决定了结果的可靠性。AI分级质量的天花板，是你配给它的策略有多好。规则引擎负责确定项，AI负责模糊项，人负责最终判断------三者分工清晰，缺一不可。
AI给出了分类分级结果，但结果还不是最终交付物。人怎么复核AI的结果？不合理的怎么调？调完之后怎么走审批正式生效？分类分级清单、合规报告、举证材料怎么生成？
人机协作的最后一道阀门，我们留给下一篇。