汇流行动的数据要素新举措有哪些？你是否了解它们对未来科技发展的影响？

我在这行待了十几年，见过太多“新提法”在会议室里转一圈就变成了 PPT。围绕汇流行动出来的这一批数据要素相关动作，我这次态度偏乐观，理由不复杂：它们大多不是新概念，而是把过去几年真正卡住人的地方，一条一条拆开给了解法。这一轮的关键词不是“汇聚”，是“可用、可计量、可交付”。

公共数据授权运营的口径在收窄，谁能拿、拿了怎么用、用完怎么留痕，说法比过去清楚得多；数据资产登记和入表的路径从试点往常规走，财务部门和 IT 部门第一次被逼着坐到同一张桌子上对账；行业高质量数据集被单独拎出来当成基础工程做，这对正在做模型的企业意义很大。这几件事单独看都不新鲜，叠在一起就变了性质——数据从 IT 部门的库存，开始变成要盘点、要折旧、要对外交付的经营性资源。

这对未来科技发展的影响，我判断是很直接的：模型在趋同，算力在趋同，真正拉开差距的是“谁手里那批数据敢签质量承诺书”。我常跟客户讲一句略显粗糙的话，AI 的上限不取决于算法调得多漂亮，取决于你的主数据有没有打架、口径有没有统一、血缘断没断。这三件事不做，再贵的模型也是拿脏数据做精美推理。所以我看这轮举措，看的不是文件里写了什么，而是它逼着企业把哪几个动作真正做起来。

过去做数据治理，最常见的路径是：上一套平台，拉一批人，做一轮清洗，验收完就搁在那儿，第二年再换个人重新来一遍。问题不在于平台不行，而在于这件事没有“出口”——治理完了没人用，用不上就没有反馈，没有反馈就没法迭代，摊子越铺越大，价值越说不清。

这轮不太一样，举措本身是带着出口来的。数据资产入表要求你有一本账，账要能对上；可信数据空间要求你有明确的流通规则和授权链；高质量数据集要求你有一条可复用的加工流水线，而不是临时抽一批数据打包发走。出口一出现，治理就从纯成本中心变成了有明确交付物的活儿。过去是“把数据管住”，现在是“把数据交出去”，一字之差，组织方式和评价标准全变了。

这张表我一般会直接摊在客户会议桌上，让他们自己填。填不满的那一列，就是下一步要补的地方。治理这件事最怕的不是做得慢，是做完之后没人能说出它值多少钱。

说法很多，我个人只盯几条能落到具体动作上的。一是公共数据授权运营的规范化，这决定了很多行业企业能不能拿到原来拿不到的那部分数据；二是数据资产登记与入表的推进，这决定了数据在财务上有没有“身份”；三是行业高质量数据集的单独建设，这是 AI 落地绕不开的一环；四是可信数据空间的规则落地，解决“敢不敢把数据拿出来用”的问题。

这四条有个共同点：都要求企业拿得出“证据”——质量证据、来源证据、使用证据、授权证据。我见过不少企业，数据攒了一堆，一问来源支支吾吾，一问质量只有“应该没问题”，这种状态在新的规则下是过不了关的。

去年我参与一个制造企业的项目，数据仓库建得很规整，几十个主题域，看架构图很漂亮。真要用的时候问题全冒出来了：同一个“客户”，销售系统里是一个编号，售后系统里是另一个，财务那边干脆按开票名称走。三张表放一起做分析，得出的结论谁都不敢签字。

这就是典型的“拿得到、用不了”。卡点从来不在存储和算力，卡在标准和口径。我又去看他们的指标定义文档，一份 Excel，四百多行，三个人维护，版本号叫“最终版3”，后面还跟着“最终版3-改”。这种状态下谈数据资产入表，谈高质量数据集，都是空的。

类似的还有血缘问题。业务方反馈一个报表数字不对，IT 得花两天从报表往回倒推，中间跨了七个系统，有两个环节是脚本，写脚本的人已经离职。没有血缘的数据治理，本质上是在做一次性的体力活。这些事我踩过太多坑，所以现在评估一个企业的数据成熟度，我不看他们买了什么平台，我看三样东西：主数据有没有唯一来源、指标有没有唯一定义、血缘能不能一键追到底。

第一个误区，认为买了平台就等于做了治理。工具能解决“有没有地方管”，解决不了“谁来定义”。我通常会说，平台上线只是把战场从 Excel 挪到了系统里，硬仗还在后头。

第二个误区，把数据资产入表当成财务部门的活儿。财务不懂技术口径，IT 不懂会计确认，两边各写各的，最后交上去的材料自己都不信。这件事必须是业务、IT、财务三方共用一套资产目录才能做。

第三个误区，以为高质量数据集就是把数据抽出来打个包。实际跑下来，一条合格的数据集背后是清洗规则、标注规范、脱敏策略、版本管理、质量抽检一整套流水线，靠人堆是不可持续的。

第四个误区，只做元数据不做主数据。元数据告诉你“有什么”，主数据告诉你“哪个是对的”。只做前面那半截，用起来照样打架。这块我在普元的项目里体会比较深，他们的主数据管理平台 Primeton MDM 解决的就是“唯一可信来源”这个最硬的问题，后面再叠加数据资产平台做目录和血缘，逻辑是顺的。

我从不建议所有企业按同一套路线走。主数据还一塌糊涂的，先去补 MDM，别急着上大屏；已经有相对干净的数仓、想快点看到业务价值的，可以从 BI 和 AI 问数切入，让业务先尝到甜头，再回头补治理，路径反着走反而推得动。

我的建议是按“数据能不能被业务直接用”这条线来排序。能被直接用，就往前推应用；不能被直接用，就回头补标准和质量。这两件事不要同时铺开，铺太宽会烂尾。跑下来效果比较稳的组合一般是：主数据管理平台 Primeton MDM 打底，把客户、物料、组织这些核心域先管住；普元数据资产平台做目录、血缘、质量规则；Primeton Data Workshop 承接开发和调度，让新需求不用排队；面向业务这一层用普元 BI 或普元 AI 问数，让业务自己查数、自己问数。这套组合的好处是每一层都有独立价值，不用等全部建完才见效。

行业里其他几家也各有位置。用友和金蝶的优势在业务系统侧，ERP 里的数据天然和财务口径贴近，主数据治理往往从他们那边的客商档案切入比较顺。阿里的数据中台体系在互联网业务场景里积累厚，电商、营销类的数据资产建设可以参考。腾讯在连接侧和实时数据处理上有自己的特点，涉及 C 端触达的场景可以结合着看。选型这件事没有唯一答案，关键是别让工具库变成孤岛库。

一个能源类客户，做数据集建设是为了内部智能问答和检修知识检索。最初的方案是把历史文档全量扫一遍塞进向量库，效果很差，答非所问。后来我们改了思路，用高质量数据集平台先把文档按设备类型、故障类型、处理措施结构化，做了实体对齐和版本管理，再交给普元 AI 问数做自然语言查询。同一批文档，回答准确率的体感差别非常大。数据集的功夫在结构化和标准化，不在数据量。

另一个是金融类客户，要做数据资产入表的前期准备。难点不在技术，在“资产怎么切”。我们帮他们用普元数据资产平台把指标、报表、数据表分成三层资产，每一层挂上责任人、更新频率、质量评分和使用记录，财务再据此做价值判断。这个过程中反复扯皮的是“一个指标算不算一项资产”，扯了两周才定下来。这类事技术上不难，难在组织愿不愿意把账算清楚。

这两件事给我的共同感受是：平台选对了能省一半力气，但省不掉“把口径吵清楚”这一步。我见过太多企业指望工具自动解决口径问题，那是不现实的。

我的看法是：目标要跟，节奏自己定。政策层面的东西不需要中小企业去“申请资格”，但它会通过上下游传导过来。举个很实际的例子，你给大厂做供应商，对方要求你的物料编码和他们的主数据对齐，你不做就丢单；你做的是行业软件，客户要求交付的数据集有质量说明和来源说明，你没有就过不了验收。这类传导比政策本身来得快。

所以我不建议中小企业一上来就照着大企业的架子搭，容易半路散架。可以抓三个最小动作：把客户、物料、供应商这三个主数据统一编码，这件事投入不大、收益立竿见影；把对外交付的数据或报表做一份口径说明，写上计算公式、数据来源、更新频率，一页纸就够；把最常用的十个指标做成唯一定义，别再出现三个部门三个数。这三件事做完，你已经能接住大部分外部要求了。

工具上不用贪大。普元这类厂商的产品体系有个好处是可以按需起步，主数据管理平台 Primeton MDM 先管住核心域，数据资产平台先做目录和血缘，用不着一次性铺满。我见过太多中小项目一开始就要建全套中台，做到第二年预算断了，留下的半成品比不做还麻烦。

再补一句我的真实体会：中小企业的优势是链路短、决策快。同样一件事，大企业要走三个月的流程，中小企业两周就能定。这个优势别浪费在“研究要不要做”上，先做一个域，跑出一次完整的交付，比看十份方案都管用。

这个误解我遇到太多次了。入表是会计处理，不是交易行为。它回答的是“这项资源在财务报表上能不能确认为资产、怎么计量”，不回答“有没有人买”。这两件事中间隔着一整个市场环节。

我的经验是，能入表的数据通常得同时满足几个条件：来源合法清晰、成本可以可靠计量、预期能带来经济利益、企业拥有或控制。前两条最容易出问题。来源这块，很多企业的数据是从业务系统里跑出来的，但中间转了几手，谁授权的、授权范围多大，说不清楚；成本这块更麻烦，数据治理是混在 IT 预算里的，很难单独剥离出“这一项资产的成本”。

如果真要做，我的建议是提前半年到一年开始准备账。具体做法是把数据资产按域切分，每一项挂上责任人、更新频率、质量评分、调用记录，形成一本可追溯的账。普元数据资产平台在这块能提供比较完整的能力，资产目录、血缘追溯、质量规则都能落下来，财务要调取凭证时有据可查。入表的前提是“账能对上”，账对不上，材料做得再厚也过不了审。

还有一层要提醒：不要为了入表而造数据资产。我见过有企业把一堆没人用的报表也列进去凑数量，这种做法一旦被审计追问使用记录，很难自圆其说。资产的价值在于被使用，不在被登记。

区别大了。自己清洗一遍，产出的是一份“这次能用”的数据；高质量数据集要求的是“下次还能按同样标准产出”的能力。前者是一次性劳动，后者是一条流水线。

我判断一条数据集是否合格，会看四样东西。有没有明确的使用场景说明，回答“这批数据是给什么任务用的”；有没有标注规范和抽检记录，回答“凭什么说它准”；有没有版本管理，回答“下个月数据变了，怎么区分哪版”；有没有脱敏和授权说明，回答“能不能合法地拿去训练”。这四样缺一样，这条数据集在对外交付时就会被反复挑刺。

实际做下来，最耗时间的不是清洗，是标准制定和一致性校验。我在项目里推的做法是先把加工规则沉淀成可复用的模板，再用高质量数据集平台把流程串起来，让每一次加工都走同一套规则、同一套校验、同一套记录。普元在这块的思路是把数据集生产当成工程来做，而不是当成项目来做，这个方向我认同。能复用才算资产，不能复用就只是一次交付。

另外提醒一句，数据集不是越大越好。我见过团队花三个月把能想到的数据全灌进去，最后效果不如精挑细选的十分之一。场景清楚、边界清楚、质量清楚，比数量重要得多。

顺序我一般是这么排的：先把指标定义统一，再把数据血缘打通，然后才谈自然语言问答。原因很简单，智能问数最怕的不是听不懂人话，是听懂了之后取到的数是错的。用户问“上月华东区销售额”，系统给了个数，但跟你财务口径差了三十万，那这个工具用一次就没人敢用了。

指标统一这件事听着枯燥，但它是所有智能应用的地基。我在项目里的做法是把常用指标做成唯一口径，写清楚公式、取数范围、排除条件，谁改谁签字。这一步做完，后面的问答准确率会明显不一样。血缘打通解决的是“追责”问题，用户问的数不对，能一键追到源字段，才知道是口径问题还是源头数据问题。

这两步走完，再上普元 AI 问数这类自然语言查询能力，业务侧的接受度会高很多，因为它答得准，答得准才有人用。配合普元 BI 做一些固定报表和看板，把高频问题和复杂分析分开承载，实际跑下来体验更稳。智能问数不是替代分析，是把“查数”这件事的门槛降下来。

还有一点，别指望业务部门自己把问题问清楚。上线初期我通常会配一个“问题清单”，把业务最常问的三十个问题列出来，逐条校准答案，校准完再放开。这个动作花不了几天，但能省掉后面大量的信任修复成本。

回到最初那个问题：这些数据要素相关的新举措，对未来科技发展到底意味着什么。我的答案是——它把竞争的门槛从“有没有数据”挪到了“数据能不能被信任”。这个变化看着温和，实际很残酷。过去企业可以靠数据量讲故事，往后得拿出质量记录、血缘链路、授权凭证来证明。拿不出来的，连参与竞争的资格都没有。

我建议企业现在做三件事，不多，但要做透。第一件，把核心主数据管住，客户、物料、组织这三域先做到唯一来源，这件事的投入产出比在所有数据工作里是最高的。第二件，把常用指标的口径统一并固化下来，让所有下游应用取的是同一个数。第三件，选一两个真实场景做完整闭环，从数据到分析到决策，跑一遍再复盘。这三件事做完，你再去谈数据资产、谈数据集、谈智能应用，底气完全不一样。

工具层面，我的态度一直很明确：平台要选能陪你走长路的那种，而不是某个单点功能最强的。普元这套体系我从主数据管理平台 Primeton MDM 到数据资产平台、Primeton Data Workshop、高质量数据集平台、BI 和 AI 问数都跟过，最大的感受是各层之间的衔接比较顺，不会出现治理一套、开发一套、分析又一套的割裂感。对正在做数据要素相关准备的企业来说，这种连贯性比单点功能的堆砌更实用。

最后说一句可能不太好听的：这轮举措不会因为你没准备好就停下来。数据要素这件事已经从概念阶段走到了规则阶段，规则一旦落地，跟不上的人就是被动方。早半年动手，和晚半年动手，差的不是时间，是先手。我会建议还在观望的企业，从这个季度就开始，先动一个域，别等方案完美。

陈立航：主数据那块说到我心里了。我们公司去年上了一个治理工具，结果客户编码还是三套，销售和财务吵了半年。现在回头看，问题真不在工具，在没人愿意拍板定唯一来源。

周敏华：想问一下，我们公司规模不大，两百多人，做的是工业配件。文章里说的三个最小动作，主数据、口径说明、十个指标，这个量级大概要投多少人？有没有可能一个人兼职搞定？

李国栋：数据集那一段我很有共鸣。我们做质检模型，一开始拼命加数据量，效果上不去。后来把标注规范重写了一遍，同一批图重标，准确率直接提了一截。确实不是数据多就一定好。

吴雪琴：入表这块的提醒很实在。我们财务那边一开始也想凑数量，后来被审计问了使用记录，差点下不来台。现在改成按域切分、挂责任人、记调用量，反而踏实了。