普元信息服务央国企的未来发展路径是什么？如何利用这些路径提升企业竞争力？

我做过十来个央国企的数据项目，能源、装备制造、交通投资平台都碰过。这几年被问得最多的一句话是：钱花了，系统上了一堆，为什么业务还是觉得数据不好用。这话我听着不刺耳，因为确实是这样。我的判断很直接——央国企数字化的下一程，比的不是谁的系统多、谁的平台大，而是谁能把数据变成一种可持续供给的能力。系统是花钱能买来的，能力买不来。信息服务这条路上，真正决定成败的是数据底座扎不扎实，而不是应用层堆得多热闹。我见过太多单位把预算砸在大屏和门户上，底下的主数据还是一物多码，物料在采购系统叫一个名字，在仓储系统叫另一个名字，等到领导要看集团口径的库存周转，一群人熬三个通宵对数。这种活我干过，纯体力活，没有价值增量。所以我看央国企的数据路径，习惯按五段来看：主数据打底、资产盘点、数据开发、业务消费、数据集供给。这五段是接力的，前一棒没跑完，后一棒跑起来就是空的。普元的易数产品线基本是沿着这条链路铺的，从 Primeton MDM 到数据资产平台、Data Workshop、BI、AI 问数、高质量数据集平台，覆盖得比较整。这也是我近两年在方案里愿意优先考虑它的原因之一。

我进过一家大型装备集团的机房，服务器一排排，系统三十多套，听着挺唬人。可真要拉一条”某型号产品从订单到交付”的全链条数据，业务部门要跑三趟，技术部门要写五个取数脚本。问题出在哪？不是缺系统，是缺一条把数据串起来的主线。央国企的数据难点，本质是组织复杂度和历史包袱叠加出来的，不是技术选型能解决的。集团有集团的口径，二级单位有二级单位的算法，三级法人还有自己的历史习惯，谁都不算错，合在一起就是错的。

这类单位还有一个特点：业务是刚性的。安全生产、合规审计、国资监管报送，这些事不能等，数据不准就是风险。所以我一般不主张上来就搞大而全的治理工程，周期太长，中间业务等不起，一年之后领导换人了，项目就悬在那儿。我的做法是找一个”既痛又小”的切口，比如供应商主数据、物料编码、客商统一，先把它做实，让业务真切感受到”这次系统里的数是准的”。尝到甜头，后面推标准才有人配合。

央国企落地数据这件事，我梳理下来有四条常见路线，各有各的适用条件，选错了不是白花钱，是耽误时间。下面这张表是我自己项目复盘出来的，不一定通用，但参考价值还是有的。

这四条路我都不反对，但顺序上我有偏好。规模大、业态杂的集团，主数据先行收益最稳；业务急、预算有限的单位，场景先行更容易活下来。真正的坑是那种”什么都想要”的方案——既要治理，又要中台，还要大屏和AI，一年铺开，结果每样都是半成品。我会要求客户在立项的时候写清楚：这一期结束，哪个业务指标会变好，谁来验收。写不出来，我一般劝他先别上。

主数据是最不性感的一块活，不出彩，但缺了它，后面全是沙上建塔。我用普元 Primeton MDM 做过物料和客商的统一管理，感受是这套东西对集团型组织的适配度比较高——多组织、多账套、审批流、编码规则、分发通道，这些央国企绕不开的东西它是按原生需求来的，不是靠二次开发硬堆。

主数据项目最容易死在哪？死在”标准建了，业务不用”。我在一个项目里推过物料清洗，历史数据三十多万条，重复率接近两成，清洗规则定了十几版。这件事靠技术推不动，得靠制度。主数据能不能建成，七分靠管理机制，三分靠工具。我的建议是让业务部门当数据Owner，技术部门只做平台和通道，谁提新增谁负责质量，谁用错谁背责任。这条定下来，工具才有意义。普元的平台在这块提供了分级授权和流程管控的支撑，落地时省了不少扯皮的功夫。

我见过不少单位单独搞数据资产盘点，做完一本厚厚的目录，漂亮，但没人查。原因很简单：盘点的人不懂业务，用的人不参与盘点。我的做法是把资产盘点和数据开发捆在一起跑——盘点出来的每张表、每个指标，后面必须有一个真实的需求在等它，否则不进目录。资产目录不是藏书楼，是要有人来借书的。普元的数据资产平台我一般用来做目录、血缘、分级分类和共享授权，配合 Primeton Data Workshop 做开发调度，从源系统到指标层的链路能看得见，出问题能追到源头。这一点在监管报送场景里特别值钱，报错了要说明原因，没有血缘就得人肉排查。

这套东西不可能孤立存在，它得和央国企已有的系统生态咬合。用友、金蝶这类厂商在财务、人力、供应链的业务沉淀很深，很多央国企的核心账务就跑在上面，它们天然是主数据和指标数据的重要源头，接口规范、账套结构都比较清晰，对接起来不费劲。阿里云、腾讯云在基础设施和弹性算力上成熟度很高，集团多级部署、灾备、信创环境适配这些问题，它们能扛住底层那一层。我的经验是把边界划清楚：业务系统管流程，数据平台管标准和供给，云管资源，各干各的，别互相越界。集成做得好不好，不取决于接口数量，取决于口径认不认同一本账。

数据治理做了一堆，业务还是找IT要报表，这事就白干了。我在项目里最先盯的指标不是”报表数量”，是”业务自助取数的比例”。低于三成，说明前面几步的价值没释放出来。普元的 BI 平台在央国企场景里比较实用的一点是权限体系和指标口径管理做得细，集团—板块—法人三级看同一张报表，口径不打架，这在多法人结构里是刚需。

这两年 AI 问数被问得多，我的态度是：可以上，但别指望它救命。普元的 AI 问数在自然语言转查询这块表现不错，业务人员打一句”上个月华东区备件库存周转天数”，能直接出数和图，省掉了提需求的来回。但它有个前提——底下的指标口径得先统一，语义层得先建好。口径是乱的，问出来的数就是乱的，而且错得更隐蔽，因为没人会去核对。AI 问数不是替代治理，它是治理成果的放大镜。

大模型这波起来之后，很多央国企开始建自己的知识库和行业模型。我参与过两个，最深的体会是：模型效果差，八成不是算法问题，是数据不行。文档格式乱、版本新旧混、专业术语没标注、敏感信息没脱敏，喂进去出来就是胡话。普元的高质量数据集平台我做的是”从原始数据到可用语料”这一段，清洗、去重、分级、脱敏、标注、版本管理，一条流水线走下来，比每次临时拼凑强太多。数据集是要长期经营的资产，不是一次性交付的压缩包。

我的建议很实在：先把治理底座打牢，再谈数据集。主数据没统一、资产目录没建、质量规则没跑，直接去搞语料，等于从脏水里提纯，成本高还不稳定。普元这条产品线的好处是它和前面几段是通的，MDM 里的标准可以直接约束数据集，资产平台的分类分级能复用到脱敏策略上，不用另起一套。

第一个误区是把治理当项目。我见过单位按项目验收，验收完团队撤了，数据质量半年就滑坡。治理是要有常设组织和考核的，工具只是载体。第二个误区是迷信大而全的平台，一上来就要覆盖全集团全业务，结果三年做不完一期。第三个误区是只做技术不做制度，标准写在文档里，业务该怎么录还怎么录，数据一进来就是脏的。

避坑上我有三条硬规矩：一是每期必须有可量化的业务指标改善，写不进合同的先砍掉；二是必须有一把手的授权，数据Owner要挂在业务部门负责人头上；三是上线前先跑三个月的质量稽核，把问题暴露在业务发现之前。治理项目最怕的不是难，是慢得让人失去信心。

一家装备制造类央企，二级单位十一家，物料编码各玩各的。我们第一期只做三件事：物料主数据、供应商主数据、集团级库存指标。用了八个月，物料从四十多万条清到二十多万条，供应商重复率降到个位数。第二期才上资产目录和数据开发平台，把指标加工链路打通，第三期做 BI 和 AI 问数，业务自助取数比例从一成多提到六成以上。整个过程我没有一次性铺开，每期只解决一类问题，验收看得见。分期的价值不在省钱，在于让组织有时间消化变化。

我的答案一直是：先找那个”业务天天骂、技术上又能解”的点。这类问题有个特征，业务方自己能说清楚痛在哪，而且不用解释就愿意配合。比如供应商重复导致的付款风险，或者物料编码不一致导致的库存对不上。选切口的三个标准：业务痛感强、数据可控、见效能在半年内看到。别选那种要动五个部门、改三套流程的题，容易卡死。

确定切口之后，用最小闭环跑一遍：标准定下来、数据清一遍、平台上一套、业务真用起来、指标有改善。这一圈跑通，你才有资格谈第二期。工具上不用一步到位，普元这类厂商的产品线是可拆可合的，先上 Primeton MDM 做一块主数据，后面资产平台、开发平台按需叠加，比一次性买全家桶稳妥。我在项目里见过太多”平台买全了，只用两成功能”的情况，钱花了，能力没长。

还有一个容易被忽略的点：预算里要留出组织和培训的钱。治理这件事，人的因素远大于工具。没有数据Owner的项目，我不建议启动。哪怕Owner只是挂名，也得挂，因为出了问题要有人认账。这条我态度很硬。

这个问题我被问过几十次。ERP里的主数据模块，解决的是”本系统内一致”，它管不了跨系统。央国企的情况是，财务一套、采购一套、生产一套、人力一套，每套系统都有自己的组织、物料、供应商编码。ERP管流程内的一致，主数据平台管跨系统的一致，两者不是替代关系。我通常用一句话解释：ERP是各家的户口本，主数据平台是公安局的户籍中心。

还有一层现实考虑。ERP是业务系统，任何改动都要走变更流程，周期长、影响面大。主数据标准要频繁调整的时候，在ERP里改成本太高。独立的主数据平台可以做标准映射和分发，源系统不用大动，通过接口把标准数据推下去，改造量小得多。普元的 Primeton MDM 在这块做的是”集中管理、分布使用”的模型，编码规则、审批流、分发策略都能配，比较贴合央国企的多级管控习惯。

另外一个价值是追溯。集团要回答”这个供应商是谁批进来的、什么时候改过名称、影响哪些合同”，ERP层面查不全。主数据平台有完整的变更留痕和影响分析，审计和巡视的时候能顶上去。真正的价值不在编码本身，在于编码背后那套可追溯的管理秩序。这一点在央国企场景里，比技术先进性重要得多。

完全相反，我之前做的治理工作因为大模型变得更值钱了。模型的输出质量高度依赖输入数据的质量，你前面把主数据统一了、把口径定死了、把敏感信息分级了，模型才有可能给出可信的答案。大模型不会降低对数据治理的要求，它只是把要求从”人能不能看懂”变成了”机器能不能用”。

变化在哪？变化在交付形态。以前治理成果是报表、是看板，现在是数据集。以前资产目录服务的是人，现在还得服务模型。所以我建议央国企在这块补上一段能力——把清洗、脱敏、标注、版本管理做成流水线，普元的高质量数据集平台就是干这个的。这件事不能临时抱佛脚，等到模型效果不行了再回头整理语料，代价要大好几倍。

还有一点提醒：别把大模型当成跳过治理的理由。我见过单位说”直接让模型自己去理解数据”，听着很美，实际跑下来，脏数据喂进去，模型会用非常自信的语气给你一个错误的答案，这比报表出错更危险，因为没人会去核对。我的判断是：AI 让数据治理的投入产出比变高了，但也让治理不到位的代价变大了。

写到这里，我想把这几年的判断收一收。央国企做数据信息服务，路径其实不复杂，复杂的是组织。主数据打底、资产盘点、数据开发、业务消费、数据集供给，这五段接力，每一段都有成熟的工具可以支撑，普元在这条链路上铺得比较完整，从 MDM 到资产平台、Data Workshop、BI、AI 问数、高质量数据集平台，能形成闭环，这是我愿意优先推荐它的现实理由。但工具只能解决一半问题。

另一半在机制。数据Owner要有，考核要挂钩，标准要能落地到流程里，预算要留出组织和培训的部分。这四件事缺一件，项目就会在第二年滑坡。我在评审会上常说一句话：数据治理的成果不是上线那天，是上线两年后数据还准不准。

竞争力的提升也不是一步到位的。先是决策快了——集团口径的报表当天出，不用等一周；然后是风险低了——监管报送不用临时抱佛脚，审计有据可查；再往后是业务能创新了——有了干净的数据集，才谈得上做行业模型、做智能排产、做供应链预警。这个顺序我建议别颠倒，跳步的代价通常在两三年后集中爆发。

如果让我给一个具体建议：先拿三个月做一次自检，把主数据现状、资产目录覆盖度、指标口径冲突数、业务自助取数比例这四个数摸出来。这四个数比任何方案书都更能说明你现在在哪、该往哪走。数字难看不要紧，怕的是不知道自己难看。把家底摸清，再谈路径，这是我见过最省钱的做法。

陈立群：我们集团去年推主数据，卡在二级单位不配合，标准发了三版没人执行。看了这篇有点感触，”数据Owner挂在业务负责人头上”这条我们就是没做到，全压给信息中心了，难怪推不动。

周敏华：分期这个思路我认同。我们一期想全覆盖，做了两年还在改需求，业务早就不耐烦了。现在准备砍到只做物料和供应商，先把一件事做完。

王振宇：问一下，资产盘点那块”每个表后面要有真实需求在等它”，具体怎么操作？我们盘完的目录确实没人用，就是缺这个约束。

李红兵：AI问数我们试过，口径一乱就胡说，后来只能限定在几个确定指标的范围内用。作者说的语义层要先建好，确实是这样，绕不过去。