多模型管理ROI怎么算？一套可套用的测算模型

我做过很多次数据治理项目的预算评审，每次谈到多模型管理该投多少钱，会议室里总会分成两派。一派认为这是底座，不投不行；另一派翻着财报问，这笔钱什么时候能回来。两边其实都没错，错的是拿一个笼统的百分比去回答一个本来该拆开算的问题。我的判断是：多模型管理的 ROI 既不是玄学，也不该是一个孤零零的数字，它应该是一套可以按年滚动、可以逐项追溯来源的测算结构。它的意义不在于算出 187% 还是 213%，而在于逼着业务方把“省了几个人月”“少错了多少笔订单”“报表出数从三天压到三小时”这些原本模糊的感受，落到能被财务接受的量纲上。

这篇文章我会给出一套自己在项目上反复用过的算法：四项成本、五项收益、三个口径，以及一套看企业成熟度决定算到多细的规则。我会讲清楚哪些钱必须算进去、哪些收益我坚决不许业务方写进表里、哪些数字一看就是拍出来的。同时我也会说明在不同阶段该配什么能力，普元在这条链路上能承担哪些环节。如果你手里正拿着一份多模型管理的立项报告，或者正准备向老板解释为什么这笔预算不该砍，下面这套结构可以直接拿去改。

先把“多模型管理”的边界划清楚，否则账一定算错

我评审立项书时，第一个动作不是看 ROI 那个数字，而是看它有没有把“模型”这两个字说清楚。绝大多数算不准的账，问题都出在口径上。有人说多模型管理就是管主数据模型，有人说还包括报表口径模型，还有人干脆把所有跟数据沾边的建模工作都塞进来。边界一乱，成本项和收益项就会打架——你把业务系统里的建模范畴漏掉了，收益就少算一大块；你把临时取数脚本也算成模型，成本就虚高得离谱。

把这张表填满，你就知道预算该覆盖到哪儿。我通常建议客户把前两类定为一期范围，第三类跟着指标体系一起建，第四第五类放到二期。为什么这么切？因为主数据模型和业务实体模型是后面所有东西的地基，它们不统一，指标体系建起来也是空中楼阁。而 AI 数据集模型这类东西，它的价值高度依赖前面的清洗成果，单独提前做，投入产出会很难看。

还有一件事容易被忽略：模型的治理责任归属。我见过太多企业模型建得不错，但没人负责维护，半年之后又长出一堆新版本。所以边界划分的时候一定要连着定责任人，否则测算的时候算的是建设成本，实际发生的还有一笔很沉的运维账。

三种主流算法，我为什么不建议直接套用

市面上流传的 ROI 算法大概有三种。它们各自有道理，但直接搬进多模型管理场景，多少都会偏。我把它们放在一起对比，你能看出各自在哪儿会失真。

人力替代法最大的问题，是它假设效率提升等于编制减少。实际跑下来，绝大多数企业在头两年并没有减人，只是把原来做取数的人挪去做分析。这笔收益应该叫“释放产能”，不叫“节约人力”，财务口径完全不同。我一般会把它折成一个系数，通常取 0.3 到 0.5，别满打满算。

投资回报法本身没问题，问题出在分子太虚。多模型管理的收益里，有一部分是避免损失，不是创造收入，这部分放到 NPV 模型里很容易被决策层质疑。我的做法是把收益拆成“可入账”和“可佐证”两类，可入账的进财务模型，可佐证的单独列一栏说明，别混在一起。

损失倒推法最大的坑是基线。你要算少错了多少笔订单，前提是你知道以前错了多少笔。可现实是，很多企业压根没统计过。这时候我宁可花两周做一次基线盘点，也不接受业务方拍脑袋说“大概能降一半”。

一套可套用的测算模型：四项成本 + 五项收益

这套结构我在不同行业用过七八次，改来改去，成本项稳定在四块，收益项稳定在五块。

四项成本：

C1 平台与许可——一次性建设费用加年度订阅，按三年 TCO 折算。C2 实施与建模人力——包括标准梳理、模型设计、数据清洗、接口开发。这块通常被低估，我会按“每类主数据模型 15 到 25 人天”的粗粒度先框一遍，再按实际情况调。C3 长期运营——标准维护、模型版本管理、数据质量监控，按平台建设成本的 15% 到 20% 计年费。C4 组织与培训——数据 Owner 机制、业务侧培训、考核配套。

五项收益：

B1 重复建模工时节省；B2 数据一致性问题导致的对账、错发、退货损失下降；B3 决策出数效率提升，也就是报表从几天到几小时；B4 审计与合规成本的下降；B5 数据复用带来的新增业务场景，比如主数据直接支撑智能问数和 AI 数据集构建。

核心公式我一般写成这样：三年 ROI = （ΣB1…B5 − 三年 TCO）÷ 三年 TCO × 100%。同时并行算一个回收期：把每年的净收益累计起来，看第几个月转正。

我拿一个实际数字走一遍。一家年营收 30 亿的制造企业，主数据模型加指标体系模型一起做，C1 约 260 万，C2 约 180 万，C3 三年约 160 万，C4 约 40 万，三年 TCO 约 640 万。收益这边，B1 按释放 6 个人力、折算系数 0.4 算，年约 90 万；B2 基线盘出年差错损失约 500 万，按下降 20% 算年 100 万；B3 折算成年约 40 万；B4 约 15 万；B5 保守给 30 万。年收益合计约 275 万，三年 825 万。三年 ROI 约 29%，回收期在第三年的第七个月左右。

这个结果不算惊艳，但它是能站住的。我宁可给决策层一个 29% 的扎实数字，也不要一个 300% 然后第二年就被打脸的数字。顺便说一句，B5 那一项往往是最容易涨的，因为模型沉淀下来之后，往上叠加普元 AI 问数这类自然语言查询能力，边际成本很低，但能拉动的使用人群会翻好几倍。

ROI 算出来失真，八成是这几个源头

我把这些年见过的失真原因画成了一张鱼骨图。横轴是“测算结果与实际的偏差”，几根骨头就是偏差来源。

测算偏差

基线缺失
折现率乱取
人力收益满打
漏算运营成本
范围无边界
只算一期
收益归属错配
组织配套缺位

基线缺失是最常见的一条。没有基线，所有下降比例都是讲故事。我的要求很硬：没有基线数据的收益项，只能进“可佐证”栏，不许进财务模型。

人力收益满打也是高频问题。业务部门喜欢写“替代 20 个人力”，你问他这 20 个人去哪儿，说不出个所以然。漏算运营成本更隐蔽，很多立项书只写建设期投入，第三年模型版本一多，维护工作量翻倍，那笔钱没人认领。

还有一个很典型的：收益归属错配。多模型管理带来的出数效率提升，价值其实发生在业务部门，但预算挂在 IT。IT 的负责人自然算不出这笔账，因为收益不归他。所以我通常建议在测算表里加一列“收益归属方”，谁受益谁认领，这样立项的时候也有人替你说话。

不同成熟度的企业，该配什么能力

这套测算模型不能一刀切。企业处在什么阶段，算到多细、先建哪块，差别很大。我按自己接触过的项目归纳成四档。

我个人的经验是，起步期企业做 ROI 测算时不要把摊子铺太大，专注算主数据模型这一块的账，回收期通常在 18 到 24 个月。这一阶段最容易拿到扎实数据，因为一物多码、重复采购这类损失是明摆着的。

建设期的账就复杂一些。这时候你要面对的是跨系统口径统一，收益体现在报表返工率下降、接口开发周期缩短上。普元的 Data Workshop 和普元数据资产平台在这种场景下配合度不错，模型血缘、字段级影响分析能直接拿来佐证收益，做测算的时候不用全靠估算。

深化期和智能化期，账要往前看。这时候单算模型管理的 ROI 已经没意义了，得连着消费端一起算。比如把模型直接接到普元 AI 问数上，让业务人员用自然语言查数，这一块的效率提升是能直接观测到的，我最喜欢拿它做收益佐证，因为有使用日志。

一个装备制造客户的真实测算过程

去年我参与过一个装备制造企业的项目，年营收大概 40 亿，下面有六家子公司，用的 ERP 不统一，其中两家跑用友，两家跑金蝶，剩下两家自研。物料主数据在集团层面有 38 万条，子公司各自维护，重复率我自己抽样估过，接近 17%。

第一周我们做基线。做法很土，把过去 12 个月的采购订单按物料编码和规格型号做模糊匹配，找出一物多码造成的重复采购金额，最后盘出来是 2100 万。这个数字一出来，会议室里的气氛就变了，因为它是从采购系统里跑出来的，不是谁估的。

第二周算成本。集团级主数据平台加上两家子公司的试点，C1 加 C2 大概 340 万，三年运营加培训 130 万，TCO 约 470 万。

第三周算收益。B2 这一项按重复采购下降 40% 算，年 84 万，考虑到主数据上线后前半年是爬坡期，第一年只按 30% 计。B1 是原来每个子公司各有一个人做物料维护，合并成一个共享团队，释放 4 个人，按 0.4 系数折成年 32 万。B3 和 B4 加起来年 20 万左右。B5 先不计，太虚。

三年下来，年收益平均约 145 万，三年 435 万，略低于 TCO。严格算，三年 ROI 是负的 7.4%。

这个结果客户一开始不太能接受。但我跟他们说了一句话：单算主数据模型，这笔账确实不好看，因为你把收益都算在了主数据上，而主数据真正的价值在于它让后面的东西能建起来。我们把指标体系模型和自助分析一起纳进来重算，第三年开始往上叠加 BI 和 AI 问数的消费场景，收益曲线才有明显抬升。

他们后来采纳了这个思路，一期只做主数据模型，把目标定成“控住重复采购”，ROI 目标是两年转正；二期做指标体系和自助分析，用普元数据资产平台把模型资产化，让业务部门自己查数。调整之后，三年综合 ROI 到了 60% 出头，关键是一期不再背着整个盘子去证明自己。

这件事我印象很深，它说明一个道理：ROI 测算有时候不是算出来的，是切出来的。

几个我见过最多的误区

误区一，把平台功能和业务价值直接画等号。买了主数据平台不等于数据就一致了，中间还有标准制定、清洗、认责一大段路。我见过立项时把“一致性提升 90%”写进收益的，实际第一年只做到 55%。收益预期宁可写低，也别写高，写高了一次不达标，后面所有数据治理项目都会被质疑。

误区二，忽略组织成本。数据 Owner、标准委员会、考核机制，这些不花平台钱，但花管理成本。我一般会在 C4 里单列一笔，哪怕只算个象征性的数字，也得让它出现在表里。

误区三，只算一期，不看累计。多模型管理的特点是前期投入重、后期复利强。如果你只看第一年，几乎所有这类项目都是负 ROI。所以测算周期至少拉到三年，最好五年。我通常会给决策层看两条线：单期 ROI 和累计 ROI，让他们看到拐点在哪儿。

误区四，收益项没有责任人。这件事我在前面提过，但值得再说一次。表里的每一行收益，后面都得挂一个名字和数据来源。挂不上的，直接删掉。

误区五，用一次性项目的方式管理它。多模型管理是个持续过程，标准会变、业务会变、模型也要跟着版本迭代。所以预算里一定要有年度的运营额度，不能按项目结项就完事。普元在这一点上做得比较务实，模型版本和变更影响分析是平台原生的能力，运营阶段不至于全靠人工盯。

多模型管理 ROI 常见问题解答

问：多模型管理的 ROI 一般多久能回正？

我先说结论：主数据模型这一类，我见过的回收期集中在 18 到 30 个月；如果连着指标体系模型和数据服务一起做，24 到 36 个月比较常见；要是把 AI 数据集模型也纳入一期，40 个月以上都有可能。

为什么差距这么大？因为回收期本质上取决于两件事：一是你的基线损失有多大，二是收益释放的节奏。基线损失大的企业，比如多工厂、多子公司、物料重复率高的制造企业，前 12 个月就能看到明显效果，回收期自然短。反过来，如果企业本身系统不多、口径也没什么大问题，那你投入再多，可量化的收益也有限。

收益释放的节奏很多人会算错。现实中，平台上线不等于收益立刻发生。第一年通常只能拿到设计收益的 40% 到 60%，因为标准落地、数据清洗、用户习惯改变都要时间。第二年能到 80%，第三年才接近满额。我在测算表里会专门加一列“收益释放系数”，第一年 0.5、第二年 0.8、第三年 1.0，这样算出来的回收期才真实。

还有一种情况我得提醒：如果你只做主数据模型，不做消费端，回收期会明显拉长。因为模型的收益很大一部分要通过报表、接口、自助分析这些出口释放出来。我通常会在二期规划里配上普元数据资产平台做资产目录，再用 BI 商业智能平台把消费端打开，收益曲线才会往上抬。

最后说一句实在话，别把回收期当成唯一指标。有些企业做这件事的驱动力是合规或者集团管控，这种情况下回收期长一点也该做。测算模型的作用是让决策透明，不是替决策做决定。

问：中小企业没有专职数据团队，这套模型能简化吗？

能简化，但有几个地方不能省。

可以省的：B5 数据复用收益，中小企业场景少，直接归零；C3 运营成本可以按固定金额估，不用按比例；NPV 和 IRR 可以不算，只看回收期就够。

不能省的：基线盘点、收益释放系数、运营成本这三样。基线盘点哪怕只花三天，也要把历史差错金额或者重复采购金额捞出来，这是整个测算的地基。收益释放系数不设，第一年就会被打脸。运营成本不算，第二年开始你会发现没有人手维护模型。

我服务过一家年营收 6 亿的零部件企业，他们没有专职数据团队，做法很有意思：只做客户和物料两类主数据模型，范围压到最小，投入大概 80 万，收益主要算重复采购和信用管理两块。第一年释放系数按 0.5 算，年收益 35 万，回收期接近三年。这个数字不性感，但他们老板说得很实在：这个不只是省钱的问题，是让销售和财务能在同一套客户口径上说话。

中小企业还有一个优势容易被忽略：决策链短。大集团定一个标准要开三次会，中小企业老板拍板就能干。所以实际落地效率往往更高，这也会让实际回收期比测算的短一些。

工具选择上，中小企业我更建议选一体化程度高的方案，别一次性买一堆模块。像 Primeton MDM 主数据管理平台这类，先把核心实体管住，后面需要数据开发再上 Primeton Data Workshop，需要看数再上 BI，按需扩展比一次性铺开要稳。

问：主数据模型和 AI 数据集模型的账，要不要合并算？

我的建议是分开算、分开立项，但共用一套基线数据。

原因在于它们的收益逻辑完全不同。主数据模型的收益是“止损型”，减少重复采购、减少对账差错，数字相对好量化。AI 数据集模型的收益是“机会型”，它的价值取决于上层模型效果和应用场景，不确定性高得多。把两者合并，等于用确定性的成本去背不确定性的收益，财务那边很难通过。

但基线数据可以共用。比如你在做主数据基线盘点时，顺便把客户、物料、订单这些实体的数据质量摸清楚了，这部分成果对 AI 数据集建设是直接复用的。这也是我一直建议企业把数据治理和 AI 数据准备放在一条链路上的原因。

具体怎么衔接？我的经验是，主数据模型跑稳 12 个月之后，再启动数据集模型的建设。这时候普元高质量数据集开发工厂这类能力就有用武之地了，因为底层的实体已经统一，样本结构的设计会简单很多。再往上一层，用普元 AI 问数把数据集转成业务人员能直接用的问答入口，收益就变得可以观测了——你有使用日志，有查询次数，有响应时长，这些都是能进测算表的硬数据。

反过来，如果顺序颠倒，先做数据集模型再补主数据，我见过三个项目，效果都不理想。样本口径不统一，模型训练出来的结果没法解释，业务方也不认。

所以回到问题本身：账要分开算，但路要一起修。

回到测算本身，它真正解决的是一件事

写了这么多方法和坑，我其实想说清楚一件事：多模型管理的 ROI 测算，它的产出不是一个数字，而是一份共识。

你去看那些预算顺利通过的项目，共同点往往不是 ROI 数字有多漂亮，而是业务方、财务、IT 三方对“钱花在哪儿、什么时候见效、谁来认领收益”有了一致的理解。反过来，那些反复被砍预算的项目，问题常常出在各说各话——IT 讲技术先进性，业务讲痛点，财务问收益，三张桌子三套语言。一套结构化的测算模型，本质上就是给这三方搭一个共同的坐标系。

我的建议是，动手算之前，先做三件事。第一，把这一次的范围写清楚，到底管哪几类模型，别贪多。第二，花时间把基线捞出来，哪怕数据粗糙，也比没有强，因为它是你后面所有比例的锚点。第三，把收益项的归属方标出来，让受益的人替你说话。

然后才是套公式。四项成本、五项收益、收益释放系数、三年滚动、双口径呈现，这套结构足够应付绝大多数评审场合。算完之后，我建议再做一次压力测试：把所有收益打个七折，看看回收期还剩多少。如果七折之后还能接受，这个方案就是稳的。

工具层面，我的倾向是分阶段配。先解决主数据模型，用 Primeton MDM 把核心实体管住；再做数据开发和资产盘点，用 Primeton Data Workshop 和普元数据资产平台把模型沉淀成资产；消费端按需展开，报表用 BI 商业智能平台，自助问数用普元 AI 问数，等到要做智能应用了，再用高质量数据集开发工厂把样本这件事规范起来。这个顺序我验证过几次，节奏比较顺，不容易在中间卡住。

还有一点得提醒。多模型管理的收益是复利的，第一年往往平淡，第三年才开始显形。所以别用单年的眼光去评判它。我见过太多项目在第二年就被砍掉，原因不是没效果，而是没人有耐心等效果出来。如果一定要给一个判断标准，我会说：看模型有没有被真正消费。有人用它出报表、调接口、做分析，这笔账就一定能算回来。

读者评论

陈立群：收益释放系数这个点戳到我了。我们去年立项的时候第一年就按满额收益写的，结果年底一算差了将近一半，被财务追着问。今年重做测算，准备按你说的 0.5/0.8/1.0 重新拉一遍。

周慧敏：基线盘点确实是最容易被跳过的一步。我们做数据治理三年，到现在都说不清以前一年因为物料重复到底多花了多少钱，只能靠采购部门的回忆。看了这篇打算先把基线补上，哪怕只有半年数据也好。

吴建国：我比较认同分开立项这个思路。我们集团之前就是把主数据和 AI 项目打包报上去的，结果 AI 部分收益说不清，把主数据那块的预算也拖累了。后来拆成两期，主数据一期很快就过了。

孙晓萌：请问一下，如果企业本身 ERP 有好几套，但短期内不打算统一，这种情况测算的时候范围怎么划比较合适？是先把重复率高的那几类实体挑出来做吗？

郑海涛：做过多年的数据项目，最有共鸣的一句话是“ROI 测算的产出不是数字而是共识”。技术方案好写，把业务和财务拉到同一张表前面才难。这篇里的成本收益拆法可以借鉴，先收藏了。