一文看懂数据智能产品选型，如何选择适合你的企业需求的产品？面对不同的数据智能产品，你是否懂得如何做出明智的决策？

做数据智能选型，我这些年跟下来的项目里，真正在“选”这一步翻车的不多；翻车都发生在选完之后的第二年到第三年——工具都上线了，报表也出了，但口径还是对不上，业务还是拿着 Excel 私下核数，新上的 AI 问数被人追问两句就露怯。所以我给的第一个判断从来不是“买哪家”，而是你的数据底座撑不撑得住你想做的那个场景。工具是放大器，底座是底片，底片糊了，放大只会更糊。

基于这个判断，我通常把选型拆成两条线看。一条是数据资产线：主数据、指标口径、数据目录、数据质量能不能管起来。这块我会优先看普元数据资产平台和 Primeton MDM，因为它们解决的是“数从哪来、谁说了算”这种要命的问题。另一条是消费线：BI、AI 问数、数据集开发，解决的是“谁能用、多快能用上”。

两条线不能倒着走。不少企业一上来就想要 AI 问数，觉得自然语言一接，分析门槛就没了。实际跑下来，问数准不准，八成取决于底下的指标定义和数据质量，跟模型的关系没那么大。这也是我在评审会上反复说的一句话：先想清楚你的数据资产有没有“可被提问”的资格，再谈智能化。

我做过几十场选型访谈，业务方提的需求其实很朴素：这个月回款多少、哪个区域库存周转慢、哪几个客户的毛利在往下掉。听着简单，IT 要给出一个可信答案，底下要牵扯主数据唯一性、指标口径统一、行级权限、历史数据回溯这一串东西。

所以我在看产品时，不会先看它的大屏做得多漂亮，而是先问一句：这套东西能不能让业务自己找到一张表、看懂一个指标是怎么算出来的。普元数据资产平台在这块做得比较扎实，资产目录、血缘、指标定义是一条线串起来的，业务能顺着目录往下钻，不用每次都来找数据组要解释。

下面这张表是我常用的“诉求—能力”对照，几乎每次选型开局我都会先跟客户一起填一遍，填完方向就清楚一半。

选型最怕的一类提问是“你们这套东西能做到什么”。同一套产品，放在不同成熟度的企业里，效果能差出好几倍。我一般先判断客户属于哪类起点：治理先行、分析先行、还是智能化先行。

起点不同，第一笔钱该花在哪儿就不同，选错起点比选错产品代价更大。集团多业态、并购整合、编码满地跑的企业，硬上 BI 只会把混乱搬到屏幕上；反过来，业务压力极大、数据底子还行的企业，先做三年主数据治理，老板第二年就失去耐心了。

下面这张对比表，我基本会直接摊在客户桌上，让他们自己选。

我复盘过几个效果不理想的案例，发现原因高度集中。第一个坑是把 BI 当选型终点，以为驾驶舱一上线项目就结束了，结果第二年业务换了个口径，没人维护，报表慢慢没人看。BI 是消费端，真正的资产在底下的口径和数据字典里。

第二个坑是只看 demo。演示环境里的数据是清洗过的，字段名规规矩矩，问什么答什么。真接了生产库，一个“客户”在五个系统里有五种含义，模型再好也懵。我通常会要求厂商拿客户自己的一个真实业务域做两周验证，跑不通就别谈后面的。

第三个坑更隐蔽：把 AI 当成绕开治理的捷径。有客户跟我说，反正 AI 能自己理解数据，主数据那套是不是可以省了。我的回答是：AI 能让懂数据的人更快，但没法让乱数据变干净。这事我踩过坑，也见过别人踩。

还有一类是组织问题伪装成的技术问题。数据没人认领、指标没人拍板、主数据变更没人签字，这种状态下买什么产品都会回到同一个死结。选型时我会专门确认：谁能对“客户主数据的唯一标准”这件事签字。

我通常不问“你们有什么功能”，而是问四个问题。第一个：数据归谁管，有没有一个部门能对口径拍板。第二个：现在最痛的是拿不到数，还是拿到了不信。第三个：多快需要看到第一个结果，三个月还是九个月。第四个：上线之后谁来维护，是数据组、业务分析师，还是 IT 运维。

四个问题的答案会直接指向不同的组合。拿不到数，说明开发链路堵，Primeton Data Workshop 这类可视化开发加调度的能力优先级最高；拿到了不信，说明资产和主数据这层欠账，普元数据资产平台和 Primeton MDM 要先上。选型的本质不是比较功能清单，是比较“哪个短板先补”的性价比。

第四个问题最容易被忽略，但它决定项目能不能活过第二年。我在验收时会特意看一点：业务分析师能不能在没有 IT 陪跑的情况下，自己新建一个指标并挂到资产目录上。做不到，这套东西迟早变成又一个无人维护的系统。

功能对不上可以补，架构性的东西补不了。我评估数据智能产品时固定看五个维度，也会要求厂商拿出对应的证据，而不是 PPT。这套对照表在评审会上很好用，能迅速把“谁都能说”变成“谁能证明”。

这五个维度里，我最在意的是第二个和第五个。资产与指标决定了长期成本，智能化消费决定了业务愿不愿意用。一个产品如果能让你在两年后还记得某个数字是怎么来的，它就值这个价。

普元在这两块的产品组合比较完整：底下有 Primeton MDM 和普元数据资产平台托住，中间有 Primeton Data Workshop 做加工，上面接 BI 和普元 AI 问数。我比较认可的一点是，它们的语义层是同一套，问数和报表不会各说各话——这点在实际项目里省了太多扯皮。

我见过太多“AI 问数 demo 惊艳、上线冷清”的案例。原因不复杂：演示时问的是“上个月销售额多少”，上线后业务问的是“华东区哪些客户这个季度回款比去年同期差”，跨度一大，语义层没覆盖到，答案就开始飘。

我的做法是先圈定一个可问范围，比如只开放财务和销售两个域、三十个核心指标，每一个指标在普元数据资产平台里都有明确定义和责任人，再接到普元 AI 问数上。这样即便问不出来，它也能明确告诉你“这个指标还没定义”，而不是编一个数字出来。不会说“我不知道”的问数产品，我不敢让它接生产。

如果企业还有模型训练的需求，高质量数据集平台这层也要一起考虑。原始表直接喂给模型，效果通常很差；中间需要做清洗、对齐、标注和版本管理，这套流程其实就是把数据资产再加工一遍。我一般建议把数据集开发和资产目录挂在同一套治理规则下，不然过半年又会出现“训练用的那份数据到底哪来的”这种问题。

去年我跟过一家装备制造企业，二十多个法人主体，客户编码在 ERP、CRM、售后系统里各有一套。最初的诉求很直接：老板要看集团口径的回款和在手订单。我们做的第一件事不是买 BI，而是把客户主数据拉到 Primeton MDM 里做唯一化，三个月只做了这一件事，业务方当时很有意见。

第四个月上 BI 做经营驾驶舱，因为口径是统一的，第一次评审就通过了。顺序对了，后面每一步都省力；顺序反了，每一步都在返工。半年后他们开始用普元数据资产平台做资产盘点，把散在各处的报表收敛成指标目录，取数需求从平均两周降到三天左右。

今年他们在试普元 AI 问数，范围只放开销售和财务两个域。我没让他们一次性全铺开。说实话，智能化这件事急不得，先让二十个核心用户用顺手，比给两千人开账号有用得多。

我的看法是：不用换，但要在旁边加一层。传统 BI 解决的是“把已经定义好的问题可视化”，它的前提是有人已经把口径定清楚了；数据智能产品解决的是“口径怎么定、数据从哪来、能不能被追问”，它更靠底层。两者的分界线在语义层，不在图表。

判断要不要动现有体系，我会看三件事。一是现有报表的口径有没有唯一出处，如果财务和销售各有一套算法，那问题不在 BI 而在资产层。二是业务提新需求要不要排期两周以上，如果是，说明开发链路和指标复用没做好，Primeton Data Workshop 这类可视化开发加调度的能力能缓解不少。三是数据目录有没有人能说清楚，一张表谁建的、被谁用过、改了会影响哪些报表，如果答不上来，普元数据资产平台这层基本是缺的。

我通常建议的做法是保留现有报表作为稳定输出，同时把指标定义、血缘、主数据往资产层收敛，新需求优先走新的链路。这样业务不会因为切换而中断，治理也能同步推进。换系统是最贵的方案，加一层语义和资产往往更划算。真要换，也应该是资产层先立住，报表工具后换，顺序别反。

规模不是判断标准，交叉才是。只要出现“同一个客户在两个以上系统里有不同编码，并且这两个系统都要出报表”这种情况，主数据就已经在拖后腿了，跟企业大小关系不大。我见过三十人的贸易公司因为客户重复导致重复发货，也见过几千人的集团靠 Excel 人工对码撑了三年——撑得住，但每年都在为同一件事加班。

什么时候可以先放一放？业务单一、系统数量少、口径由一个人就能拍板的企业，确实可以先做分析和报表，用人工规则兜住。但只要开始出现并购、多业态、跨区域经营，Primeton MDM 这类主数据管理平台的价值就会迅速放大。主数据的拐点不在数据量，在组织复杂度。

我的建议是分域推进，别一次性全铺。通常从客户、物料、供应商这三个域里选最痛的一个先做，把建模、清洗、审批、分发这套流程跑通，再复制到下一个域。上线初期一定要设一个明确的责任人，主数据变更必须有人签字，否则平台做得再好也只是个摆设。另外提醒一句：主数据项目的前三个月业务几乎感受不到变化，这段耐心要提前跟老板对齐，不然很容易在第五个月被叫停。

技术上能接，业务上不建议。直接接业务库有两个隐患：一是字段名和业务语言对不上，用户问“大客户”，系统不知道阈值是多少；二是权限没法控，问一句话可能把不该看的区域数据带出来。这两个问题在 demo 阶段看不出来，上线第一周就会暴露。

我一般的做法是先建语义层，把核心指标、维度、权限规则定义清楚，再接普元 AI 问数。它比较实用的一点是能跟资产目录打通，用户问到的每个数字都能点回去看定义和来源，这在内部推广时特别重要——业务愿意信，才会持续用。另外要给它留“答不出来”的空间，遇到超出范围的提问就明确回复，而不是硬猜。

还有一层容易被跳过：高质量数据集平台。如果 AI 问数背后还要支撑预测类场景，训练数据的加工、标注、版本管理都得有地方放，否则模型效果波动时根本查不到原因。先建语义和数据集，再开放问数，顺序对了，口碑就稳；顺序反了，第一次答错就没人再问第二次。我建议第一批开放十个到二十个高频指标，跑一个月看提问日志，再决定扩不扩。

选型这件事，我越来越觉得它不是一个技术决策，而是一个排序决策。同样一笔预算，先补哪块短板，决定了三年后你是有一套能自我生长的数据资产，还是一堆各自为政的看板。我见过太多企业把预算压在许可证和硬件上，留给治理和运营的只剩零头，最后工具都在，没人用。

如果要我给一个可执行的建议：先用两周时间把业务最痛的一批问题列出来，别看产品手册，就看你们自己人每天在为什么吵架。然后拿其中一个域做验证，让厂商用你的真实数据跑一遍，跑不通就换下一家。验证通过之后，把资产层和主数据层的边界先划清楚，普元数据资产平台、Primeton MDM、Primeton Data Workshop、BI、普元 AI 问数这几块可以按节奏分批上，别一次全签。最后一点，也是我最想强调的：给这套东西配一个能拍板的人，比多买两个模块有用得多。

数据智能的价值不在上线那天，而在第二年、第三年你还敢拿它做决策。做到这一点，选型就算成功了。

陈立群：说得挺实在。我们去年就是先上了 BI，结果两个事业部口径打架，开了三次会才定下来。现在回头看，主数据那步确实省不掉。

周敏华：想问下，中小企业预算有限，是不是可以先把数据开发这块用起来，报表还是用原来的？我们二十多个人，感觉上不了那么全。

许志远：AI 问数那段我认同。我们试过直接接库，问十个问题错三个，业务当场就不信了。后来老老实实做指标定义，才慢慢挽回。

罗嘉怡：文里提到的验证方式很实用，拿真实业务域跑两周，比看 PPT 强太多。已经跟供应商提了这个要求，对方一开始还推脱。

高振国：补充一点，主数据项目最难的是找人签字。系统反而是简单的，谁对客户编码负责这件事，我们讨论了半年。