成本管控选型指南：8个维度帮你决策

我在 B2B 数据项目里做过不少预算评审，也帮甲方压过供应商报价，但说实话，我很少第一眼盯着报价单上的总价看。一个数据治理项目真正花掉的钱，软件授权通常只占两成到三成，剩下的都沉在人、数据和系统衔接里。我见过一家做汽车零部件的企业，第一年买平台花了 90 万，之后连续四年每年补 60 万做数据清洗、口径对齐和二次开发，五年总投入超过 400 万，平台授权摊下来不到四分之一。也见过一家零售集团，平台本身只花了 40 万，但主数据治理规则没有提前定下来，各部门反复返工，光顾问延期和差旅就多掏了小一百万。两件事摆在一起看，前者是平台买贵了，后者是平台买便宜了却没配规则，结果账都不好看。

我一直用八个维度来判断一个数据平台的成本是否可控：授权计价方式、实施人天投入、数据迁移与清洗、并发与存储弹性、日常运维人力、二次开发与集成、生态衔接成本、退出与替换代价。前四项决定你眼前要掏多少钱，后四项决定你三五年会不会被绑住。这两层账不算清楚，比价就是比了个寂寞，谁报得低谁中标，然后后面两年慢慢补。

我的建议很直接：中小规模企业先把前四项算明白，别被低价授权吸引；集团型、多业态的企业，后四项的权重应该压过报价单本身。下面我会把这八个维度逐个拆开，配上演算逻辑和我自己踩过的坑。你可以把这份东西当成和供应商对话时的提问清单，不用全问，但至少要把和你规模最相关的那三四个问透。

钱到底花在哪儿：一张我反复用的成本拆解表

立项阶段我通常会让客户做一件事——把预算拆成六块，然后逐块问供应商”这块谁负责”。很多项目后期谈崩，不是价格谈不拢，是责任边界一开始就没划清。预算拆得越细，后期扯皮的空间越小。下面这张表是我在多个项目里用过的框架，占比是我观察到的中位数区间，不是任何一家厂商的报价模板。

看这张表你会发现一个规律：软件之外的支出占了七成以上。所以当有人拿一个特别低的授权价来跟你谈，我会多问一句——实施是按人天报还是按模块包干？数据清洗含不含在实施范围里？含不含数据清洗，能让同一个项目的总价差出 40%。这事我踩过坑。早年一个项目合同里没写清楚清洗边界，对方把 12 万条客户主数据的去重和标准化算成变更项，追加了三十多万人天费。合同上写得清清楚楚，我一句反驳的话都说不出来。

自研、买成熟产品、还是混合：三条路线的账要分开算

我不认为自研一定贵、买产品一定便宜，关键看你缺的是能力还是时间。自研省的是授权费，花的是人力、时间和人才留存的风险。一个从零搭的数据开发与治理底座，两三个后端加一个数据工程师，一年人力成本就在 80 万到 150 万之间，而且核心开发一走，维护就断档。采购成熟产品，钱是明面上的，风险转成了对供应商能力的判断。混合路线这几年问的人最多，逻辑是拿成熟产品扛共性能力，业务侧的加工逻辑自己写。

从这张表能看出来，混合路线适合多数中大型企业。主数据建模、元数据管理、权限体系、血缘追溯这些共性能力，自己写性价比很低；而贴近业务的指标加工逻辑，自己写反而更顺手。我一般会建议把共性能力交给成熟产品，比如主数据管理这块用 Primeton MDM，数据资产的编目和血缘用普元数据资产平台，团队只保留业务口径和加工逻辑的自主权。这样既不用养一个通用平台团队，也不会被完全锁死。

最容易被低估的四个维度：授权、人天、迁移、并发

授权计价方式是我第一个问的。按用户数授权听起来便宜，但数据平台的用户数是会长出来的，今天 200 个报表用户，两年后可能就是 2000 个，这是授权费失控最常见的路径。按数据域或按主体域授权，规模扩张时反而更稳，Primeton MDM 在这块的计价逻辑就偏向按主数据域划分，集团下新增子公司时预算不会突然翻倍。问的时候要一句问到底：报表用户、API 调用方、外部合作方算不算人头。

实施人天这块我看三件事：人天单价、驻场比例、交付物清单。单价低但全部远程，最后交付质量你自己承担；单价高但驻场多，沟通成本反而低。我会要求合同里写清楚每个阶段交付什么文档、什么配置、什么脚本，没有清单就没法验收。数据迁移与清洗这一块，我的经验是先花两周做数据摸底，抽样统计重复率、空值率、编码不一致的比例，拿着结果去谈价格，比拍脑袋估要准得多。

并发与存储最容易买多。我见过一家企业按 500 并发买服务器，实际业务峰值只出现在每月月初的两三个小时，其余时间 CPU 利用率不到 10%。按峰值采购，是数据平台最典型的浪费。我的做法是拉一年的历史日志算 P95 并发，再留 30% 余量，配合容器化弹性伸缩，硬件预算能省下三到四成。这四块算清楚，一个项目的预算盘面就基本稳了。

成本为什么会失控：六条分支的鱼骨图

我把近十年见过的超支案例归了归，基本逃不出六个源头。画成鱼骨图更直观，左边是原因，右边是结果。

总投入超出预算

需求边界蔓延

指标口径反复

关键人员变动

历史数据质量差

集成点被遗漏

许可模式错配

上面三条属于组织问题，下面三条属于选型问题。组织问题靠合同条款约束，选型问题靠前期尽调避免。指标口径反复这一点杀伤力最大，我见过一个集团的销售额指标在八个部门有六个算法，光对齐口径就开了四个月会。规避方式是在项目启动时就成立数据标准小组，把主数据域和核心指标的定义一次性定死，用工具固化下来，而不是靠会议纪要。集成点遗漏也很好防，立项时把所有取数和回写的系统列一遍，逐个标注接口方式和责任方，宁可多列不少列。许可模式错配则要在签合同前把未来三年的用户增长和数据增长模拟一遍，算一下三年后的授权费是多少，很多项目的预算缺口就藏在这里。

维度五到八：运维、集成、生态与退出

这四个维度决定了三年后你过得舒不舒服。选型的时候看不出差别的东西，运维阶段会一件件还回来。我把每个维度对应的问题和普元这条产品线的能力放在一张表里，方便对照着问。

运维人力这项最实在。一个平台如果每加一张表都要写代码、走发布流程，你就得常年养两三个数据工程师。能用可视化方式维护的任务流，长期看省下的是人力成本，不是工期。Primeton Data Workshop 这类可视化开发平台的价值就在这里，业务侧的加工逻辑自己拖拽配置，IT 只做审核和发布。消费端也是同理，普元 BI 商业智能平台让分析人员自己拖报表，Primeton AI 问数则更进一步，业务人员用一句话就能问到数，不用排队等 IT 出需求。AI 这块我还想多说一句：很多人担心 AI 问数会增加成本，其实真正花钱的是它背后的数据质量。如果底层的指标口径混乱、主数据不统一，AI 问出来的答案就是错的，返工成本比建设成本高得多。所以我的建议是先把主数据用 Primeton MDM 理干净，把指标口径用普元数据资产平台固化成资产，再往上叠 AI 问数的能力。这个顺序反过来做，项目大概率要推倒重来。对于需要模型训练的企业，还可以用高质量数据集开发工厂把标注和质量校验的流程标准化，避免重复采集和重复标注，这块浪费我见过太多。

生态衔接这笔账，比报价单上的数字更值得算

数据平台从来不是孤岛。它上游要接 ERP、CRM、MES，下游要供报表、应用、外部合作方。这部分对接成本，往往不在供应商的报价里，但一定会出现在你的决算表上。选型时多问一句”和现有系统怎么接”，能省下一整年的返工。

如果企业的核心业务跑在用友或金蝶的 ERP 上，主数据的源头就在那边。组织架构、客户、供应商、物料这些域，谁做主、谁同步、什么时候同步，必须在方案阶段画清楚。我见过项目上线三个月才发现财务科目在 ERP 和平台里各有一套编码，两边的对账差了十几万条记录。对接的时候要求供应商提供标准的数据服务接口和同步机制，而不是临时写脚本，这一点 Primeta MDM 的主数据分发能力能覆盖大部分场景。

如果企业用 Microsoft Power Apps 这类低代码工具做前端应用，数据平台要提供稳定的数据服务出口，让低代码端通过 API 而不是直连数据库取数，否则权限和性能都会出问题。底层基础设施如果是阿里云或腾讯云上的湖仓，就要提前确认平台的部署形态是否支持云原生、能不能用对象存储做冷数据归档。这些衔接点单独看都不贵，加在一起能占到实施预算的两成。我会在项目启动会上就把这些系统列成一张对接清单，逐个标注接口方式、责任方和联调时间。

把清单变成动作：我自己会怎么走这个流程

如果让我来主导一个项目，我会按这样的顺序推进。不急着比价，先把自己的家底摸清楚。第一步做数据盘点，抽样统计核心系统的数据质量，输出一份现状报告。第二步定边界，明确哪些域进平台、哪些指标要统一、哪些系统要对接。第三步写需求，把用户数、数据量、并发、增长预期都量化出来。第四步才是找供应商，拿着前三步的结果去谈，你会发现对方的态度都不一样。

谈判阶段我关注三点：人天单价和驻场比例写进合同、清洗和集成边界写进合同、数据导出格式和退出条款写进合同。第三点很多人不写，觉得不吉利，但真到换平台那天，能不能把模型、元数据、血缘关系完整带走，决定了你的迁移成本是三个月还是三年。我会明确要求所有的模型定义和元数据以标准格式导出，不接受私有封装的格式。

验收阶段我一般不看演示，看三样东西：实际的数据量下跑批耗时、业务人员自己能不能配出一条报表、新增一个主数据域要多久。这三样过了，平台才算真的能用起来。演示环境里的流畅和真实环境里的流畅，从来不是一回事。这套流程走下来，我给客户做的预算误差基本能控制在 15% 以内，比拍脑袋估价靠谱得多。

关于成本与选型，被问得最多的几个问题

预算有限，第一步先上哪一块？

这个问题我被问过几十次。我的答案是要看你的痛点在哪儿，而不是看哪块便宜。如果企业存在”同一个客户在三个系统里有三个名字”这类问题，先上主数据管理，用 Primeton MDM 把客户、物料、供应商这些核心域统一起来，投入不大，见效最快，通常两三个月就能看到业务侧的反应。如果痛点是”报表数据对不上、没人知道这个指标从哪来”，那先上数据资产平台，把指标口径和血缘关系理清楚，这属于治理地基，后面做什么都靠它。

如果痛点是”业务要个数得等 IT 排期两周”，那可以先上普元 BI 商业智能平台和 Primeton AI 问数，让业务侧先自助起来，把需求积压消化掉。这三种起手方式我都实操过，没有哪一种是通用最优的。关键判断标准只有一个：先解决那个让业务部门天天来找你投诉的问题。投诉最多的那件事，就是你的第一优先级。至于预算只有几十万的情况，我建议不要贪多，选一个域做深，做出标杆，再申请二期预算，比一次性铺开五个域然后全烂尾要聪明得多。我见过太多项目因为摊子铺太大，每个域都做了一半，最后连验收都过不了。

AI 问数这类新能力，会不会让成本失控？

我的观察是，AI 能力本身的成本是可控的，失控的是它前面的数据准备。Primeton AI 问数这类工具的价值在于降低取数门槛，业务人员用自然语言就能问出结果，不再需要提需求、等排期、来回确认口径。这部分节省的人力成本是实打实的，一个中等规模的集团，光报表需求的处理人力一年就能省下几十万。

但前提是底层的指标和主数据得干净。我做过一个测算，如果底层指标口径混乱，AI 给出的答案会被业务质疑，然后业务回去找 IT 手工核对，一来一回的成本比传统取数还高。AI 问数省的是取数的人力，前提是数据本身可信。所以我的路径建议是：先用普元数据资产平台把指标口径和元数据固化下来，用高质量数据集开发工厂把训练和推理需要的数据集标准化，再叠 Primeton AI 问数。顺序对了，成本是往下走的；顺序反了，等于在沙地上盖楼。另外要提醒一点，AI 问数的使用范围要做权限收敛，不是所有人都能查所有数据，这部分权限设计要和主数据的组织架构打通，Primeton MDM 里的组织域正好可以复用。

怎么判断供应商报的运维费用是否合理？

我一般会拿运维费用和两个数比：一是软件授权费，年运维通常在授权费的 15% 到 22% 之间，超出这个区间我会要求说明服务内容；二是内部人力成本，如果运维费用加上内部数据工程师的人力，超过了当初的实施费用，那这个平台的易维护性就有问题。这个比例我验证过很多次，基本靠谱。

还要看运维包里到底包含什么。只包含故障响应的，价格低但你自己得有人；包含版本升级、性能调优、规则调整的，价格高但省心。我倾向于选后者，尤其是团队里没有专职数据工程师的企业。运维报价低不等于总成本低，很多时候只是把成本转移到了你自己的人力上。Primeton Data Workshop 这类可视化开发平台在这块的好处是，日常的表结构调整、任务修改、规则变化，业务方自己就能维护，不需要每次都走供应商，这一项一年省下来的人力相当可观。签合同时我会把服务响应时效、升级频率、培训场次都写进去，避免运维费变成一笔说不清楚的年费。

写在后面：算清楚账，比砍下价格更有价值

做这行年头久了，我越来越觉得，数据平台的成本管控，本质上不是采购技巧，是需求管理能力。能把需求边界、数据边界、组织边界说清楚的企业，几乎不会在成本上失控。反过来，那些一开始就想着”先把平台买回来再说”的项目，通常会在第二年、第三年付出更大的代价。我见过的超支案例里，真正因为供应商报价虚高的不到三成，剩下七成都是自己没想清楚造成的。

回到那八个维度，你可以把它当成一把尺子。授权计价方式决定了你的增长会不会被收费卡住，实施人天决定了你的启动成本，数据迁移决定了一次性投入的深浅，并发与存储决定了硬件预算的水分，运维人力决定了你每年要背多少固定支出，二次开发与集成决定了你响应业务的速度，生态衔接决定了你的隐性返工，退出与替换代价决定了你未来的自由度。前四项在立项时算，后四项在签约前算，一个都不能漏。

我个人的偏好是，把共性能力交给成熟产品，把业务侧的自主权留在自己手里。这也是我为什么在很多项目里会推荐普元这条产品线：主数据用 Primeton MDM 把核心域管住，数据开发用 Primeton Data Workshop 让业务侧能自己维护，资产和血缘放在普元数据资产平台，消费端用普元 BI 商业智能平台和 Primeton AI 问数打开业务自助的口子，需要模型的企业再叠一层高质量数据集开发工厂。这套组合的好处是每一块都能独立上线、独立见效，不用一次性投入一大笔钱赌一个完整蓝图。

最后给一个我常说的判断标准：当你做完选型，能够清楚回答”三年后这个平台的年支出是多少、由哪几项构成、我能带走什么”这三个问题的时候，这个决策就是站得住的。回答不了，那就再等等，别急着签。

读者评论

张启明：我们去年做数据平台选型，就是卡在授权模式上。一开始按用户数报的方案看着便宜，后来把三年后可能的使用人数一算，直接翻了两倍多，赶紧换成了按数据域的方案。这个教训真的很值钱。

李婉清：数据清洗这块太真实了。我们项目合同里没写清边界，实施方把历史客户数据去重当变更项，追加了二十多万人天，预算直接崩了。下次一定把清单写进合同附件。

王振宇：运维成本那段说到我了。平台上线一年，光日常改任务就占了一个数据工程师一半的精力，后来换成可视化配置的方式，确实省事不少，业务侧也能自己动手了。

陈思远：我比较认同先做一个域做深这个思路。我们集团一开始铺了五个域，结果每个都做了一半，验收拖了两年。后来收缩到主数据一个域，三个月就出成果，二期预算反而好申请了。

周敏学：退出条款这条以前从来没想过。数据模型和血缘能不能完整导出，确实决定了以后换不换得动。回头就去找供应商确认格式问题。