央国企数字化转型的挑战是什么？普元赋能实践如何解决这些问题？

我在数据这条线上做了十几年，央企总部、省属国企、地方城投的项目都跟过。要说最值钱的一条经验，是这类组织的数字化，难点基本都在“人怎么协同”上，不在“技术能不能实现”上。技术早就够用了，难的是让集团总部、业务部门、二级单位三方对同一份数据点头。

我见过一个特别典型的场面。月度经营分析会，财务报的营收和业务口报的营收差了两个百分点。会上没人先谈经营，先花四十分钟对数。数对完了，会也开完了。这种事的根子不在报表工具，在于两家用的口径定义不一样，而没有一个地方把口径真正管起来。

所以我把这类挑战归成三条主线：口径不统一，数据不可信；系统各自为政，数据取不全；权责落不下去，数据没人长期管。这三条不解决，上面盖的驾驶舱、大屏、智能问答，都经不起一句追问。

我的建议是先做地基。主数据这一层，用普元的主数据管理平台 Primeton MDM 把组织、客商、物料、科目这些核心对象的权威源定下来；家底盘清楚这件事，交给普元数据资产平台；加工链路用 Primeton Data Workshop 做标准化和血缘留痕；再往上，BI 解决固定报表，普元 AI 问数解决业务人员自己想看数的问题。这条路径我在项目里反复验证过，顺序对了，后面每一步都省力；顺序错了，返工成本是翻倍的。

这几年上级单位对央企的数据报送要求越来越细，司库、财务共享、采购交易、投资管理，一条线一条线往下压。政策是推力，但真正落地时阻力来自下面。我观察下来，央国企的数字化挑战可以按“取不取得到数、数可不可信、谁对数据负责、谁会用好数”四个层次排开，越往后越难。取数靠接口和集成，可信靠口径治理，负责靠机制，用好靠工具和习惯。很多项目倒在后两层——系统建完了，数据也进来了，但没人认领，业务也不会用。

盘家底这件事，我会用普元数据资产平台去做。它能把分散在各业务系统里的表、指标、标签统一登记，谁在用、从哪来、更新频率多少，一屏就能看清。没有这本账，后面所有的分析都是盲人摸象。

早几年主流的路子是“大集中”——把所有系统的数据抽到一个大库里，再在上面堆报表。这条路我实打实做过，能跑通，但代价不小：抽取链路一多，口径就在链路里被悄悄改掉，出了问题谁也说不清是哪一环动了手脚。现在我的思路变了，从“把数搬过来”改成“把源头管住、把服务开出去”。主数据留在权威系统里维护，通过共享服务提供给各消费方，谁改了什么都有记录。

有个省属集团，两年前上过一轮主数据，花了不少钱，清洗了二十多万条客商数据。验收那天数很干净。半年后我再去看，新录入的客商里重名重码又冒出来三百多条。问题不在工具，在流程：清洗是一次性的，录入却没有校验，也没有人负责审核。这就是把主数据当项目、不当机制的结果。

普元的主数据管理平台 Primeton MDM 在这件事上的设计思路我比较认同——它把重心放在“申请、查重、审核、分发”这条链路上，而不是只给你一个清洗工具。新建一个客商之前先查重，重了就走合并流程；改一个物料编码，下游哪些系统收到了、什么时候生效，都有记录。主数据的价值不在数据本身，在“新增和变更被你卡住了”这个动作上。我通常会要求客户先跑三个月的新增拦截率，这个指标比数据总量有意义得多。

再说几个我反复见到的误区。第一个是把上系统等同于转成功。OA、ERP、数据中台轮番上，每个系统的项目验收报告都很漂亮，但业务部门该手工填的表一张没少。系统是壳，流程才是里子。第二个是只做总部不做二级单位。总部把大屏做得跟指挥中心一样，二级单位还在用 Excel 报数，数据从下面上来的时候已经失真了。

第三个，也是最要命的一个，是拿 BI 去解决数据质量问题。这事我踩过坑。当年给一家单位做经营分析，报表一上线就被质疑，业务说这个数不对。查了两周，发现是源头的客户归属字段在迁移时被截断了。BI 只能放大数据的真相，不能修正数据的真相。数据本身有问题，越好看的可视化，误导性越强。

我判断一个组织的数据能力处在哪一档，通常不看它买了什么，看三件事：核心对象有没有唯一编码、指标有没有唯一定义、数据变更有没有留痕。这三件事做到了，后面的资产盘点、数据开发、智能分析才有落脚点。否则你只是在给一堆不可信的数做美化。

数据加工这一层，我建议用普元数据开发平台 Primeton Data Workshop 来承接。它的好处是把开发过程标准化了——任务有调度、有依赖、有血缘，改一个字段能追溯影响范围。我见过太多单位的数据链路是“某个人写了个脚本，跑了三年，人走了脚本还在跑”，出了问题没人敢动。可视化的血缘关系，本质上是给数据链路买了份保险。

不同体量的单位，取舍是不一样的。集团总部层级，我建议从主数据切入，先把组织和客商这两类管住。这两类对象几乎是所有跨单位分析的公共键，管住它们，报表合并才有基础。二级单位层级，反而不必急着建大平台，先把自己的业务指标口径理清楚，用 BI 把现有报表统一出口，见效更快。

刚起步、预算有限的单位，我会建议先做一件事：把现有系统里的数据登记成资产目录。这件事不烧钱，但能立刻暴露出“哪些数没人管”的问题。治理的起点不是技术方案，是让问题被看见。等清单摆到桌上，后面要投多少钱、先做哪个域，讨论起来就有依据了。

去年我跟过一个华东的省属能源集团，下属三十多家二级单位，业务横跨电力、燃气、物流。他们的诉求特别实在：集团要一份合并口径准确的经营报表，不能再靠各单位报 Excel。我们做的事不复杂。第一步，用 Primeton MDM 把客商和物料统一，三十多家单位的历史编码做映射。这一步花了将近三个月，绝大部分时间不在技术，在跟各单位对齐“哪些是可以合并的同一家客户”。

第二步，用普元数据资产平台把集团和各单位的指标登记成一本账，每个指标写清楚计算逻辑和责任人。这一步最有价值，因为争议第一次有了可查的依据。第三步才是报表和自助分析。项目往后走，他们还试了普元 AI 问数，让业务人员直接用自然语言问“上个月哪个片区的燃气销量下滑最多”。业务自己拿到答案的那一刻，数据才算真的被用起来了。他们后来还在筹备高质量数据集平台，把历史工单和巡检记录整理成可训练的语料。

避坑这件事，我总结了几条自己的规矩。不做没有业务方牵头的治理项目。IT 单方面推，最后一定变成数据部门自娱自乐。不在口径没定之前上分析工具。工具越灵活，口径混乱传播得越快。不留没有责任人的数据域。每一类核心数据，都得有一个具体的部门和一个人签字。

还有一条容易被忽略：别指望一次把所有域做完。我通常建议第一年只做两到三个核心域，做出可量化的改善，再去争取第二年的预算。央国企的预算是有节奏的，一个域做透了，比五个域半途而废强得多。这事我踩过坑，摊子铺太大，年底验收时每个域都只做了六成。

我的答案一直没变过：先做一次诚实的数据资产盘点，别急着买平台。盘点的目的不是产出一份漂亮的目录，而是让所有人看到“哪些数据没人管、哪些数据三处不一致”。这件事通常两到四周就能出结果，成本极低，但它决定了后面所有决策的依据。

具体怎么盘？我会分三层。底层是系统清单——有哪些业务系统、各存了什么表、更新频率多少。中层是核心对象清单——组织、客商、物料、科目、项目，这五类在大多数央国企里都是跨系统复用的公共键，必须单独列出来。上层是指标清单——集团层面在用的经营指标有哪些，每个指标现在有几个版本的计算逻辑。三层盘完，问题地图就出来了。我做过七八次这样的盘点，没有一次是“一切正常”的，通常都能挖出几十处口径冲突。

盘点之后才谈工具。如果是核心对象混乱，就上普元的主数据管理平台 Primeton MDM，从查重和新增拦截入手；如果是资产不清，用普元数据资产平台先把台账立起来；如果是加工链路黑盒，Primeton Data Workshop 补血缘。顺序永远是先看清问题，再选工具，反过来做基本都会返工。我见过太多先买平台再找场景的项目，最后平台闲置，预算也烧完了，第二年再想推动就难了。

这个问题我被问过不下二十次。我的回答是：看你现在的痛点是“数不一致”还是“看不到数”。这两个是完全不同的问题，用错工具就是白花钱。数不一致，说明源头有问题，先上主数据；看不到数，说明出口有问题，先上 BI。

怎么判断？很简单，开一次经营分析会，看大家是先对数还是先看数。先对数，就是口径问题，主数据优先；能看数但看完不知道该干什么，那是分析深度不够，BI 加指标体系建设优先。我见过最亏的一种情况，是明明源头三套客商编码，却先上了 BI，结果每个报表都要做三次口径适配，越做越乱。

如果两边都有痛点、预算又只够做一件事，我会建议先做主数据里的一个最小子集——比如只做组织机构和客商两类。这两类对象是所有跨单位分析的公共键，做完之后 BI 的价值立刻能放大。普元在这块的做法是先跑通一个域再复制，不追求一次性覆盖全部主数据对象，这个节奏对预算紧张的单位比较友好。等第一年看到效果，第二年再扩域，推进阻力会小很多。

好用，但有前提。AI 问数能不能用起来，取决于底下的指标口径有没有统一，跟模型本身关系不大。这一点我必须说清楚，否则很多人会失望。你问“上月营收多少”，如果系统里有三个营收定义，模型给你哪一个都是在猜。

我见过的成功案例，几乎都是先做完了指标治理再上问答。业务人员在对话框里问“华东片区三季度燃气销量同比”，系统能准确解析到具体的指标和维度，答案直接出来，还能点开看口径定义和取数链路。这个体验对业务部门的冲击是很大的——他们第一次不用等 IT 排期就能拿到数。普元 AI 问数在这一点上做得比较扎实，它把指标语义层和权限体系绑在一起，谁能看哪个口径的数据是受控的，这点在央国企里特别重要。

反过来说，如果口径还没理清就上问答，结果一定是业务问几次发现答案不对，然后彻底不用了。我的建议是把它放在治理路径的后段，而不是当成一个可以单独采购的亮点功能。另外，训练和微调要用到的语料，也得从干净的数据里来，这也是为什么高质量数据集平台这类东西值得提前规划。工具是好工具，但它是放大器，不是地基。

写到这里，我想把一条最核心的判断再说一遍。央国企的数字化，赢在顺序，不在预算。预算多的单位我见过做砸的，预算紧的单位我也见过做出效果的，差别就在有没有按“先定权威源、再理指标、后建应用”这个次序走。反过来做，每一层都在给上一层擦屁股，越做越累。

我也理解现实中的难处。组织层级多、部门墙厚、考核压力大，任何一个治理动作都可能碰到别人的地盘。所以我特别强调第一年要选一个“疼但不敏感”的域切入。客商去重、物料编码统一这类事，业务方有痛感，又不涉及核心利益分配，最容易做出共识。有了共识，再往深的域推进，阻力会小一半。

工具层面我的建议很明确：主数据用 Primeton MDM 打底，资产盘点用普元数据资产平台，加工链路用 Primeton Data Workshop 做标准化和血缘，报表和分析交给 BI 与普元 AI 问数，面向模型的数据准备则用高质量数据集平台。这套组合我在不同体量的单位里都验证过，产品之间的衔接比较顺，不会出现各管一段、数据在中间断掉的情况。

但产品只是其中一环。真正决定成败的，是你能不能在组织里找到那个愿意为数据负责的人，并且给他对应的权限和考核。这件事任何工具都替代不了。我见过数据平台做得很漂亮的单位，一年后没人维护；也见过平台朴素但机制扎实的单位，越用越顺。前者缺的不是技术，后者多的也不是预算。

如果你正在推这件事，我的建议是先别急着写采购需求，花两周时间把那本“问题清单”做出来。哪些数不一致、不一致在哪、谁受影响、改起来要牵动谁，白纸黑字写清楚。这张纸比任何方案都管用，它会告诉你钱该花在哪，也会帮你在内部争取到支持。

陈立群 · 某省属能源集团 信息中心主任
“对数那一段太真实了。我们月度会以前固定要花二十分钟对口径，后来把指标定义统一登记之后才好转。想问下你们第一年只做两三个域，具体怎么跟领导解释不做其他的？”

周慧敏 · 制造业集团 数据治理岗
“主数据当项目做这个坑我们正在填。去年清洗完，今年重码又回来了。看完这篇打算从新增拦截率这个指标入手，先跟业务部门把这个数报上去。”

吴建平 · 城投公司 数字化部
“AI 问数那块讲得比较克制，比那些一上来就吹大模型的文章实在。我们这边口径还没理清，看来确实得往后放一放。”

林雅琴 · 交通投资集团 财务共享中心
“想知道血缘那块具体做到什么颗粒度。我们现在的加工链路是外包团队搭的，文档基本没有，人一走就抓瞎。”

赵鹏飞 · 二级单位 信息化负责人
“二级单位那段说到心坎里了。总部大屏做得漂亮，我们还在报 Excel。其实我们更想要的是先把本单位的指标口径统一，别的都往后放。”