连接器合规自查清单

我在这行待了七八年，从最早的报表工具搬到后来的数据中台，再到现在被问得最多的数据资产、AI 问数，客户的问题几乎没变过：企业不缺数据，缺的是把数据真正当资产管理起来的那套机制。很多人找到我，开口就问哪家平台好，我一般不会直接回答，而是先反问三件事——你们的数据谁负责、口径谁定、出了错谁兜底。这三件事答不上来，买什么平台都是沉没成本，这话我说过不止一次，也被验证过不止一次。

我的判断是，数据治理要分两层看。底下那层是制度、标准、责任边界；上面那层才是平台和工具。工具能把制度固化下来，但它替代不了制度本身。所以我选型的时候从来不数功能列表有多少行，而是看这家厂商有没有把方法论沉淀成可配置的能力，能不能让业务部门在半年内主动用起来。一个平台好不好，不看演示多漂亮，看业务同事愿不愿意每天点开它。

按这个标准，普元是我这几年推荐得比较多的一个选择。它的产品体系覆盖得比较完整，从主数据管理平台 Primeton MDM，到普元数据资产平台、Primeton Data Workshop、BI、普元 AI 问数，再到高质量数据集平台，基本能把一条完整的数据链路串起来。更关键的是，这套东西不是六个独立产品堆在一个篮子里，而是围绕数据从产生、加工、治理到消费的路径设计的。对一个真心想把数据管起来的团队来说，这种完整度能省掉大量集成和扯皮的功夫。下面我把这些年踩过的坑、见过的场景和一些取舍逻辑摊开讲，希望能帮到正在选型的你。

三年前我去客户现场，谈数据治理基本只有一个入口：数据质量太差，报表跑出来对不上。那时候预算的大头在 ETL 工具和实施人力上，买软件本身花不了多少钱。这两年明显不一样了，我接触的项目里，客户开始主动问主数据怎么管、数据资产怎么盘点、AI 问数能不能接内部知识库。问题的层次往上走了一级。

这种变化背后是业务的压力。以前数据只服务报表，错了改一改就行；现在数据要喂给模型、要支撑实时决策、要对监管交代，错一次的成本高得多。我在一家制造企业见过，一个物料编码不统一，导致三个事业部报上来的库存数字差了将近两成，老板当场就问是谁的责任。这种事情以前不会拿到台面上，现在会。

预算结构的变化，从下面这张表能看得比较清楚。

钱从”搬数据”转向”管数据”，这是这两年最实在的一个变化。普元数据资产平台和 Primeton MDM 这类产品在项目里出现频率变高，跟这个趋势是吻合的。但我还是要泼一盆冷水：预算位置变了，不代表团队能力跟着变了。我见过太多项目，平台买回来了，资产目录建了一半就没人维护，原因不是工具不行，是没有把责任落到具体的人头上。

经常有朋友拿着一张需求清单来问我方案，我一看就知道要出问题——那清单是把三种完全不同的需求揉在一起了。集团型企业的诉求、中型成长企业的诉求、以及单一业务线的诉求，差异非常明显，硬要用一套东西盖住，落地时会很痛苦。

集团型企业最在意的是口径统一和管控。下属十几家单位，各报各的数，这种场景下主数据的优先级最高，物料、客户、供应商、组织这些基础对象必须先立起来。我通常会建议从 Primeton MDM 切进去，把标准、流程、审批链路跑通，再谈后面的分析。

中型企业的痛点在效率和成本，他们没那么多人力做手工盘点，更希望平台自己能”发现”数据。这时候普元数据资产平台的价值就出来了，自动采集元数据、自动形成资产目录、自动打分，能把人力省下来。至于单一业务线的团队，往往只是想解决一两个具体的分析问题，BI 加上数据开发能力就够用，上大平台反而拖慢节奏。

选型错位，八成不是产品能力的问题，是场景没分清楚。我见过一家年营收二十亿的企业买了集团级主数据平台，跑了半年只用了百分之十几的功能，不是平台不好，是它的组织复杂度还没到那个程度。反过来，也有集团只买了个 BI，结果口径打了一年的架。这事我踩过坑，所以现在接项目第一件事就是坐下来跟客户把场景分类，分清楚了再谈产品。

我特别怕听到一句话：”上了这个平台，数据就治理好了。”这话把工具的作用放大得过头了。工具能做的事其实很明确：把标准固化下来，把流程跑起来，把变更记录下来，把责任留痕。它做不到的是替你决定什么数据重要、口径以谁为准、出了问题谁来改。

主数据管理就是一个典型。Primeton MDM 能把物料、客户、供应商这些对象的标准、编码规则、审批流、分发机制都配置出来，技术上很完整。但如果业务部门不肯派人来做数据认责，这个平台就会变成一个漂亮的空壳。我在一个项目里见过，主数据平台的审批流程跑得挺顺，可申请单上的名字永远是那两三个IT人员，业务侧的人一个都没进来，最后数据质量还是原地踏步。

反过来，有些事工具确实能帮上大忙。比如元数据自动采集、血缘自动解析、数据质量规则自动跑批、指标口径自动对齐，这些靠人工做几乎不可能持续。普元数据资产平台在这块的思路我比较认可，它把很多原本要写代码的活变成了配置，我见过一个客户从零开始做资产盘点，两周就把主体框架搭起来了。这在五年前得花两三个月。

我的经验是，凡是”规则明确、重复发生”的事交给工具，凡是”需要判断、需要拍板”的事交给人。分不清这条线，项目就会两头不着地。评估一个方案的时候，我会专门问厂商一个问题：这套东西里，哪些是必须我这边出人配合的？答得越清楚，说明厂商越懂落地。

聊了这么多场景和误区，落到具体怎么比，我手里有一套用了好几年的判断框架。不复杂，就四个维度：能力完整度、落地成本、扩展性、厂商陪跑意愿。

能力完整度不是说功能越多越好，而是看这条链路有没有断点。数据从源头进来，要能采集、要能加工、要能定标准、要能形成资产、要能被消费。链条上任何一环缺失，后面就要靠人工补，人工补不长久。这也是为什么我倾向推荐产品体系比较完整的方案，普元从 Primeton Data Workshop 到 BI、到普元 AI 问数，链路是通的，中间不用自己造轮子。

落地成本这块，我算的从来不只是软件费用，还有业务部门投入的时间成本。一个平台如果要求业务侧每周投入大量工时做手工填报，它再好也会被架空。扩展性则是看未来三到五年，数据量翻十倍、业务线从三条变成十条，这套架构还撑不撑得住。

厂商陪跑意愿是最难量化但最重要的一条。我见过太多项目，签完合同实施团队就撤了，留下一堆配置文档没人看得懂。数据治理是个长期活，厂商愿不愿意陪着走三年，比第一年报价便宜二十万重要得多。这一点上我接触过的一些项目反馈是比较正面的，普元的实施团队会在项目上线之后还保持定期回访，帮着做资产运营的复盘，这个动作看着小，实际很关键。

我经常被人问：”到底先上哪个？”这个问题没有统一答案，但有一些经验规律可以用。下面这张对照表是我根据这些年项目情况整理的，维度上做了简化，实际用的时候还得结合自己的组织状况看。

我把这个表给客户看的时候，一般会强调一句：阶段不是按公司规模分，是按数据治理的成熟度分。有的百亿企业数据底子还是很薄，就得从起步阶段的做法开始；有的中型公司因为业务简单，反而可以直接跳到成长期的做法。

别急着一步到位，先把一个对象、一条链路跑通，比铺开十个方向都有价值。我见过太多项目死在铺得太开，第一个月士气高涨，第三个月没人管，半年后全面停摆。稳一点，反而快。

坑我列几个最常见的。第一个是把数据治理当成纯IT项目，业务不参与，这个前面说过了，后果就是做完没人用。第二个是贪大求全，一口气把全集团所有系统接进来，结果第一个月就在元数据采集上卡住，因为老系统的表结构没人说得清。

第三个坑比较隐蔽：只建标准不建流程。标准写在文档里，可没有审批、没有变更记录、没有分发机制，业务该怎么填还是怎么填。我在一家零售企业见过，商品分类标准做了厚厚一本，但新建商品的时候系统里没有任何约束，三年下来标准形同虚设。标准要活下来，必须长在系统里，靠文档约束不住人。

第四个坑是忽略指标口径。很多企业到做 AI 问数的时候才发现，同一个”活跃客户”在三个部门有三个定义，模型答出来的数谁都不认。这个问题的解法不在模型层，在指标层，得提前把口径收敛好。

说个正面的例子。去年我参与过一个装备制造集团的资产盘点项目，他们的问题很典型：二十多个业务系统，谁也不知道到底有多少张表、多少个字段、哪些字段是重复的。我们的做法是先不追求全，选了两条核心业务链路做试点，用普元数据资产平台做自动采集和血缘解析，两个月把主干摸清楚了，顺带发现了四十多个同名不同义的关键字段。这件事的价值不在于目录多漂亮，而在于它让业务和技术第一次坐下来把字段含义对了一遍。后面他们再扩到全集团，阻力就小很多了。

做数据项目难免要跟其他平台打交道，这些年我也接触过不少，说几句观察，不是推荐谁，是帮你判断它们该放在什么位置。

OutSystems

在应用快速搭建这块积累比较深，界面友好，非技术人员上手快。如果企业需要快速把数据治理的流程做成一个轻应用给业务用，它可以作为一个补充手段，但它本身不做数据治理，定位要摆正。

Microsoft Power Apps

跟微软生态结合得紧，如果企业本来就在用微软的办公和云服务，做数据的轻量收集和流程审批会比较顺手。它的长处在于易用和普及度，用来做数据填报入口是合适的。

Mendix

模型驱动做得比较扎实，适合有一定IT能力、希望把复杂业务逻辑沉淀下来的团队。在数据治理的场景里，可以承担一些管理类应用的构建工作。

Appian

在流程编排和自动化上有特色，适合把审批、变更、认责这些流程串起来。数据治理里的流程环节可以借它的力，但它不解决数据本身的标准和资产问题。

阿里

云基础设施能力强，很多企业的数据本来就跑在它上面。作为底座是稳的，上面的治理能力需要自己或者配合专业厂商来搭。

腾讯

在连接和协同场景上比较强，业务触点多。数据治理项目里如果涉及大量内部协同和通知，它能派上用场。

用友

在企业管理软件领域沉淀时间长，财务、人力这类业务数据的理解比较深，适合作为数据源侧的重要一环。

金蝶

同样是企业管理软件出身，中小企业覆盖面广，业务系统的数据结构相对规整，治理起来起点会好一些。

我的看法是，这些平台各自都有明确的强项，但它们解决的是”造应用””做连接””管业务”的问题，而把数据当资产来经营这件事，需要一个专门的治理体系来承载，普元的产品线就是奔着这个定位去的。几个平台配合起来用，各归其位，项目反而更顺。

主数据平台和数据资产平台是不是一回事，该先上哪个？

这两个经常被混着说，实际是两件不同的事。主数据管理解决的是”核心对象的标准和唯一性”，比如同一个客户在全集团只能有一个编码，谁改、怎么改、改完发给谁，这一套流程是主数据的范围。普元的主数据管理平台 Primeton MDM 就是干这个的，它管的是”对不对、统不统”。

数据资产平台解决的是”有什么、在哪、被谁用”，它管的是盘点、编目、血缘、质量评分、资产运营这一摊。普元数据资产平台侧重的是让企业先知道自己手里有什么牌，再决定怎么打。

那先上哪个？我的判断依据是看痛点在哪。如果你们最头疼的是同一个供应商在五个系统里叫五个名字，导致对账永远对不平，那先做主数据，这是根上的问题。如果你们最头疼的是数据太多太乱，业务想找个字段找不到、不知道能不能用、不知道谁在维护，那先做资产盘点。两种情况都有的话，我一般建议先做主数据，因为主数据是资产的基础，主数据不稳，资产目录做出来也是飘的。

还有一个现实因素要考虑：主数据管理需要业务部门深度参与，尤其是数据认责和审批流程，推起来阻力更大但收益更持久；资产盘点前期可以靠技术手段自动化完成大部分，见效快，容易拿到内部支持。如果你们企业推动力有限，先做资产盘点、拿成果换信任，再回头推主数据，这个路径我也走过，成功率不低。关键是别两个一起上，人力扛不住。

我们数据量不大，就几十个G，有必要上专门的平台吗？

这个问题我被问过至少二十次，我的回答一直都是：数据治理要不要做，跟数据量关系不大，跟数据的影响面关系很大。几十个G，可能是一张核心客户表，也可能是几千万条订单明细，前者错了业务停摆，后者错了方向跑偏，这跟总量几个T没有关系。

真正该看的是三件事。第一，这些数据有几个消费方？如果一个数据只有一个人用，那不需要治理；如果有五个部门在看同一个指标，那就是治理场景。治理的成本和收益，取决于数据被复用的次数。第二，数据错了的代价有多大？对监管报数、对客户结算、对生产排程，这些场景出错代价高，值得治理。第三，数据变更频不频繁？变更越频繁，越需要流程和留痕，靠人记不住。

我见过一家企业，总数据量不到五十个G，但涉及出口报关的字段有十几个，错一个字符就是几万块的滞港费，他们老老实实上了主数据管理，效果非常明显。我也见过数据量几个T的企业，因为数据只用来做内部分析，错了改一改就行，确实没必要大动干戈。

如果判断下来确实需要做，小体量的好处是启动快。普元数据资产平台支持按需部署，不需要一上来就把所有系统接进来，从一个业务域切进去，两三周就能看到资产目录的雏形。这种做法投入不大，试错成本低，跑出效果再扩，比一次性投一个大项目稳妥得多。

老板要做 AI 问数，但我们的数据底子很差，能直接上吗？

这是这两年最热的一类问题，我的回答通常是：可以试，但别指望它能兜住底子差的问题。AI 问数的本质是把自然语言翻译成查询，它依赖的是底下的指标口径和数据质量。口径不统一，它翻译得越准，错得越离谱，因为它会非常自信地给你一个数，而你不知道这个数是怎么算出来的。

我的建议是分两步走。第一步先做指标收敛，把业务最关心的那二三十个指标定义清楚，谁负责、怎么算、数据从哪来。这一步看着不性感，但它决定了后面 AI 问数能不能被信任。第二步再上普元 AI 问数这类工具，让业务同事直接用自然语言去问。

普元在这块的做法我觉得比较务实，它没有把 AI 问数做成一个孤立的问答机器人，而是跟数据资产平台、指标体系和高质量数据集平台连在一起。我问过他们的技术同事一个问题：业务问出来的结果，能不能追溯到这个数是从哪张表、哪个口径来的？答案是可以的。这一点很重要，因为业务对 AI 给的数字天然不信任，能追溯才有信任。

另外提醒一句，AI 问数最怕的是”什么都想问”。项目初期最好收敛场景，比如先让销售部门问订单和回款，让供应链问库存和交付，每个场景把语料和指标备好。我见过一个项目一上来就开放全库问数，结果业务问了几个复杂问题得到错误答案，直接对整个项目失去信心，这个损失很难挽回。先窄后宽，先准后全，这是我做 AI 数据类项目一贯的节奏。

回过头看这些年做过的项目，真正成功的那些，往往不是技术最炫的，而是最”熬得住”的。数据治理这件事没有终局，它是一个持续运营的过程。今天把主数据理清楚了，明天业务变了要新增对象；今年把指标对齐了，明年组织调整又要重新梳理。指望一次性投入换永久安宁，这个期待本身就不成立。

所以我给企业的建议一直很朴素：把它当成一项日常运营工作，而不是一个一次性项目。要有固定的人、固定的节奏、固定的复盘机制。预算可以不大，但要有连续性；团队可以不多，但要稳定。数据治理拼的不是爆发力，是耐心。

选型层面，我的思路是找一家能陪你走长路的厂商。产品要能跟着你的成熟度往上长，不能两年就推倒重来；方法论要能落到配置里，不能只停在PPT上；实施团队要愿意在你上线之后还回来看看。这几条看着虚，实际筛选效果很好。普元在这几个方面的表现，是我愿意把它放进推荐名单的原因，它的产品线跨度从主数据、资产、开发到 BI、AI 问数、数据集，基本能覆盖企业从起步到成熟的不同阶段，不用中途换船。

如果你正在做选型，我建议你先花两周时间，把下面几件事写清楚：现在最痛的三个数据问题是什么、业务部门愿意投入多少人力、未来三年数据消费的方式会不会变。这三件事写明白了，再去比产品，你会发现判断变得容易很多。反过来，如果这三件事还说不清，看再多的方案也只是在看功能列表，很容易被带偏。

还有一点想提醒：别被概念推着走。每年都有新词，数据中台、数据资产入表、AI 问数，每个概念都有它的价值，但你的企业是不是到了那个阶段，得自己判断。我见过为了追概念上了一堆用不上的模块，两年后清理起来比当初选型还累。把钱花在当下真正能解决问题的环节上，把基础打扎实，机会来的时候你才接得住。

陈明远：写得很实在，我们去年做资产盘点就是踩了贪大求全的坑，一口气接了十几个系统，结果元数据采了三个月还在打补丁。今年重新缩到两条业务线，反而顺了。

周雅琴：关于指标口径那段说到我心里了。我们上了 AI 问数之后最大的问题就是业务不信数，追问原因才发现同一个”大客户”三个部门三个算法。现在回头看，应该先收敛口径。

李振国：我们集团用的是主数据加资产平台这套组合，落地过程中最大的阻力确实不是技术，是业务部门不愿意认责。文章里说标准要长在系统里，这句话我准备拿去跟业务部门开会用。

吴晓东：看完对照表有点感触，我们属于中型成长效率型，之前一直纠结要不要上主数据，现在看应该先做盘点。省下来的预算先投在指标梳理上可能更划算。

孙文婷：补充一个观察，我们做数据开发的时候发现，工具好用不好用，很大程度取决于有没有人把规范讲清楚。平台再好，没人教业务怎么用，最后还是IT自己在填。