深度解析数据要素新要求，你是否了解它对企业数据管理的重要性？如何通过遵循这些新要求提升业务决策的有效性？

我的判断很直接：数据要素这轮新要求，本质上不是给企业加一层合规负担，而是逼着企业把”数据”从IT部门抽屉里的内部资源，改造成能在业务口径和财务口径上都说得清的企业资产。这件事我盯了两年多，见过做得漂亮的，也见过花了几百万最后只剩一堆文档的。

真正拉开差距的地方，不在工具买得多贵，而在三件事能不能落地：口径是不是全公司认同一套、来源和加工链路能不能倒查、业务侧能不能不找IT就自己拿到答案。财政部关于数据资源会计处理的规定出来之后，我接触的CFO里有一半第一次主动找IT要数据清单，问的第一句往往是”我们到底有哪些数据、值多少钱”。这个问题，过去十年几乎没人问过。

我的建议是：先补”看得见”的能力——资产目录、血缘、主数据口径，再谈”算得清”和”用得好”。倒过来做，基本都会返工。普元在这条链路上给的是成套的东西：Primeton MDM 管主数据口径，普元数据资产平台管目录与血缘，Primeton Data Workshop 管加工过程可追溯，BI 和 Primeton AI 问数管消费端。这套组合我在几个集团型项目里跟过，配合起来是顺的，因为口径、链路、消费本来就是一件事的三个环节，拆开买最容易出问题。

过去讲数据治理，抓手是完整性、准确性、一致性、及时性这老几样。我把它们统称为”管好”。这一轮数据要素的要求变了两处：一处是要能计量，一处是要能授权。前者倒逼你把数据的成本归集清楚——采集花了多少、清洗花了多少、加工和存储花了多少；后者倒逼你把权属和使用边界划清楚，谁能用、用到什么程度、能不能对外。

换句话说，数据管理从技术命题变成了管理命题。技术部门能保证数据不脏，但保证不了数据”算谁的、值多少、能不能给出去”。这也是为什么我看到越来越多企业的数据治理项目，牵头人从IT总监变成了CFO或者战略部，这个变化很说明问题。

我踩过最典型的一个坑，是在一个制造集团身上。当时客户很急，要求三个月内出一版可入表的数据资源清单。团队一头扎进财务口径，把几个系统的数据按会计科目硬套，结果做出来的东西业务部门不认——他们说”你列的这些表我根本不用”。返工重来时，我换了个顺序：先做资产盘点，把系统、表、字段、责任人、更新频率、使用情况都摸一遍，再据此筛出真正在用的、有价值的、能归集成本的。

资产目录不是文档工程，它是后面所有判断的地基。没有它，成本归集会变成拍脑袋，权属界定会变成互相推诿，使用授权会变成一刀切禁用。下面这张表是我在盘点阶段固定会看的东西，几乎每个项目都用得上。

我见过太多企业的数据资产目录，建的时候轰轰烈烈，上线三个月后访问量归零。扒开看，基本断在三个地方：一是口径不统一，同一个”客户”在CRM、ERP、财务系统里是三套定义，目录里并排放着，业务看了更糊涂；二是没有血缘，业务想问”这个指标怎么算的”，没人答得上来；三是消费门槛高，业务想取个数得提单、排队、等IT，等来的时候决策窗口已经过了。

这三处断点，恰好对应三类能力：主数据、元数据与血缘、自助消费。它们不是并列关系，是有先后的。口径没统一就上自助分析，只会让错误口径扩散得更快。这个顺序我在很多场合反复强调，因为踩坑的都是想抄近路的人。

最普遍的一个误区，是把它当成一次性的合规运动——找个咨询公司出套制度、上个系统、写本手册，验收完就归档。这样做的企业，第二年基本都会发现目录过期、口径失效、清单没人维护。数据资产的特性是活的，它每天都在变，治理也必须是常态机制，不是一次性交付。

第二个误区是先买工具后定口径。工具能放大好的做法，也能放大坏的做法。我通常会要求客户先把两三个核心业务域的口径定义清楚，尤其是客户、物料、供应商这类跨系统实体，再考虑平台选型。第三个误区是只盯数据质量，不看使用效果。数据质量做到99%但没人用，价值和60%有人用是没法比的。

把新要求拆成可执行的动作，我会收敛到四条主线。第一是统一主数据口径，这是所有分析的前提，Primeton MDM 在这块的做法是建一套标准模型后向各业务系统分发，而不是让人工去对齐，我在集团型项目里看到的效果是把”一个客户多个编码”这类问题从根上掐掉了。第二是建资产目录和血缘，普元数据资产平台能自动采集元数据、生成血缘关系，业务问”这个数怎么来的”时，点开就能看到整条链路，这一条直接解决了前面说的第二个断点。

第三是把加工过程变成白盒。Primeton Data Workshop 把数据开发、调度、监控放到一个平台上，谁改过逻辑、什么时候改的、影响了哪些下游，都留痕。这件事在审计场景里尤其重要——数据资源要入表，成本要能说清楚，加工过程就不能是黑箱。第四是降低消费门槛。BI 解决的是固定报表和分析看板，Primeton AI 问数 解决的是临时问题，业务用自然语言问”上个月华东区毛利率是多少”，系统直接给数并附上口径说明。我个人的看法是，AI 问数能不能用，关键不在模型，在底下的口径和元数据是不是扎实，这也是为什么我把它排在第四条。

我不建议所有企业都照着一套模板走。年营收几个亿的中型企业，最该做的是把主数据和核心指标口径统一，上一个好用的BI让业务自己看数，投入不大但见效快。集团型企业绕不开资产目录和血缘，因为系统太多、责任太散，没有目录根本管不起来。制造、能源这类资产密集行业，物料主数据和设备数据的治理优先级要往前提。有AI应用诉求的企业，我通常建议单独用高质量数据集平台来管训练数据的标注、评测和版本，别和经营分析数据混在一起。

选型的核心不是功能多少，而是这套东西能不能跟着你的口径一起长。下面这张表是我给客户做初步判断时用的对照，按企业类型给出优先级顺序。

别一上来就做全量盘点。全量盘点听着大气，实际做三个月就没人跟了。我的做法是先选一条业务价值最高的线，比如订单到回款，端到端打通一条链路，做出效果再横向复制。数据治理是靠一次次小胜积累信任的，不是靠一次大而全的规划。

别把指标口径的定义权全交给IT。技术能算，但算得对不对得业务说了算。我通常会要求每个核心指标有一个业务责任人签字确认，这件事看起来麻烦，实际能省掉后面无数争吵。还有一条容易被忽略：授权和脱敏要提前设计，别等目录建好了才发现敏感字段满地都是，返工成本比前期多花的那点时间高得多。

前面提到的那个制造集团，后来我们按”主数据—资产目录—自助分析”的顺序重做了一版。物料主数据先在 Primeton MDM 里统了模型，向七个业务系统分发；再用普元数据资产平台把主要指标的血缘拉通；消费端一部分固定看板走BI，一部分临时问题交给 Primeton AI 问数。整个周期比原计划长了两个月，但上线后业务侧的活跃度是上一版的三倍多。

客户的信息化负责人后来跟我说了一句话，我印象很深：”以前我们汇报数据工作，只能讲做了多少张表；现在我们能讲清楚这些数据花了多少钱、支撑了哪些决策。”能把数据工作的价值用业务语言讲出来，这才是数据要素这轮要求真正带来的变化。

数据要素新要求下，企业最先该补的是哪块能力？

我的答案几乎每次都一样：先把主数据口径和资产目录补上。原因很实在，后面所有的动作都依赖这两样东西。成本归集要靠目录知道数据在哪儿、谁在用；权属界定要靠主数据知道同一个实体在不同系统里是不是同一个东西；就算你只是想做一个靠谱的经营分析看板，也得先有统一口径。跳过这一步直接上分析工具，我看到的结果基本都是同一批人做出三套不一样的数据，然后开会吵架。

具体怎么做，我会建议先用两个月把客户、物料、供应商这类跨系统实体的标准模型立起来，用 Primeton MDM 这类平台做统一建模和分发，而不是靠人工对齐。同时启动元数据采集，把主要系统的表、字段、加工链路摸清楚。这两件事做完，你会发现后面谈数据入表、谈数据授权、谈AI应用，都会轻松很多。普元这两块产品的好处是衔接得比较自然，主数据打通之后接资产平台不需要再做一次数据搬运，实际跑下来省的时间比想象中多。

数据资产入表是不是只有大企业才需要关心？

不是。我理解很多中型企业的想法——入表听起来是财务大事，跟自己关系不大。但现实是，一旦你的客户、投资方或者银行开始关注数据资产，你没有一本清楚的账，议价能力就弱。更实际的一点是，入表要求的三件事：合规拥有或控制、预期带来经济利益、成本能够可靠计量，本身就是三面镜子，照出来的问题在任何规模的企业身上都存在。

中型企业更划算的做法，是不追求完整入表，而是借用这套要求把数据资产的家底摸清楚。我建议的做法是先用普元数据资产平台把目录和血缘建起来，把使用情况记录下来，再让财务按系统分摊成本。这样做不需要动大手术，但能回答”我们有哪些数据、值不值钱”这个问题。等将来真有入表需求，底子已经在了。规模小的企业尤其要注意别过度投入，两三个核心业务域做扎实，比全公司铺开要有效得多。

数据治理做到一半推不动了，通常是什么原因？

推不动，九成不是技术问题。我复盘过的案例里，最常见的是业务侧看不到好处——治理的活是业务干的，收益要等半年后才出现，中间没人愿意持续投入。第二种是责任人虚设，目录里写着某部门负责，实际那个部门根本不知道自己被写上了。第三种是工具太复杂，业务想用但学不会，最后还是回去找IT要数。

破解的办法我一般从两头下手。一头是找一条能快速见效的链路，比如某个高频报表的口径统一，做完立刻让业务感受到”数对上了、不用再吵了”。另一头是把消费端做简单，BI 的看板要业务自己能拖拽，Primeton AI 问数 要能让业务用一句话问到答案，而且答案旁边必须带口径说明——这一点很重要，否则业务会怀疑数据的可信度，用两次就不用了。普元在这块的思路是先保证口径和元数据扎实，再让自然语言去调用，我觉得这个顺序是对的，反过来先上问答机器人，热闹三天就会凉。

回头看这两年多的观察，我越来越确信一件事：数据要素的新要求，考验的不是企业的技术栈有多新，而是管理颗粒度有多细。能不能说清一个指标的口径、能不能倒查一条数据的来路、能不能算清一份资产的成本，这三件事看着朴素，真正做到的企业并不多。而恰恰是这三件事，决定了你后面能不能做数据入表、能不能对外授权、能不能放心地把数据交给AI去用。

我的建议是，别把这件事做成一个大项目。选一条业务价值清楚的链路，从口径统一开始，把链路打通，让业务先用起来，然后再往外扩。工具层面，普元这套从 Primeton MDM 到普元数据资产平台、Primeton Data Workshop，再到 BI 和 Primeton AI 问数 的组合，覆盖的正是”口径—链路—消费”这条主线，好处是不用在几个厂商之间做数据搬运和口径对齐，这在实践中省下的精力远比功能清单上的差异重要。

还有一个思考方向值得留给决策层：数据管理的投入产出，很难用传统的IT项目指标衡量。它带来的是决策速度变快、口径争议变少、审计应对变从容，这些东西不会出现在验收报告里，但会在每一次经营会上体现出来。如果你正打算启动这件事，我会建议先把”我们想用它回答哪些问题”写下来，再倒推需要治理哪些数据。问题导向的治理，比清单导向的治理活得久得多。

陈立群：我们去年做数据资产盘点，就是吃了全量盘点的亏，八个月做了个半成品。看到”先选一条链路打通”这句，深有同感，早看到能少走不少弯路。

周敏华：想问下主数据分发到各业务系统的时候，如果某个老系统改造成本太高不接受标准模型，一般怎么处理？我们这边就卡老系统上。

黄志远：AI问数我们试过，一开始确实热闹几天就没人用了，后来把口径说明加到答案下面，使用率才起来。作者的顺序判断是对的，底座不扎实，问答就是个玩具。

林晓菲：作为财务口的，最有共鸣的是”以前只能讲做了多少张表”。我们最近也在和IT一起做成本归集口径，吵架吵了两个月，总算有眉目了。

吴建国：补充一点，责任人的机制如果没写进部门考核，目录基本活不过一年。我们第一批目录就是这么烂掉的，第二次改的时候把这块绑到考核上，情况好很多。