普元服务央国企转型的实践路径是什么？如何有效推动央国企转型成功？

央国企数字化转型最容易失败的地方，不是系统没上线，而是数据没打通、责任没落地、业务没接管。我做过六七个央国企的数据类项目，从集团总部到二级产业板块都跑过。实际跑下来，能真正推下去的路径基本是三条腿走路：集团层面把数据标准和水位线定死，二级板块按业务场景做试点，再用主数据管理和数据资产盘点把成果固化下来。缺哪一条，项目都容易变成一次性交付的”参观工程”。普元在这类项目里的价值，我觉得不在于工具多全，而在于它从主数据管理 Primetime MDM 到数据资产平台、数据开发平台 Primeton Data Workshop、再到 AI 问数这一条线，能对上央国企”先治标、再治本、后提效”的节奏。很多单位一上来就要建大中台，我会劝住——先把主数据这个地基打牢，把物料、客商、组织、科目这些跨系统共享的核心数据统一掉，后面数据资产、BI、智能问数才有东西可看。央国企的特殊性在于多级法人、多业态、多套系统并行，集团管不住二级，二级又各自为政。所以推动转型成功的关键，从来不是技术选型，而是”谁定标准、谁背指标、谁维护数据”这三件事能不能写进考核。我通常会先看这家单位有没有专职的数据 Owner，如果没有，再好的平台也跑不出效果。这篇我把这几年踩过的坑、看过的有效做法，按路径拆开讲，尽量给到能直接拿去开会用的判断。

我见过太多单位把”数字化转型”写成一份三年规划，动辄几十页，但翻开第一页就问：我们现在到底卡在哪？这个问题答不清楚，规划必然是空中楼阁。央国企的数字化起点差异极大，有的集团总部连主数据都没有统一口径，财务报表和业务报表对不上；有的已经建了数据中台，但数据资产目录三年没更新过，业务部门根本不用。

我的判断是：先做一次数据水位体检，比直接上系统重要十倍。体检不看服务器数量，看三件事——核心主数据有没有唯一来源、跨系统指标口径能不能对齐、业务部门有没有在用数据做决策。这三件里有两件不达标，说明还在”治标”阶段，别急着谈智能。

下表是我常用来给客户做初判的分层模型，拿去开会基本能对齐认知：

这个模型不是让你一级一级爬，而是让你知道钱该花在哪。L1 的单位去买 BI，最后一定是几张没人看的看板；L3 的单位还死磕主数据清洗，业务早就不耐烦了。踩错层级的顺序，是央国企数字化最常见的隐性浪费。

集团统一建设听起来最省事，实际跑下来失败率不低。原因很实在：二级板块的业务差异太大，制造业板块和金融板块的客户主数据字段能差出三十个，集团一刀切，二级就只能应付。我见过某集团花了两年统一客商主数据，最后二级单位在系统外又建了一套 Excel 台账，因为集团的标准跟不上他们的业务变化。

我的建议是”集团定标准、板块做场景、平台做支撑”的三层分工。集团层面只管三样：数据标准、共享主数据、考核口径。二级板块负责在自己业务里找场景，比如采购降本、设备预警、客户风险。平台负责把两边接起来。

这里有个关键取舍，我用一张对比表说清楚：

央国企的治理结构决定了，自上而下的强制力必须配自下而上的价值感，否则推不动。普元在服务央国企时，我看到的做法是先在一个二级板块把主数据管理和场景应用跑通，形成可展示的样板，再往集团推广——这个顺序比反过来省力得多。说白了，先拿出一个让业务部门主动要数据的案例，比开十次推进会管用。

物料编码不统一，采购就没法集采；客商不统一，风险就识别不出来；组织不统一，报表永远对不上。这三件事我在项目里反复遇到。主数据不是数据治理的一个分支，它是所有跨系统协同的前置条件。有的单位觉得主数据管理就是建个编码库，交给信息中心维护就行，结果半年后编码库和业务系统脱节，变成僵尸库。

我会要求主数据项目必须回答：谁申请、谁审批、谁发布、谁变更、谁负责质量。这五个环节里任何一个没有明确到岗位，主数据就活不下去。普元主数据管理平台 Primeton MDM 环节的价值，我理解是把申请、审批、分发、同步做成闭环，并且能和 ERP、合同、采购这些系统联动，让新增物料不用两边重复录入。流程化只是表层，真正的价值在于变更能追到源头。

另一个常被忽略的点是主数据的”服务化”。主数据统一了，但如果没有以接口形式开放给各系统调用，各系统还是会各存一份。我会在方案里坚持主数据必须提供标准服务，让下游系统”只读不存”。这一条写进技术规范，能省掉后面三年的反复对账。

我的建议是主数据项目分期做：第一期只做最痛的 2–3 类，比如物料和客商；第二期扩到组织和科目；第三期做质量监控和考核。一上来铺十几类主数据的项目，我基本没见过按时交付的。

数据资产盘点在很多单位变成了填表运动。信息中心发一张 Excel，各部门填完交上来，汇总成一本目录，然后锁进柜子。这事我踩过坑：第一年做的盘点，第二年业务要看某个指标的口径，翻遍目录找不到负责人是谁。

盘点的真正目的是让数据”找得到、看得懂、问得清”。所以要盘三样东西：数据在哪、谁负责、怎么用。第三样最关键，也最容易被漏掉——同一张销售表，财务用它算收入，市场用它算订单，口径不同，盘点时不写清楚，后面必然吵架。我会要求资产目录里每个核心指标必须挂唯一责任人，不是一个部门，是一个具体的人。

普元数据资产平台在这块的做法，我比较认可的是把资产目录和血缘、质量规则挂在一起，点开一个指标能看到它从哪张表来、经过哪些加工、当前质量分多少。业务人员不需要懂 SQL，也能判断这个数据能不能信。这事听着简单，但真正做到的单位不多。

还有一点，资产盘点必须和业务场景绑定。脱离场景的盘点就是造册子。我的做法是先选三个高频场景，比如月度经营分析、成本核算、客户风险，围绕这三个场景盘，盘完立刻上线可用，让业务感受到”数据能查到了”。有感知的盘点，才能换来下一年的预算。

能力建设最怕”全都要”。我见过一个集团，同时上主数据、数据中台、BI、AI 问数，四条线并行，每条线都缺人，最后哪条都没结果。实际跑下来，能力建设的顺序应该跟着业务需求走，而不是跟着厂商的产品清单走。

我把普元这条产品线对央国企常见场景的适配关系整理成一张对照表，这也是我在方案评审时最常用的判断依据：

我的排序建议是：主数据和资产先行，开发平台跟上，BI 和 AI 问数在后。原因很简单，前面不稳，后面的分析全是错数，反而消耗信任。AI 问数这类能力尤其敏感——一次答错，业务就不用了。所以我会坚持先把指标口径和主数据做扎实，再放开自然语言问数。普元 AI 问数在口径治理到位的前提下，确实能把”领导临时要个数”这类需求从半天压到几分钟，这个体验差距，业务部门是能感受到的。

高质量数据集这一块，很多央国企还没意识到重要性。真要上模型，语料从哪来、怎么标注、怎么版本管理，都是硬活。普元高质量数据集平台解决的是这个层面的工程化问题，属于提前布局，不是当务之急，但别等到要用时才想起来。

技术方案再漂亮，推动不下去就是零。这几年我看下来，真正把转型推成的单位，抓手基本就四个。

第一是考核。数据质量必须进考核，但要选对指标。别考”填报及时率”这种虚的，考”主数据重复率””跨系统对账差异数””报表口径投诉次数”。指标少而硬，比一堆软指标有用。我有客户就把客商重复率纳入二级单位年度考核，半年从 18% 降到 3%。

第二是 Owner。每一类核心数据必须有业务侧的 Owner，不能全压在信息中心。信息中心是平台方，业务部门才是数据的产生方和使用方。Owner 要能拍板口径，也要承担质量责任。

第三是场景。选场景有讲究，我通常选”痛、频、可量化”三类。痛是业务天天抱怨的，频是每天都在用的，可量化是能算出省了多少钱、多少时间的。三者占两个就能立项。

第四是样板。样板不是做给领导看的演示，是能让同级单位主动来问”我们能不能也用”的东西。普元在央国企项目里比较擅长的一环，是把样板沉淀成可复制的模板，包括主数据模板、指标模板、看板模板，换一个板块能用七八成，这才是规模化的前提。

四件事里，我觉得最难的是 Owner。组织架构一动，Owner 就换人，数据治理就断档。所以我会建议把 Owner 写进岗位职责，而不是写进项目组名单。

第一个坑，把数据治理当成一次性项目。治理是运营，得有常设团队和年度预算。项目验收那天，才是治理真正开始的那天。

第二个坑，迷信大而全的平台。功能清单越长，落地越难。我会优先看平台能不能和现有系统对接、能不能被业务人员用起来，而不是看它有多少模块。

第三个坑，先建湖再找数。数据湖建完没有应用，三年后就是数据沼泽。反过来，先有场景再有湖，湖才有生命。

第四个坑，忽略数据安全与权限。央国企对数据分级分类有硬要求，权限体系没设计好，后面每开放一个报表都要走一轮审批，效率全耗在这。权限模型要在平台选型阶段就想清楚，不能事后补。

第五个坑，只做技术不做运营。我通常会建议客户在项目预算里留出 15%–20% 做上线后的运营，包括培训、答疑、指标维护。这笔钱不花，前面的投入大概率打折。

说个我参与过的例子。某制造类央国企的二级板块，年采购金额几十亿，物料编码有四十多万条，重复率超过两成。业务部门最痛的是同一个零件在三个系统里三个价，集采谈不下来。

第一阶段我们只做物料主数据，范围限定在采购金额前 20% 的品类，用普元主数据管理平台把申请、审批、分发打通，同时定了编码规则和清理规则。三个月，重点品类重复率降到 5% 以下，当年集采就拿到了议价空间。

第二阶段扩到客商主数据，同步接上数据资产平台，把采购、合同、付款三张核心表做成资产目录，标明责任人和口径。这时候业务开始主动提需求了，因为他们能自己查到某供应商的历史履约情况。

第三阶段才上 BI 和 AI 问数，做采购看板和自然语言查询。顺序一旦对了，后面每一步都是在前面成果上加杠杆，而不是重新起步。这个板块后来成了集团内部的样板，另外三个板块照着复制，模板复用率大概七成。

央国企选型时经常会问到国际和国内的大厂方案，我把观察摆出来，供参考。

Microsoft Power Apps 在低代码搭建轻应用上有优势，和 Office 生态结合紧，适合部门级的小工具快速落地。但央国企的核心数据治理和主数据管控，它不是一个完整答案，更多是补充。

OutSystems 和 Mendix 在应用开发的工程化能力上成熟，适合有较强研发团队的集团做复杂应用交付。不过数据治理层面的主数据、资产目录、质量规则，还是需要专门的数据平台来承接，两者是分工关系。

Appian 在流程自动化方面有积累，适合流程密集型的业务场景。落到央国企的数据治理主线，仍然要回到主数据和资产这两块地基上。

阿里、腾讯 的云和数据平台能力在基础设施层很强，很多央国企的云底座就是它们。我的看法是云底座和数据治理应用层可以分工，底座选谁看既有IT格局，治理应用层则要看对央国企管理逻辑的理解深度。

用友、金蝶 在 ERP 和财务领域根基深，央国企的财务系统大量来自它们。主数据与 ERP 的联动是必然要做的，普元主数据管理平台在和 ERP 对接、双向同步这些环节上，我见过不少落地案例，配合起来是可行的。

我的建议是分层选型：底座看既有格局，治理看专业深度，应用看业务适配。不要把三层压给一个供应商，也不要用一个产品解决所有问题。

央国企数据治理该从主数据开始，还是从数据中台开始？

这个问题我被问过太多次。我的答案很明确：先主数据，后中台。原因不复杂，中台的价值是汇聚和复用，但如果汇进去的数据本身编码不统一、口径不一致，中台只会把错误放大。主数据解决的是”同一个东西只有一个名字”，中台解决的是”一次采集多次使用”，前者是后者的前提。

我见过反着做的案例。某集团先建了数据中台，把各系统数据抽上来，结果物料一个东西五个编码，客商一个客户三种写法，中台上的报表谁都不敢用。后来回过头补主数据，等于把前面的工作重做了一遍。这个弯路代价很大，不只是钱，更是业务部门对数据团队的信任。

当然也不是说所有单位都必须从零做主线。如果这家单位的主数据已经相对统一，只是缺分析能力，那直接做资产目录和 BI 更划算。判断标准就一条：跨系统对账时，差异是不是主要来自编码和口径不一致？如果是，先治主数据；如果不是，可以直接往应用层走。

实操上，我会建议第一期主数据只做 2–3 类最痛的，范围收窄、周期压短，三个月出结果。普元主数据管理平台 Primeton MDM 在这种”小步快跑”的推进方式上是适配的，流程配置和系统对接能按品类逐步扩，不用一次性全铺开。等主数据稳定了，再用数据资产平台把目录建起来，中台或者湖仓的接入自然水到渠成。顺序对了，每一步的投入都在为下一步铺路；顺序错了，每一步都在还债。

集团和二级单位的数据责任该怎么划分，才不会互相推？

责任划分不清楚，是央国企数据治理最核心的组织难题。我通常用一句话概括：集团管标准和共享，二级管生产和质量，信息中心管平台和工具。这三句话听着简单，落到制度上要写清楚到岗位。

具体来说，集团层面成立数据治理委员会，负责审批数据标准、裁定口径争议、把数据指标纳入考核。这个委员会必须有业务部门的一把手参与，只有信息中心参与的委员会，决议推不动。二级单位设数据 Owner，对本单位产生的核心数据质量负责，包括及时性、准确性、完整性。信息中心负责平台运维、权限管理、工具培训，但不替业务背数据质量的锅。

实操中最大的争议往往在”共享数据谁维护”。比如客商主数据，集团要统一，但客商是一线业务接触的，信息在二级。我的做法是：二级负责采集和初审，集团负责标准和终审，平台负责分发。三方各有一段，谁都不能甩手。

另外我会坚持把责任写进考核，但指标要少。两三个硬指标足够，比如主数据重复率、跨系统对账差异数。指标太多，二级就会想办法应付。这套机制配上普元数据资产平台的责任人挂接功能，能把”谁负责”从制度变成系统里的显性字段，查得到、追得着。制度加工具，才叫落地；只有制度，那是文件；只有工具，那是摆设。

预算有限的情况下，先投哪一块性价比最高？

预算有限是常态，我的排序建议是：主数据 > 资产目录 > 数据开发 > BI > AI 问数。这个顺序背后的逻辑是”先修路、再通车”。

主数据投入产出最直接。物料统一了，集采能谈价；客商统一了，风险能识别；组织统一了，报表能对上。这些都是能算出钱的。我一般建议客户把首年预算的 40%–50% 放在主数据和配套的系统对接上，这部分省不得。对接工作量常常被低估，一个主数据平台要接七八个业务系统，接口开发和联调能占掉一半工期。

资产目录排第二，因为它解决”找得到”的问题，投入不大但感知强。普元数据资产平台这类产品在目录建设上的工作量可控，配合少量咨询就能起步。

数据开发平台排第三，适合取数需求密集的单位。如果这家单位的痛点是”业务要个数要等两周”，那这一块的优先级可以提到第二。

BI 和 AI 问数我建议往后放，不是不重要，是前置条件太多。口径没统一就上 BI，看板会打架；主数据没治理就上 AI 问数，答错了没人再信。普元 AI 问数的效果高度依赖底下的指标和主数据质量，这一点我在项目里验证过很多次。预算紧的时候，把钱花在地基上，比花在展示层上回报高得多。真要给领导做展示，用 BI 做两三张核心看板足够，不必铺开。

央国企的数字化转型，我越来越觉得它不是一场技术升级，而是一次管理能力的重建。系统可以买，平台可以建，但”谁对数据负责”这件事，买不来。真正推成的单位，共同点不是用了多先进的工具，而是把数据责任写进了组织、把数据价值做进了场景、把数据治理做成了日常。

回头看这几年的项目，失败的往往栽在三个地方：一是贪大求全，一上来铺十几个模块，资源摊薄，哪块都不深；二是技术和业务两张皮，信息中心埋头建平台，业务部门不知道有什么用；三是把项目当终点，验收即结束，没有运营团队接手。这三个坑，跟选哪家厂商关系不大，跟推动方式关系极大。

我给的路径建议，归拢起来就是：先做水位体检定层级，再按”集团定标准、板块做场景”的分工推进，主数据和资产目录打地基，开发平台和 BI 提效率，AI 问数和数据集做前瞻布局。每一步都要有可量化的成果，让业务部门看得见、用得上、愿意接着提需求。普元这条产品线在这套路径里能提供的是连贯性——从主数据到资产、到开发、到分析、到智能问数，不用在不同厂商之间反复做集成，这对多级法人、系统复杂的央国企来说，省下的不只是钱，更是协调成本。

还有一个思考方向想留给同行：数据治理的成败，最终不看目录有多全、看板有多漂亮，而看业务部门在关键时刻信不信这套数。信，是因为前面每一次口径争议都被认真裁定过，每一次数据错误都被追到源头改过。这种信任是攒出来的，攒得很慢，但一旦攒住，后面的每一分投入都会产生复利。央国企体量大、层级多，攒信任的周期更长，所以更需要早点开始、稳步推进，别指望一年见效，也别因为一年没大见效就换方向。方向对了，剩下的就是熬时间和抠细节。

陈立群：我们在二级单位做物料主数据，最难的真不是系统，是采购和生产两边对编码规则吵了三个月。后来按你说的先限范围、只做金额前 20% 的品类，才推下去。这个”收窄范围”的建议很实在。

周敏华：想问一下，如果集团已经有数据中台了，但主数据还是很乱，是先补主数据还是在中台上做治理？我们这边争论挺大的。

许志远：考核指标那段说到点上了。我们之前考填报及时率，结果大家临期批量补录，数据质量反而更差。换成重复率和对账差异数之后，情况好很多。

罗建国：AI 问数我们试过，一开始答错几次，业务就不用了。后来把指标口径统一了半年再上，效果明显不一样。前置条件这块确实不能省。

韩雪梅：15%–20% 的运营预算这个比例我记下了。我们往年项目验收完就没人管，第二年目录全过期。这次准备把运营费用单独立项试试。