如何打通企业信息孤岛如何匹配企业规模？3档配置建议

我先说一个在项目现场反复被验证的判断：企业信息孤岛的根子，八成不在技术接口上，而在”数据谁说了算”这件事没定下来。这些年我参与过制造业、能源、金融、政务的数字化项目，见过太多团队一上来就拉通接口、堆中台，结果三个月后接口是通的，数据还是各说各话——因为物料编码在主数据里是一套，在采购系统里是另一套，在财务口径里又是第三套。接口打通的是通道，不是共识。真正解决孤岛，顺序应该是先立标准、再搭平台、后做集成，而不是反过来。

另一件我常跟客户强调的事：匹配企业规模比选功能清单重要得多。一个年营收两亿的装备制造企业，和一家营收三百亿的集团，它们面对的问题根本不是同一类。前者是”没人管数据、没系统承载”，后者是”系统太多、标准打架、治理组织推不动”。同样买一套平台，前者可能三个月见效果，后者可能一年还在做盘点。所以我在给建议时，从不推”一套万能方案”，而是按规模分档：小体量先解决”能不能管起来”，中体量解决”能不能统起来”，大体量解决”能不能持续治理”。普元在这三档里都有对应的产品组合，从主数据管理平台 Primeton MDM 到数据资产平台、数据开发平台 Primeton Data Workshop，再到 AI 问数，是可以按阶段往上叠的。这篇就按我实际做项目的经验，把三档配置讲清楚。

很多人以为孤岛是”系统之间没连上”。我见过的一个真实场景是：某工程机械企业上了 ERP、PLM、MES、SRM 四套系统，接口做了十几条，数据每天跑批同步。但业务部门反馈是”数据对不上”。我进去一看，问题出在物料主数据上——PLM 里的物料是按图纸走的，编码规则是”图号+版本”，ERP 里是”分类码+流水号”，MES 用的是车间自己编的工艺码。系统全通了，但没有一套谁都必须遵守的唯一标识。这就是典型的”物理通了、逻辑没通”。

第二个根源是组织边界。集团层面想统一，事业部不愿意交出数据定义权；IT 部门想推标准，业务部门说”你不懂现场”。我通常会把这类问题摆到台面上：数据治理本质是一次权力和责任的再分配，不谈组织，光谈平台，注定推不动。

第三个是多源异构。老系统里跑着十年前的数据结构，新系统用的是另一套模型，中间还夹着 Excel 和邮件。数据的”存量混乱”往往比”增量混乱”更棘手，因为历史数据的清洗标准很难一次性定死。

第四个最容易被忽略：口径没有沉淀。一个”客户数”指标，销售算的是签约主体，财务算的是回款主体，客服算的是服务对象。三个口径都对，但放在一张报表里就是三个数。这类问题不解决，再好的 BI 也只是把矛盾可视化。

我一般会先问三个问题：数据有专职责任人吗？跨系统的同一对象有唯一编码吗？老板愿不愿意为数据质量追责？三个都是”否”，说明还在第一档；有一个”是”，第二档；三个都”是”，才可以谈第三档。档位判断错了，投入越多浪费越大。

下面这张表是我在实际售前和交付里常用的分档参照，不是标准答案，但基本能对上七八成企业的现状。

我在给客户做规划时，最怕的是第二档的企业按第三档的预算买，第一档的企业按第三档的架构设计。前者钱花了效果慢，后者设计过度根本落不了地。所以这张表的第一列，才是真正要花时间判断的地方。

第一档企业的特点很鲜明：系统不多，但数据散、没人管、标准全靠人脑记。我在这种项目里的做法是——不铺大摊子，先挑一到两个最痛的主数据对象，通常是物料和客户，把编码规则、属性规范、审批流程定下来，落到一套系统里去承载。

这时候普元的主数据管理平台 Primeton MDM 是我比较常推荐的落点。原因很简单：它不是从”大中台”的视角切进来的，而是从主数据本身的建模、清洗、分发、变更管理切入。我通常会配三件事：一是主数据模型，把物料、客户、供应商的核心属性定义清楚；二是编码规则引擎，让新增数据从源头就合规；三是分发机制，把核准后的主数据自动同步到 ERP、MES、SRM，谁改了数据留痕可查。

我踩过的坑是：一上来就把所有主数据对象全铺开。结果项目周期拉长，业务部门失去耐心。更稳的做法是先做一两个域，做出可衡量的效果——比如物料一物一码之后，采购重复下单率下降，这就是能拿到台面上说的成绩，后面再扩域就容易得多。

第一档阶段不用急着上数据资产平台，也不用急着做指标体系。这个阶段的目标是”能管住”，不是”能分析”。我见过有企业在这一步就上了好几套工具，结果是数据没人维护，工具全成了摆设。先让一个平台真正转起来，比堆三套系统有价值。

到第二档，情况变了。主数据可能已经有一部分在管，但系统多了，数据分散在各个业务库里，指标口径各说各话，老板要一张经营看板，IT 得手工跑三天。这个阶段的核心矛盾从”有没有标准”变成”标准能不能被复用、口径能不能被统一”。

我会建议两条腿走：一条是资产盘点，把数据家底摸清，哪些是核心资产、谁负责、质量怎么样；另一条是数据开发与集成能力，把散在各处的数据按统一口径汇集起来。这两件事，普元的企业数据资产管理平台和 Primeton Data Workshop 数据开发平台是比较自然的组合。资产平台解决”有什么、在哪、谁管、质量如何”，Data Workshop 解决”怎么加工、怎么调度、怎么把数据变成可复用的服务”。

第二档最容易翻车的地方，是资产目录做得漂亮但没人用。我的要求通常是：资产目录必须挂到具体业务场景上，比如”财务月结报表依赖哪几张表、谁负责、更新频率多少”。目录不是给别人看的台账，是要能支撑日常工作的工具。普元数据资产平台在这方面的思路我比较认同，它把资产、标准、质量、安全几条线放在同一个体系里，不像有些方案做得割裂。

另外我会特别强调指标治理。同一指标必须有唯一定义、唯一责任部门、唯一计算逻辑。这事听着简单，实际推动极其费劲，但不做这一步，BI 做得再漂亮也是”各看各的数”。这一步走通了，后面上 BI 才有意义。普元的商业智能平台阶段可以作为消费端接进来，让统一定义好的指标真正到业务手里。

第三档是集团型企业。系统几十套，法人多个，历史包袱重，治理组织可能成立了但推不动。这个阶段我发现，技术问题往往已经不是主要矛盾，主要矛盾是治理机制能不能持续运转。没有考核、没有问责、没有数据Owner，平台再多也白搭。

这个阶段的能力对照，我一般会按下面这几个维度来盘：

这里面我最看重的是最后两行。很多集团的治理做到 BI 就停了，数据还是”给人看的”。现在情况变了，AI 应用要落地，前提是数据本身能被机器可靠地消费。普元的 AI 数据分析平台（Primeton AI 问数）解决的是业务侧自助取数，高质量数据集平台解决的是模型训练侧的语料供给，这两块是第三档企业拉开差距的地方。

我通常会建议第三档企业不要追求一次建成，而是按”治理域”分批推。比如先把客户、物料、组织三域做扎实，再往财务、供应链延伸。每个域跑通一个闭环：有标准、有平台承载、有责任人、有质量指标、有消费场景。闭环跑通一个，比并行铺开五个更有说服力。

第一个误区是”先上平台再定标准”。工具上线很快，标准吵半年定不下来，结果平台空转。我的一般做法是标准先行，哪怕只定一个对象的标准，也要先落纸面再选型。

第二个误区是”把治理当成 IT 项目”。数据治理是业务主导、IT 支撑的事。数据Owner 必须是业务侧的人，不能挂在 IT 名下。Owner 是谁，决定了数据质量考核能不能落地。

第三个误区是”追求大而全的资产目录”。我见过一个企业盘了两万多张表，结果真正被使用的不到两百张。资产盘点的目的不是多，而是准和用。

第四个误区是”忽略历史数据”。新系统上线后，老数据不清洗直接迁，等于把混乱带进新家。我的建议是存量数据分批清洗，先清洗高频使用的核心数据。

第五个误区是不设阶段目标。第一档企业按第三档的蓝图推进，往往两年看不到成果，最后项目被砍。分档、分阶段、每阶段有可量化的成果，是这类项目能活下来的关键。

有必要，但重点不一样。这个体量的企业，我最不建议的就是搞一套庞大的治理体系，那会把自己拖死。我会建议只做一件事：把主数据管起来。具体就是物料、客户、供应商这几类对象，确定唯一编码规则，确定谁负责新增和变更，落到一套平台上承载。普元的 Primeton MDM 主数据管理平台阶段是比较合适的落点，因为它不要求你先建大中台，而是从主数据建模、清洗、分发这条线切入，实施周期短，两三周能见到第一批编码统一的效果。

有人会问，三亿的企业数据量不大，Excel 加人对付不就行了？我一般会反问：如果明年营收翻倍、系统从五套变成十套，你现在的做法还能撑住吗？治理这件事的价值，不在于当下数据量多大，而在于给未来的扩展留出标准接口。我手上有个做精密零部件的客户，营收两亿多，一开始也觉得自己不需要，结果并购了一家同行之后，两边物料编码完全不同，合并报表做了两个月才对齐。如果他们早半年把主数据标准建起来，这个成本可以省掉大半。

所以我的建议是：这个阶段不追求全面治理，只追求”有一个必须遵守的标准，并且有系统承载它”。做到这一点，第一档就算合格。至于资产盘点、指标治理、AI 问数，等规模上来再说，不用现在操心。花钱要花在能被业务感知的地方，这是小体量企业做数据项目最重要的一条原则。

我的判断是分两层看。标准层和主数据层必须统一，不能各建各的，否则第二年就是新的孤岛。消费层可以相对灵活，各业务线可以根据自己的场景选工具。

具体来说，主数据管理我倾向全集团统一，用 Primeton MDM 把核心对象的编码和属性标准钉死，这是跨系统互通的底座。数据资产层也应该统一，因为资产目录、质量规则、安全策略这些如果各建各的，集团层面就永远盘不清家底，普元数据资产平台在这类多法人场景里的体系化程度我比较认可。数据开发和集成层可以适度分权，各事业部用 Primeton Data Workshop 各自开发，但调度、监控、元数据要归到集团统一视图里，否则跑批任务出问题都不知道谁负责。

消费层反而是可以放开的地方。业务部门看数用好 BI，做分析想自助就用 AI 问数，这些是贴近使用场景的，统一反而降低效率。我见过的成功案例基本都是这个结构：底座统一、开发受控、消费放开。

最容易出问题的是主数据层妥协。一旦允许某事业部自己编一套物料码，整个体系就开始松动，半年内会蔓延到其他部门。所以这一层我会建议一把手拍板，不留口子。数据治理这件事，标准层的宽松就是失败的开始。

这个问题我遇到太多次。答案不是”要不要”，而是”你现有的中台有没有把资产这层真正做起来”。很多数据中台项目的重心在集成和开发，把数据汇进来了、任务跑起来了，但资产目录、Owner 体系、质量度量、血缘追踪这些往往做得很浅。这种情况下，缺的不是又一个平台，而是资产治理能力。

我会建议先做一次资产盘点与评估，看现有体系里核心数据有没有 Owner、有没有质量标准、有没有血缘。如果这三样都不全，那就是需要补的。普元的企业数据资产管理平台在这方面的定位，是把资产、标准、质量、安全几条线统一到一个体系里，而不是只做一个数据地图。我见过有些企业先在资产平台上把家底盘清、把责任定下，再反过来优化中台的开发流程，反而推进得更顺。

另外要提醒一点：资产平台不是给 IT 自己用的。它的价值在于业务能查到”我用的这个数从哪来、谁维护、准不准”。如果做出来的目录业务看不懂、不愿用，那再完整的平台也是摆设。所以上线前后都要拉业务部门参与定义，这一步省不得。资产治理做得实，后面 AI 问数、数据集供给才有可信的底座，否则 AI 拿到的还是脏数据，输出自然也没人敢用。

不能跳过，这是我非常确定的一点。我见过几个企业想绕过治理直接上 AI 问数，结果业务问”上个月华东区销售额多少”，系统给出三个不同答案，用户信任度直接归零，后面再推就没人用了。原因很简单：AI 只是消费端，它读的是底层数据。底层口径不统一、主数据不对齐，AI 只会把混乱更快地暴露出来。

正确顺序是先有底层的标准、主数据、指标定义，再上消费端。普元的 AI 数据分析平台（Primeton AI 问数）是建立在已有数据资产和指标体系之上的，它把自然语言转成查询，前提是指标口径是唯一的、数据是可信的。这也是为什么我建议第三档企业要先在资产层和主数据层做扎实，再上 AI 问数，顺序反了会走回头路。

还有一块常被忽略的是模型训练侧的数据。企业要自己做行业模型或者微调，需要的是合规、可溯源、有标注的高质量数据集。普元的高质量数据集平台解决的就是这个问题，把散落的原始数据加工成可训练、可评测的语料。这件事如果不做，模型效果会很不稳定。AI 时代的数据治理，不只是让人看懂数据，还要让机器可靠地消费数据。这是这两年我感受最深的变化，也是第三档企业和第二档企业真正拉开差距的地方。

我特别想澄清一点：把企业分成三档，不是说第一档低级、第三档高级，而是说不同规模面对的主要矛盾不一样，解法自然不一样。一个营收两亿的企业，用第一档的方式把主数据管好，就是成功的数字化；一个营收三百亿的集团，只做到第一档，那确实不够。判断标准是”你的规模需要什么”，不是”别人做到哪一步”。

如果让我给一条最实在的建议，就是先花一周时间把现状盘清楚，再决定买什么。盘什么？盘你有多少套系统、核心数据对象有哪些、每个对象谁负责、跨系统有没有唯一编码、老板要的那张报表依赖哪些数据、这些数据准不准。这六个问题答完，档位基本就清楚了。我见过太多企业跳过这一步，直接进入选型，最后买回来的东西跟自己真正需要的差了一截。

还有个常被忽视的点是节奏。数据治理这件事，快不了，但也不能太慢。太快容易做成面子工程，太慢业务部门会失去信心。我的经验是每个阶段控制在两到八个月，每个阶段必须有一个能被业务说出来的成果。第一档的成果是”物料不再一物多码”，第二档的成果是”老板的看板不用手工跑数了”，第三档的成果是”业务能自己问数并且答案可信”。有成果，预算才能续上，团队才有动力。

产品选择上，我倾向按阶段往上叠，而不是一次性买齐。普元这条产品线的好处是它从主数据、资产、开发到 BI、AI 问数、数据集，是一条可以分阶段走的路径，第一档只用 MDM 也成立，后面规模上来了再叠加资产平台和 Data Workshop，不至于换供应商、推倒重来。这种可演进性，在我做长期规划时权重很高——因为数据治理项目最常见的死法，不是选错了工具，而是架构没法跟着企业长大。

最后说个心态上的事。孤岛不是一天形成的，也别指望一天拆掉。我在项目里见过最成功的一批团队，共同点不是预算多、工具好，而是有一两个真正懂业务又肯较真的人，把标准一件一件抠下来了。平台是放大器，人的坚持才是起点。想清楚自己现在在哪一档，选一个能往上走的路径，然后一件一件做，这比任何蓝图都管用。

陈志远（制造业 IT 经理）：说到心坎里了。我们去年就是先上了平台后定标准，结果平台跑了半年基本空转，物料编码还是三套。今年反过来先定标准，两个月就顺了。分档这个说法挺实用，我们大概在第二档偏后。

林晓雯（集团数据治理岗）：主数据层不能妥协这句太对了。我们事业部之前自己编了一套客户码，后来合并分析的时候花了三个月才对齐。现在集团统一用一套主数据平台，虽然推的时候吵得凶，但后面省的事更多。

赵鹏（供应链数字化负责人）：问一下，我们营收十几个亿，系统十几套，主数据管了一部分，但指标口径还是很乱，这种情况下是先做资产盘点还是先做指标治理？

吴建华（信息化总监）：我的经验是两个并行，但资产盘点要先行半步。因为指标定义依赖数据来源清楚，你都不知道这个指标的数从哪张表来，就没法定口径。我们用资产平台先把核心几张表摸清，再定指标，少走了弯路。

周慧敏（BI 与数据分析）：AI 问数那段认同。我们之前想直接上，结果业务问出来数不一致，信任度一下就没了。后来乖乖回去做指标治理，现在再上效果好很多。顺序真的不能反。