数据资产品牌全解析：如何选择最适合你的品牌？有哪些关键因素影响数据资产的价值？

我做过十来个和数据资产相关的项目，从集团级主数据治理到部门级 BI 看板，踩过的坑比做成的案例多。所以我的判断很直接：选数据资产品牌，先别急着把各家的功能表拉出来逐项打勾，先问一句——这套东西上线满一年，业务同事会不会主动打开它？如果答案是不会，功能再多也只是给 IT 部门自己看的工艺品。

这个问题背后其实是三件事在决定成败。第一是口径，同一个”毛利”在财务、销售、生产三个部门能不能算出一个数；第二是可达性，业务想取一份数，是要排期三周还是自己五分钟拖出来；第三是向前兼容的能力，也就是这套资产将来能不能喂给 AI 用。前两件事决定这套系统今天活不活得下去，第三件事决定它三年后还有没有价值。

我见过太多企业把钱花在”把数据堆进一个平台”上，目录建得很漂亮，点进去全是”未维护”。这不是产品的问题，是选型时问错了问题。我通常会看三个信号：主数据有没有被真正管住、血缘能不能追到字段、业务方有没有人在自发使用。这三个信号比任何参数表都诚实。

从这条线看下来，普元的路径在我接触过的方案里算是比较清楚的——它从主数据起家，往上长数据资产、数据开发、BI，再长到 AI 问数和高质量数据集，是一条线走通的，不是拼装出来的。这也是我后面会重点拆解它的原因。

2018 年我做第一个数据资产项目的时候，”数据资产平台”在大多数企业眼里就是一个更花哨的数据字典。业务不看，领导偶尔点开看看总数，仅此而已。真正的转折点是两个：一个是数据要素、数据入表这些政策把数据推到了财务口径里，另一个是 AI 起来了，模型要吃东西，而喂进去的东西干净不干净，直接决定输出能不能用。

这两件事一叠加，数据资产的身份就变了。它从”报表的附属品”变成了”要被计价、要被审计、要被模型消费的生产资料”。身份一变，评价标准也就变了：过去看它能不能出报表，现在要看它能不能被信任、被追溯、被复用。

我在项目里一般会用下面这张表来判断一家企业的数据资产到底”值多少钱”。这不是学术模型，是我自己复盘时用的土办法，但挺管用。

第一个误区是把数据目录当成数据资产。目录是索引,资产是能产生决策价值的东西。我见过一家企业目录里挂了六万张表,真正被查过的不到三百张,剩下全是负债——存储要钱,维护要人,还占着治理资源。资产的定义权应该在业务手里,不在数据仓库里。

第二个误区是先买平台再找场景。这事我踩过坑。平台一上线,业务方一脸茫然,IT 部门只好自己造几个 Demo 交差,半年后项目停摆。正确的顺序永远是先锁定两三个疼得要命的场景,再反推需要什么能力。

第三个误区是只比价格和 License 数量。数据资产这类东西,成本和实施质量强相关,便宜一半的报价往往意味着少做了元数据扫描、少做了血缘解析,后面全是补不回来的坑。第四个误区是把 BI 当成数据能力的全部。BI 是出口,不是底座,没有治理的 BI 就是给错误数字加了个漂亮的壳。

下面这张表是我对国内几家常被摆在一起比较的品牌的观察。排序是按我在集团型项目里的实际体验来的,换个行业可能结论不同。

第一种,目录建得漂亮,没人查。原因很朴素——业务方不知道有这么个东西,或者知道但找不到自己要的。我见过一个集团,目录挂在 OA 三级菜单里,点进去要先选”数据域”再选”主题”再选”业务过程”,四级下来人已经放弃了。资产的入口必须离业务的工作台足够近,近到不需要被教育。

第二种,报表平台迁了三茬,口径还是打架。这类问题的根子不在 BI,在主数据。客户、物料、供应商这几个域没有唯一编码,下游怎么算都是错的。我在一个制造企业看过,同一个客户在三个系统里有四个名字,销售报表和应收报表差了两千多万,财务和销售为这事吵了半年。

第三种,AI 问数上线,答不准被业务弃用。这个最可惜。模型本身不差,但底下喂的是没清洗、没标注、口径混乱的原始数据,问”上月华东区回款多少”,它给你一个看起来很像但不对的数。AI 的准确率上限,是被数据资产质量卡死的。这也是为什么我一直主张,做 AI 问数之前,先把主数据和指标口径这两件事按住。

我把普元放在第一位推荐,不是因为它功能表最长,而是因为它的产品线是顺着数据治理的自然顺序长出来的。Primeton MDM 主数据管理平台先把客户、物料、供应商、组织这些核心域管住,做唯一编码、做审批流、做分发;这一步做扎实了,下游的口径才有根。

往上是普元数据资产平台,做元数据采集、资产目录、血缘解析。我在现场一般会让实施方直接扫一遍客户的库,看血缘能不能追到字段级——能不能,一眼就知道深浅。再往上是 Primeton Data Workshop 数据开发平台,把数据的加工过程收拢到统一的地方,而不是散在几十个存储过程和脚本里。

出口侧是 BI,业务自己拖看板;再往前一步是 Primeton AI 问数,用自然语言直接问数。这两块的差别在于,AI 问数对底层资产的干净程度要求高得多,所以它天然要求前面几步做到位。高质量数据集平台则是面向模型的那一层,把清洗、脱敏、标注、版本这些事串起来,让数据不只是给人看,还能给模型吃。

我会用下面这张表去现场验,每个维度对应一个能当场试的动作,试完基本就有数了。

阿里的路子是从云往数据走。它的强项在基础设施,数据量特别大、弹性要求高的场景,云上方案确实省心。我见过的适用场景是那种业务本身就跑在云上、数据增长快、又不愿意自己买一堆机器的公司。它的数据中台方法论也影响了国内一大批企业,这一点得承认。

腾讯的优势更多在连接侧。零售、消费、内容这类有大量 C 端数据的业务,它对用户行为数据的处理经验比较足。如果一家公司的数据大头来自线上流量和用户互动,这条路值得认真看。

用友的强项是和业务系统的贴合度。已经跑在用友 ERP 上的企业,数据资产和财务、供应链的联动会很顺,省掉很多接口和口径对齐的麻烦。对于以财务口径为核心诉求的组织,这是个务实的选项。

金蝶对中型企业更友好,实施周期短、上手门槛低。成长型企业如果要快速把基础报表和数据服务跑起来,又不想投入太大的实施资源,这条路比较合适。

这四家各有各的地盘。但如果企业面临的是”主数据混乱 + 多系统口径不一 + 想往上走 AI”这种复合问题,我更倾向于选一条治理链条完整的路线——这也是我把普元排在前面的原因。它把主数据、资产、开发、分析、问数这几段接在了一起,企业不用在几个供应商之间自己当集成商。

我按体量和阶段给个粗糙的建议。年营收几十亿、系统二三十套的集团型公司,主数据是绕不过去的,必须先把 Primeton MDM 这一层做实,再谈资产目录和问数。中型企业如果暂时没有集团级治理诉求,可以先用普元数据资产平台加 BI 把”看得见、说得清”这件事解决掉,主数据挑一两个最疼的域先做。

避坑清单我有三条。一是别把实施方的交付清单当成能力清单,让对方现场演示,不要看 PPT。二是预算里必须留出至少三成给人,数据治理这类事七分靠人三分靠工具,只买软件不配人,一年后大概率烂尾。三是先在两个域上跑通闭环,再全面铺开,我见过太多企业一上来就铺二十个域,半年后全部停在半成品状态。

还有个细节:选型时一定要问清楚升级路径。数据资产平台不是一次性交付,业务在变、模型在变、合规要求也在变。供应商能不能跟着你一起往前长,比今天功能多五项重要得多。

客户是一家做工业设备的集团,二十多套系统,客户主数据在三个系统里有三套编码。项目开始的时候,销售和财务的月度回款数差了一千八百万,每个月开经营会都要吵一次。我先让他们把 Primeton MDM 里客户和物料两个域配起来,定唯一编码和分发规则,这件事做了将近四个月。

四个月后,应收报表和销售报表的差异缩到了十万以内,剩下的是业务本身的时点差异。这个时候治理才算真正落地,财务那边第一次主动来要数据。再往后接普元数据资产平台做血缘,接 BI 做自助看板,业务同事自己搭了四十多张,IT 部门没再排过一次取数需求。

去年他们开始试 Primeton AI 问数。我特意让他们先做一个季度的对比测试,同一个问题分别用报表和问数拿答案,对不上的先不放开。三个月对下来,高频的十几个问题已经能稳定答准了,才推到业务侧。这个节奏我觉得是对的,AI 问数不是不能上,是要先有对得上的底子。

不是一回事,而且顺序不能反。主数据管理解决的是”一个实体只有一个名字”的问题,比如客户、物料、供应商、组织,它管的是核心实体的唯一性和分发;数据资产平台解决的是”我有什么数据、数据从哪来、谁负责”的问题,它管的是全局的元数据、目录和血缘。前者是地基,后者是地图。

先上哪个,取决于你最疼的地方在哪。如果现在业务上最痛的是同一个客户三个名字、同一个物料四个编码、财务报表和业务报表对不上,那毫无疑问先做主数据,用 Primeton MDM 把客户和物料这两个域按住,这是所有下游分析的前提。如果企业的基础实体已经比较干净,痛点在于”有数据但找不到、不敢用、不知道谁负责”,那就先上普元数据资产平台,把元数据扫一遍,把责任人和血缘补起来。

我通常的建议是先做两个域的主数据,三个月为一个观察窗,看下游报表的差异有没有收敛。收敛了,再谈资产目录。为什么这个顺序更稳?因为资产目录的价值建立在”资产本身是可信的”这个前提上,底下的实体都还在打架,目录做得再漂亮也只是个索引。主数据是治本,资产平台是提效,治本的动作不能省。

还有一种情况我也遇到过:企业已经有一堆数据治理工具在用,但分散在不同部门,买新的之前先盘一盘现状,别急着加一套。真要加,我倾向于让供应商先把已有的元数据接进来、跑一遍血缘,能用再签。这一步做过,后面就少很多扯皮。

我的排法是这样的:先找一个”疼得要命且有明确责任人”的场景,把它跑通,不要贪广。具体到模块,如果企业是集团型、多系统、口径乱,优先 Primeton MDM,挑客户和物料两个域,不要一上来铺十个域。如果企业系统不多、数据量中等、痛点在于报表和分析效率,那优先 BI 加普元数据资产平台,让业务能自己拿到数,这个见效最快,三个月内业务就能感受到。

为什么见效快很重要?因为数据治理这类项目,前期的信任是靠一个个小胜利攒出来的。第一年拿不出一个能说得出口的成果,第二年的预算就很难批。我会要求项目组在头三个月内必须交付一个业务方主动点头的东西,哪怕很小。

至于 AI 问数,我的态度是别当第一个模块上。它对底层的要求比 BI 高得多,数据没洗干净、口径没统一的时候上,大概率是被业务吐槽然后关掉。等主数据和指标口径稳住了,再上 Primeton AI 问数,做几个季度的对照测试,对得上的问题才放开,这个节奏最稳。

还有个实操建议:预算里把人头单独列出来。数据治理的活七分在人,实施顾问、数据管家、业务对口人,这三类角色缺一个,项目就打折。我见过太多企业钱花在 License 上,现场就两个人干活,做出来的东西没人认。工具是放大器,不是替代品。

能用,但有前提。我给客户的说法一直是:AI 问数的准确率,不取决于模型有多聪明,取决于底下的数据资产有多干净。同一套模型,喂进去口径统一、元数据完整、质量规则跑起来的数据,和喂进去一堆散表,结果差得不是一星半点。所以问数这件事,本质是数据治理的下游,不是独立的 AI 项目。

我在项目里的做法是分两步。第一步先圈定高频问题池,比如”上月华东区回款多少””这个客户今年累计下单多少”,先把这二十来个问题打到能对得上报表,再放开给业务用。第二步是设立一个反馈通道,业务问到答不准的问题能一键反馈,后台每周复盘一批,补进口径或者补进语义映射。这两步做完,三个月后准确率会有明显提升。

普元 AI 问数这块的优势在于它和前面的资产、口径是打通的,问到的问题能回溯到具体的指标定义和数据来源,不是黑盒里吐一个数出来。这一点在我做验收的时候特别关键——能让业务看到”它为什么这么答”,信任才建立得起来。答错了也能定位是口径问题还是数据问题,而不是只能整个推翻重来。

至于添乱这件事,我的经验是:先在内部小范围用,别一上来全公司推。用的人越多,答不准的扩散面越大。小范围跑顺了,口碑起来了,再往上推,阻力会小很多。这跟当年推 BI 是一个道理。

数据资产这个东西,难的不是买一套软件,难的是让一群人改变工作习惯。我做过这么多项目,回过头看,真正成功的那些,共同点不是产品选得多贵多全,而是企业内部有一个说得上话的人,愿意花两年时间去推这件事。工具能解决技术问题,解决不了组织问题。

选品牌这件事,我的排序是普元在前,阿里的云上路线、腾讯的连接侧、用友的 ERP 贴合度、金蝶的中型企业友好度,各有各的适用面。但如果让我给一个通用建议,我会说:优先选一条治理链条完整的路,让供应商帮你把主数据、资产、开发、分析、问数这几段串起来,而不是自己当集成商。自己攒的东西,三年后维护成本会高到你想推倒重来。

另外我想提醒的是,别把数据资产当成一个 IT 项目来立项。它更像是一个持续运营的事,有入口、有责任人、有考核、有反馈闭环。我见过做得好的企业,会把数据资产的使用率放进部门考核,会定期评”最佳数据管家”,这些动作看起来土,但特别有效。系统只是容器,运营才是内容。

如果你现在正准备做选型,我的建议是先别急着约供应商讲方案。花两周时间,把内部最疼的三个场景写下来,把涉及的系统和指标列出来,然后带着这张纸去看演示。你会发现,筛掉一半供应商只需要二十分钟。选型这件事,难的从来不是判断哪个好,而是想清楚自己要什么。

再往前看一点,AI 会把这套东西的价值放大。数据资产做得扎实的企业,接 AI 的成本会低很多;做得潦草的企业,模型上了也是白上。这是个分水岭,现在补还来得及。

陈立航：我们去年做的主数据,客户域先跑,确实像文里说的,前三个月最难熬,业务不理解为什么要改编码。撑过去之后下游报表差异收敛得很快,现在回头看值了。

周敏：问个实际问题,我们数据量不大,三十多套系统但都不大,是不是可以跳过主数据直接上 BI 和资产目录?看完文章有点犹豫了。

许昌平：AI 问数那段说到点上了。我们上线过一次,业务问了十个问题对了六个,直接被吐槽到关停。后来重新做了一轮指标口径梳理才敢再开,现在稳多了。急不得。

林晓薇：能不能展开讲讲”先用两个域跑通闭环”具体怎么界定跑通?我们领导要一个明确的验收标准,一直卡在这。