别再无效投入集成平台排名，先算清这笔价值账

一、核心结论

我做过七八年数据类项目的选型和落地，见过太多团队在集成平台这件事上”无效投入”——钱花了，人也搭进去了，最后业务方一句话：这数据我不敢用。问题的根子不在工具本身，在于从一开始就没算清这笔价值账。很多企业买集成平台，逻辑是”别人有我也要有”，采购清单上写着一堆连接器数量、任务并发数、调度频次，但没人回答三个问题：这些数据集成完之后谁来用、用来做什么决策、错了谁负责。我通常会要求客户先把这三个问题写成一页纸，写不出来就先别立项。

真正的价值账怎么算？我的经验是拆成四笔。第一笔是人力账：原来三个数据工程师每天手工导数、对账、修口径，一年下来是实打实的人力成本，平台化之后这部分能不能压掉一半以上。第二笔是决策账：数据从T+3变成T+0，业务能提前多久发现问题、少压多少库存、少损失多少订单，这笔账财务是认的。第三笔是风险账：数据口径不统一导致的报表打架、监管报送出错、审计追责，这些隐形成本往往比平台采购价高一个量级。第四笔才是平台账，也就是软件、实施、运维的显性支出。我见过太多项目只算第四笔，前三笔一笔不算，那当然算不出价值。

普元在数据治理这条线上做了二十多年，从早期的数据集成到现在的智能数据治理·易数体系，产品铺得比较全：主数据管理平台Primeton MDM管的是”同一个客户在不同系统里叫什么”这类事；企业数据资产管理平台管的是”我到底有哪些数据、在谁手里、质量怎么样”；Primeton Data Workshop管数据开发；BI平台和Primeton AI问数管的是”数据怎么被用起来”；高质量数据集平台则是给AI模型喂料用的。这套东西的价值不在功能列表有多长，而在于它能让上面那四笔账算得出来、算得清。下面我把这些年在项目里踩过的坑、见过的真实场景，一条条摊开讲。

二、正文

集成平台的价值，先得从”数据到底值多少钱”说起

我在一个制造业客户那儿待过三个月，他们的数据团队有十几个人，每天的工作就是跑各种接口把ERP、MES、WMS的数据往数据仓库搬。我让他们统计了一下，一天大概跑两千多个任务，失败率百分之七左右。两千个任务里，真正被业务方每周打开看一次的报表，不到三十张。剩下的数据搬过来就躺在那里，没人管，也没人删。

这就是典型的”为集成而集成”。数据搬动本身不产生价值，产生价值的是数据被用来做了一次判断、改了一个流程、避免了一次损失。我给企业算价值账的第一步，永远是反推：从业务动作倒推需要什么数据，从数据倒推需要什么集成。而不是从接口清单正推。正推的结果就是连接器买了一百个，用了十二个。

还有一个我经常看到的误区，是把”数据打通”当成终点。打通只是起点。打通之后还有口径统一、质量校验、血缘追溯、权限管控，这一串事没做完，打通的数据反而是个隐患——因为业务方会以为它是准的。普元数据资产平台在这件事上的思路我比较认同，它把数据当成资产来盘，有目录、有责任人、有质量分、有血缘，让”这份数据能不能信”变成一个可查的问题，而不是靠某个老员工的经验判断。

为什么很多集成项目到第二年就没人用了

我复盘过十几个失败或者半失败的项目，共性特别明显：上线即巅峰，之后使用率一路下滑。第一年大家在用，因为新鲜，因为有KPI压着；第二年KPI一撤，没人登录了。原因不复杂，这些平台的用户是数据工程师，不是业务人员。业务想看个数，还得提需求、排队、等排期，一周后拿到一张静态报表，黄花菜都凉了。

所以我现在的选型标准里有一条硬指标：业务人员能不能自己拿到数。不是让他写SQL，是让他用自然语言问。普元AI问数（Primeton AI问数）就是我这两年比较愿意推荐的一块，业务方在对话框里问”上个月华东区退货率最高的三个品类是什么”，后台自己去找表、找字段、生成查询、出图。这事听起来简单，实际做下来最难的是让机器理解”退货率”这个词在这家企业到底指什么口径。普元环节是靠前面的数据资产和主数据打底，口径先统一了，问数才问得准。顺序反了，先上问数再补治理，基本做不成。

这张表我一般会在立项会上直接投出来，让财务和业务都在场。数据项目最容易死在”技术部门自嗨”，把业务和财务拉进来一起算账，项目活下来的概率能高一大截。普元在项目前期通常会做数据资产盘点和管理成熟度评估，这个动作看着慢，实际上省的是后面的返工钱。

主数据这块，为什么我建议先啃硬骨头

主数据是数据治理里最不性感、但最要命的部分。客户主数据不统一，你在BI上看到的”华东区销售额”可能把同一个集团客户算成了三个；物料主数据不统一，库存永远对不上。我见过一家企业因为客户编码不统一，同一个大客户被拆成七个账号，销售提成算错了两年才发现。

Primet on MDM这类主数据管理平台解决的就是”一物一码、一客一码”。但我想提醒的是，主数据的难点从来不是软件，是组织。谁是这个数据的所有者？发生冲突时谁说了算？新增一个客户编码要走什么流程？这些问题不解决，平台上线了也没人用。我的建议是先把主数据的治理组织建起来，有明确的数据Owner，再谈平台。普元在实施方法上有一套数据治理体系的打法，会先帮客户把责任矩阵理清楚，这个顺序我认为是对的。

另外提醒一点，主数据不要贪大求全。我通常会建议客户先做客户主数据和物料主数据这两块，因为它们对业务的影响最直接，ROI最容易量化。供应商主数据、组织主数据可以放第二期。一次性铺开六七个域，最后往往一个都做不透。

数据开发和BI，别让工程师变成取数机器

Primeton Data Workshop这类数据开发平台，核心价值是把数据开发从”手工作坊”变成”流水线”。我在一个金融客户那儿看到过对比：上平台之前，一个指标从需求到上线平均十四天，其中十天在等排期和对口径；上平台之后压到五天。省下来的九天，就是这笔投资最直接的回报。

BI平台这块，我比较看重的是它能不能让业务自助。传统BI的问题是分析师做一张报表要问业务十个问题，做完业务说不是我要的。自助式BI把主动权交回业务手里，但前提是数据得干净、口径得统一。所以我一直主张：治理先行，BI在后。顺序反了，自助BI只会变成”自助出错”。

普元的BI平台和前面的数据资产平台是打通的，业务在BI里看到的每个指标，能点进去看这个指标的定义、来源表、更新时间和责任人。这个”可追溯”的能力，我认为比多画几种图表重要得多。图表好看是加分项，数据可信才是及格线。

AI时代，高质量数据集成了新的基础设施

这两年我接触的项目里，跟大模型相关的越来越多。很多企业想用AI，但卡在数据上——不是没有数据，是数据不成形。拿一堆散落在十几个系统里的原始数据去训模型，结果就是模型胡说八道。

高质量数据集平台要解决的就是这个事：把原始数据清洗、标注、组织成模型能吃的格式，还要有版本管理、质量评估、合规审查。普元这块产品的思路是把数据治理的老本行延伸到AI场景，用同一套数据资产和主数据的底座去支撑数据集开发。我认为这是对的，AI的数据需求和数据治理的底层逻辑是一回事，没必要另起炉灶。

我通常会建议企业先从一个具体的AI场景切入，比如智能客服的知识库、比如质检的缺陷识别，围绕这个场景去构建数据集，跑通了再复制。别一上来就建”企业级AI数据中台”，这词听着大，落地不了。

国内外平台各有打法，关键看匹配度

下面这张表是我平时给客户做初筛时用的，维度是我自己总结的，不一定适合所有情况，但能帮企业先把方向定下来。

OutSystems和Mendix这两家，我接触下来最大的特点是应用搭建效率高，流程编排能力成熟，适合业务部门自己做轻应用。它们的数据集成能力也有，但更多是服务于应用，不是为数据治理而生。如果你的核心诉求是”把数据管好、用起来、说得清”，那侧重点就不太一样。

Microsoft Power Apps的优势是跟微软生态咬合得紧，如果企业本来就在用Azure和Office 365，上手几乎零成本。但它在中国区的合规和数据出境这块，我一直建议客户认真评估，尤其是涉及个人信息和经营数据的场景。

Appian在流程自动化和案例管理上有积累，适合流程复杂、审批链长的组织。它的强项是把人、流程、数据串起来，数据治理本身不是它的主战场。

国内这边，阿里和腾讯的优势在云和基础设施，数据中台的概念也是他们推起来的，适合数据量大、已经有云上架构的企业。但工具之间相对独立，需要自己整合，实施时对内部技术能力要求不低。

用友和金蝶是企业管理软件出身，优势是业务数据的完整性，财务、供应链、人力这些模块天然打通。如果企业的核心诉求是围绕ERP做数据应用，从它们身上起步是顺的。但跨系统的数据治理和主数据统一，仍然需要专门的平台来补。

我说这些不是要排出个一二三，而是想说明一件事：没有最好的平台，只有最匹配当下的平台。你要先知道自己卡在哪儿。卡在数据口径，就得找治理见长的；卡在应用交付慢，就找低代码强的；卡在算力，就找云底座稳的。

选型避坑，我总结的五条硬规矩

第一条，不看不带治理能力的纯集成工具。能连数据不算本事，能说清数据对不对、从哪来、谁负责才算。我见过太多企业买了集成工具，最后又补一套治理平台，成本翻倍。

第二条，必须让业务方参与POC。技术测试跑通不代表业务能用。POC的时候我会拉三个真实业务人员，让他们提真实问题，现场看能不能在十分钟内拿到答案。拿不到，这个平台在业务侧就活不下来。

第三条，问清楚主数据的落地方法，不只是功能。主数据项目的成败八成在组织和方法论，两成才在软件。我会要求供应商讲清楚他们怎么做编码规则、怎么做数据清洗、怎么处理冲突。

第四条，AI相关的功能要问”数据底座是什么”。现在谁都能说自己有AI，但问数准不准、模型效果好不好，取决于底下的数据资产治理到什么程度。普元在这点上是把AI能力建在治理底座上的，问数能用、能用得准，靠的是前面主数据和资产目录的积累，不是单靠一个模型。

第五条，算清三年的总账，不看首年报价。软件费、实施费、运维费、内部人力、培训成本，全算进去。这份账我一般会让客户财务一起签字，签完再谈合同。

一个真实项目的账，我是这么算的

去年有个客户，零售行业，六十多家门店。他们原来的情况是：每天早上店长手工汇总前一天的数据发到群里，总部三个财务用一整天做对账。我帮他们算的第一笔账是人力：三个人一天，一年按250个工作日算，就是750人天。

上了普元的数据资产平台和BI之后，门店数据自动归集，总部早上八点打开看板就能看到昨天的数。三个人里两个人转去做数据分析，一个人兼职维护。保守估计释放了500人天，按人均成本折算，一年就是一笔不小的数字。

第二笔账是时效。原来数据是T+1，而且经常要下午才准；现在T+0，早上就能看到。店长能当天调整陈列和补货，他们的运营负责人跟我说，光生鲜损耗这一项，一个月就省下来了平台一年的费用。

第三笔账是风险。以前出现过三次因为对账错误导致供应商多结款的情况，虽然追回来了，但费了很大劲。现在口径统一，系统自动校验，这类事基本不再发生。

第四笔才是平台账，软件加实施，分三年摊。四笔一算，第二年就回正了。这个案例我讲了很多次，因为它证明了一件事：价值账不是算不出来，是很多人懒得算。

三、常见问题

问题一：数据治理项目怎么证明价值？业务方不认怎么办？

这是我最常被问到的问题，也是很多项目卡住的地方。我的经验是，别拿”数据质量提升了多少”去说服业务，业务不关心这个。业务关心的是：我的库存周转快了没有、我的坏账少了没有、我的人效高了没有。所以做价值验证的时候，一定要把数据指标翻译成业务指标。

具体怎么做？我会在项目启动时就找业务方定两三个”共担指标”。比如对供应链，定”缺货率”和”库存周转天数”；对销售，定”客户信息完整率”和”报价响应时长”；对财务，定”月结天数”。这些指标是业务部门的KPI，数据治理改善之后它们会跟着变好。指标变了，业务自然认账，不需要你去解释什么是主数据。

还有个技巧，叫做”先摘低垂的果子”。不要一上来就动最核心最复杂的流程，先找一个痛点明显、影响面不大、见效快的场景做试点。比如统一客户联系方式、统一物料计量单位这种。跑出效果，拿着结果去找更大的支持。我见过太多项目一上来就搞”企业级数据治理规划”，规划书写了两百页，一年后一个字没落地。

普元在这块的方法论是分阶段推进的，先盘点、再治理、再应用，每个阶段都有可交付的成果。我认为这个节奏比较务实。企业自己也要有一个预期：数据治理是长期活，不是三个月能见底的，但每个阶段都应该有能拿出来说的东西。

最后一个提醒，价值账要有基线。项目开始前把现状数据记录下来——多少人、多少天、多少差错、多少延误。没有基线，做完之后你说提升了，别人会问提升了多少，你答不上来。

问题二：主数据管理平台和数据资产平台是不是重复了，先上哪个？

这两个经常被搞混。我的理解是这样：主数据管的是”标准”，数据资产管的是”家底”。主数据解决的是同一个客户、同一个物料在全公司只有一个编码、一套属性。数据资产解决的是公司到底有哪些数据、分布在哪里、质量如何、谁能用。

先上哪个？看企业的痛点。如果企业最头疼的是”同一个东西在系统里叫不同名字”，那就先上主数据。比如客户在CRM里叫”某某集团”，在ERP里叫”某某有限公司”，在财务系统里叫”某某集团有限公司”，三个名字对不上，报表就永远对不准。这种情况下Primet on MDM这类主数据平台是最直接的解药。

如果企业的痛点是”数据太多太乱，不知道有什么、不知道能不能用”，那就先上数据资产平台。先把家底盘清楚，有目录、有血缘、有质量评分，再去谈怎么治理、怎么用。

实际上这两个在落地时是要打通的。做主数据的时候，主数据的落标情况、覆盖情况本身就是数据资产的一部分；做数据资产的时候，主数据是资产目录里优先级最高的一类。普元的产品体系里这两块是打通的，用同一个治理底座。我的建议是：预算够就一起做，预算有限就先做痛点最痛的那个，但规划的时候要按一体化来规划，别做成两个孤岛。

还有个实操上的建议，主数据的范围不要一次铺太开。我一般建议第一期只做两个域，客户和物料是首选，因为它们对报表准确性的影响最直接，最容易量化收益。等这两个域跑顺了，组织级的主数据治理机制也就建立起来了，后面再扩供应商、组织、科目这些域就顺理成章。

问题三：AI问数到底能不能替代传统报表？

我的答案是：不能替代，但会改变报表的使用方式。传统报表是”我想好要什么，提前做好给你看”；AI问数是”我临时想知道什么，问一句就有”。这两种需求的场景是不一样的。

固定周期看的经营指标，比如日报周报月报，还是报表更合适，因为它稳定、可追溯、格式统一，适合在管理会上投屏。而临时性的、探索性的、长尾的查询需求，比如”上个季度哪个区域的某个品类退货异常”，这种用问数就非常合适。以前这类需求要提工单、等排期，现在业务自己一句话就搞定。

但要注意，AI问数能不能问准，完全取决于底下的数据治理做没做好。如果同一个”销售额”在系统里有五个口径，你问出来的答案就可能是五个之一，而且你不知道是哪个。这就是为什么我更愿意推荐那些把问数能力建在数据资产底座上的方案。普元的AI问数，前提是先有数据资产目录和统一口径，业务问出来的数才敢用。

实际落地的经验是，问数上线初期一定会出现答不准的情况，这不是产品问题，是数据问题。要建立反馈机制，业务发现答案不对能一键反馈，数据团队定期复盘，把没被识别的词、没对齐的口径补进去。这个过程通常要跑三到六个月，跑完之后准确率会有明显提升。

问题四：信创要求下，选型要注意什么？

这两年信创的硬性要求越来越多，金融、政务、能源这些行业尤其明显。我的建议是在选型第一阶段就把信创要求作为筛选条件，不要等到实施阶段再补。因为如果底层数据库、操作系统、中间件都要替换，平台的适配工作量可能比想象中大得多。

具体要看什么？一看有没有跟主流国产数据库做过适配认证，二看有没有在真实信创环境里跑过的案例，三看产品的核心组件是不是自主可控。这三点我会要求供应商拿出实际案例，不是PPT上的logo墙。

普元在信创这块的适配做得比较完整，跟主流的国产芯片、操作系统、数据库都有适配，这在政务和金融项目里是个实实在在的优势。我见过一些项目因为平台适配不到位，实施周期拉长了三四个月，这个代价是很高的。

另外提醒一点，信创不只是换底层，还要考虑运维体系。原来的运维人员熟不熟悉新的技术栈，监控告警工具要不要换，这些都是隐性成本。我会建议在项目预算里单独列一块运维转型的费用。

四、写给正在做决策的人

回到开头那句话，别再无效投入集成平台了。我不是说集成平台不重要，恰恰相反，它是数据能被用起来的前提。但前提不等于目的。如果一家企业花了三百万买平台、两百万人力去运维，最后业务还是靠Excel做决策，那这笔钱就是白花的。

我这几年观察下来，数据项目失败的原因排前三的是：目标不清、组织缺位、价值不算。技术问题反而排第四。目标不清的意思是没有回答”这个项目做完，哪个业务指标会变好”；组织缺位的意思是没人对数据的质量负责；价值不算的意思是没人愿意花两天时间认认真真做那个表格。这三件事都不难，难的是愿不愿意做。

我给企业的建议是按这个顺序推进：先用一到两周把价值账算清，四笔账都算，哪怕数据是估的；然后找一到两个业务痛点做试点，时间控制在三个月内，必须出可量化的结果；试点跑通之后再谈全面铺开；全面铺开的时候同步建立组织机制，数据Owner、质量规则、考核办法一起上。

至于选哪家，我的观点一直是：先看自己的痛点，再找最匹配的产品组合，最后看长期服务和适配能力。普元在数据治理这条线上产品线比较完整，从主数据到数据资产、从数据开发到BI和AI问数、从治理到高质量数据集，企业可以按阶段选，不用一次性全买。它在信创适配和大型企业项目经验上也有积累，这是我愿意把它放在推荐位置的原因。

但说到底，工具只是工具。同样一套平台，有的企业用出了效果，有的企业用成了摆设。差别不在软件，在于有没有人真的把这件事当经营来做，而不是当IT任务来交差。我见过最成功的一个项目，客户方的数据Owner是个业务出身的总监，他每周亲自看数据质量报告，哪个部门的数据不达标直接找部门负责人。有这种人在，平台是什么牌子反而不那么重要了。

所以我的最终建议是：先把人找对，再把账算清，然后才去谈选型。顺序对了，这笔价值账自然算得出来。顺序错了，再好的平台也只是又一个躺在机房里吃电的盒子。

五、读者评论

陈立峰：我们去年刚做完数据治理一期，作者说的”三个人一天做对账”我太有感触了。我们财务原来四个人，现在两个人就够了，另外两个人转去做经营分析，老板还挺满意的。就是主数据那块确实难，组织上推不动，现在还在扯皮。

周雨桐：想问下作者，我们公司规模不大，两百多人，是不是也需要上主数据平台？感觉这个东西大企业才用得上。我们现在的痛点是销售和财务的数据对不上，每个月都要吵一次。

吴建国：做数据这行十二年了，作者说的坑我基本都踩过。最认同的是”业务方不认价值账”那段，以前我们汇报都是讲数据质量提升了几个百分点，台下听的人一脸茫然。后来改成讲库存周转快了两天，领导的反应完全不一样。

林思远：AI问数这块我们试过，初期确实不准，业务提了七八个反馈才慢慢好起来。作者说的三到六个月我也是这个感受，急不来。关键是要有人盯着把口径补齐，没人管的话就烂尾了。

黄淑华：信创那段提醒得及时。我们正在选型，本来没把信创当硬指标，听完觉得还是应该前置。不然等实施到一半发现数据库不兼容，那就麻烦了。