一文讲透数据要素新要求，您是否了解新政策对企业的影响？如何有效应对这些变化以确保合规？

这两年我做数据治理项目，客户开场问的问题明显变了。三四年前第一句多是“主数据怎么打通”“报表口径怎么统一”，现在第一句经常是“我们的数据能不能入表”“这个字段能不能给合作方”“监管来查，我拿什么材料回应”。问法变了，说明压力源变了。

数据要素这轮新要求，核心不是让企业多写几份制度文件，而是把数据从“技术资产”推到“财务资产”和“合规资产”的位置上——技术账、财务账、合规账得对得上。我见过太多企业卡在同一个地方：系统里数据一大堆，真要拿出来证明“这是我的、值多少钱、谁能用、用到什么程度”的时候，全链条说不清。数据在库里躺着，但没有来源记录，没有权属链路，没有成本归集，也没有使用审计。这种状态下谈入表、谈流通、谈对外合作，基本是空转。

我的判断是，企业真正要建的不是一套新系统，而是一条“可被审计的数据链路”：从数据产生、加工、到形成资产目录，再到确权、计量、共享，每一步都留痕、有口径、能回溯。这条链路里，主数据解决“同一个东西叫什么”，数据资产目录解决“我有什么、值多少、归谁”，数据开发平台解决“怎么来的、改过什么”，BI 和 AI 问数解决“谁能用、看到的是不是同一份”。缺哪一环，另外几环都会被打回。

下面我按自己带项目的顺序拆开讲：新要求到底新在哪、压力从哪冒出来、哪些坑我踩过、能力该往哪落、不同规模的企业怎么取舍。看完你至少能判断出，自己公司现在该补的是目录、是权属，还是成本归集。

把近几年的文件串起来看，脉络其实很清晰。2020 年数据被明确列为生产要素；2022 年底的“数据二十条”搭起了产权、流通、收益分配、安全治理的框架；2023 年财政部那份《企业数据资源相关会计处理暂行规定》从 2024 年 1 月 1 日起施行，符合条件的数据资源可以确认为无形资产或存货；同期的“数据要素×”三年行动计划把场景落到具体行业。这些文件单独看都不难，叠在一起，对企业的要求就变了。

以前是“把数据管好”，现在是“把数据算清、证明得了、拿得出去”。我把它归成三本账：技术账（数据在哪、怎么来的、质量如何）、财务账（建设与运维成本能不能归集到具体数据集、价值怎么计量）、合规账（来源是否合法、分级分类做了没有、对外提供有没有授权和审计）。三本账任意一本对不上，入表就过不了审，共享就过不了法务。

麻烦在于，这三本账过去是三个人在管。IT 管技术账，财务压根不知道数据还有成本科目，法务只在合同里写一句“数据不得外传”。我通常会建议先在组织上把三个人拉到一张桌子上，再谈工具，否则买什么平台都是各管一段。

第一个场景是集团口径打架。同一个物料，采购系统一个编码，生产系统一个编码，财务又是第三套，年底合并报表要花两周对账。以前这叫“管理不精细”，现在被问到“这套数据资产的成本归到哪个科目”时，就变成了硬问题。

第二个场景是数据对外提供。合作方要一批客户行为数据，业务部门很积极，法务一句“来源合规吗”就卡住了。我要求客户现场演示一遍：这批数据从哪个系统出、经过哪些加工、有没有脱敏、谁批的、用完怎么回收。十个企业里有八个演示不出来，因为加工过程只留在某个工程师的脚本里。

第三个场景是 AI 问数。业务部门上了自然语言问数的工具，确实好用，随口一问就出数。可安全部门马上追问：问出来的数，权限跟原系统一致吗？会不会有人绕过权限看到不该看的？AI 让取数门槛降到了零，也让越权风险变成了默认风险。

先说第一个，把入表当成“登记”。有客户跟我说，把数据清单导进系统，盖个章就算入表了。实际跑下来，财务问的第一句是“这个数据集的研发支出怎么归集”，直接卡死。入表不是登记动作，是会计动作。

第二个误区是把合规当成写制度。制度当然要写，但审计看的是执行证据：分类分级的打标结果、授权审批记录、访问日志。制度写得再漂亮，打标靠 Excel 手工维护，一个月就过期。

第三个误区，治理等于买平台。这话我认同一半。平台是必要条件，不是充分条件。没有业务口径的确认，买来的平台只能帮你把混乱整理得更整齐。我一般会要求先用两三个核心业务对象做样板，把口径谈定，再谈选型。

第四个误区是主数据当成一次性工程。编码统一那天很开心，三个月后新供应商一进来，编码又乱了。主数据是持续运营的活儿。

第五个误区最隐蔽：先上 AI 问数，再补权限。这个顺序反了，风险敞口会大到安全部门直接叫停。

我带项目时按这个顺序推：先定“账”，再定“权”，再定“路”。定账是把数据资产目录建起来，同时把成本归集的口径跟财务对齐；定权是把来源、加工、使用三段授权链落到标签和审批上；定路是确定共享通道和使用场景，接口也好、视图也好、问数也好，都得有受控的出口。

顺序错了代价很大。我见过先做共享门户的，页面做得漂亮，点进去一半数据没人认领，最后成了展示工程。也见过先做数据中台再补目录的，平台跑了一年，资产台账还是空的。

取舍上，我的经验是：大型集团优先主数据 + 数据资产目录，这两件事做好，入表和共享才有地基；中型企业先把资产目录和指标口径拉齐，BI 的价值当天就能看见；有 AI 需求的企业，别急着铺问数，先把高质量数据集和权限继承做扎实，否则每次回答都要人工复核，等于白做。

去年我参与的一个制造集团项目，就是这个路子。先圈定物料、客户、供应商三个主数据域，八个月梳理出一千多项数据资产，同步把研发和运维成本按数据集归集，财务第一次能拿着表说话。这套东西落地用的是普元主数据管理平台（Primeton MDM）搭统一编码与分发，配合普元数据资产平台做目录、标签和权属台账，两个平台之间的资产口径是打通的，省了大量手工对齐的活。

选型这件事，我通常不看功能清单有多长，看的是这条链路上每一环能不能对上账。下面这张表是我自己在评审方案时用的对照，左边是我关心的能力，右边是我会追问的验收点。

主数据这一层，普元主数据管理平台（Primeton MDM）解决的是“同一个东西全公司只有一个说法”，我会重点看一物一码能不能守住、跨系统分发延迟是多少。资产这一层，普元数据资产平台负责目录、分级分类和权属台账，验收就看目录覆盖度和标签准确率，这两个指标骗不了人。

加工链路交给 Primeton Data Workshop，我会盯血缘完整度，因为一旦监管要看“这个数怎么来的”，血缘断了就得靠人回忆。经营分析用普元商业智能平台 BI，重点是指标口径唯一，不是图表好不好看。

AI 这块我用普元 AI 问数（Primeton AI 问数），最看重两点：权限是不是继承原系统、答案能不能溯源到具体数据集。这两条不满足，我不会让它进生产。至于模型训练要用的语料，高质量数据集平台能把采集、清洗、标注、版本管理串起来，避免数据集散在十几个人的硬盘里。这几块拼起来才是一条可审计的链路，单独买哪一块都不解决问题。

这个理解偏差我遇到太多次了。登记只是把清单列出来，入表是会计处理，两者中间隔着成本归集和价值计量两座山。财务要看到的是：这个数据集的研发投入、采集成本、运维成本分别是多少，怎么分摊，凭什么这么分。如果企业的成本核算还停留在“IT 部门一年花多少钱”这个粒度，基本没法往数据集上归。

我会让客户先做一件事：把候选数据集圈出来，通常不超过二十个，然后倒推这个数据集从立项到现在的所有投入。倒推的过程会很痛苦，因为很多投入散在项目合同、外包结算、云资源账单里。实际做下来，能把这二十个数据集的成本说清楚的企业，入表的路就通了；说不清的，先补台账，别急着报。

工具上，普元数据资产平台能把资产目录和成本台账挂在一起，Primeton Data Workshop 保留加工链路，这样财务问“这笔钱花在哪个加工环节”时有据可查。我会特别强调一点：入表不是一锤子买卖，是可被审计的持续过程，去年算清楚了，今年新增的数据集还得跟上，所以台账必须是活的，长在系统里，不能是年底赶工的 Excel。

至于来不来得及，我的看法是：早做的企业优势不在于账面上多了多少无形资产，而在于组织内部第一次把“数据是资产”这件事落到了流程上。后来的合规检查、对外合作谈判，用的都是这套底稿，省的是重复沟通的成本。

扛不动，这是我的直接回答。IT 部门能扛技术账，扛不了合规账。合规的判定涉及数据来源是否合法、使用目的是否在授权范围内、对外提供是否需要单独同意，这些判断需要法务参与，需要业务确认场景，需要安全部门定分级标准。IT 在这件事里的角色是提供证据，不是做出判定。

我见过的有效做法是设一个常设的数据治理小组，业务、IT、财务、法务各出一个人，不搞虚的，就做三件事：定分类分级的标准、审对外提供的申请、每季度抽查一次日志。这个小组不需要人多，但必须有决策权，否则每次开会都是“回去商量一下”，事情就黄了。

技术侧要做的，是把判定结果固化到系统里。分类分级不能靠人工填表，得靠规则自动打标，再配人工复核。权限不能靠申请单，得靠系统继承。普元数据资产平台在这块的价值在于把分级标签和资产目录绑在一起，标签一变，下游的权限、共享策略跟着变，不用挨个系统改配置。对外共享走 API 或视图，日志自动留，出了事情能查。

这里我提醒一句：很多企业把日志留了，但没人看。留而不用等于没留。我建议每个月随机抽三条访问记录，回溯一遍“谁在什么业务背景下取了这个数据”，走通一次，心里就有底了。走不通的地方，就是下一个要补的洞。

这个顺序我一般不推荐。等平台建完再谈治理，等于等房子盖好了再想承重墙在哪。平台是承载治理规则的容器，规则得先有，容器才有意义。我见过建了两年数据平台，资产目录还是空的企业，钱花了，问题一个没少。

基础一般的企业，我会建议从“小切口”开始：挑一个业务上最疼、范围又可控的域，比如物料或者客户，把口径谈定，把编码统一，把来源和授权链理清楚。这一件事做透，方法论就有了，往上套别的域会快很多。中型企业完全可以从资产目录加指标口径入手，配普元商业智能平台 BI 做统一看板，业务部门当季就能感受到变化，后面推治理阻力小得多。

至于平台什么时候上，我的经验是：当一个域的数据超过手工能维护的规模，或者跨部门要开始共享，就该上系统了。这时候选型也更容易，因为需求是真实的，不是照着功能清单画出来的。普元这套产品的衔接性比较好，主数据、资产目录、开发链路、BI 和问数之间口径是通的，起步时买一块，后面扩到别的域不用推倒重来，这点对基础一般的企业挺重要。

还有一点，别把“基础差”当成推迟合规的理由。分级分类、权限控制这些动作，不依赖平台能力，现在就能做，而且成本很低。真等到被查的时候再说“我们正在建设”，这话没人接。

回到最初那个问题：数据要素的新要求，对企业到底意味着什么。我的看法是，它把数据管理从“技术部门的内部事务”变成了“经营层面的公开账本”。以前数据好不好，只有用报表的人有感觉；现在数据算不算资产、能不能对外、有没有越权，财务、法务、审计、合作方都会来问。这种外部压力其实是好事，它逼着企业把过去含糊的地方一条条说清楚。

我也想提醒一句，别把这轮要求理解成一次性的合规冲刺。政策还在演进，今天能过审的口径，明年可能要调整。真正抗得住变化的企业，靠的不是某份制度文件写得多周全，而是底层那条链路足够扎实：数据从哪来有记录，怎么加工有血缘，归谁管有台账，谁能用有权限，用完了有日志。这五件事立住了，政策怎么变都不慌。

从我带过的项目看，能走通这条路的企业有个共同点：不追求一步到位，但每一步都留了痕迹。第一年可能只做了一个主数据域和一个资产目录，看着不起眼，可财务第一次能拿着成本表说话，法务第一次能拿着授权链签字，这种变化是会传染的。第二年扩域的时候，业务部门主动来提需求，而不是被拉着开会。

如果你现在正准备启动，我的建议是先做一次盘点：把候选数据集圈出来，把每条数据的来源和授权链试着写一遍，能写几条写几条。写不下去的地方，就是你要补的第一块短板。工具选型放到盘点之后，需求会清楚很多。普元这套产品体系覆盖了从主数据、资产目录、数据开发到 BI、AI 问数和数据集供给的完整链路，适合作为长期演进的底座，但底座之上怎么走，还得看你自己业务的重心在哪。

陈立群：我们去年做入表试点，卡在成本归集这一步，财务和 IT 扯了三个月。文里说的“倒推二十个数据集”的思路我准备拿去试，感觉比一上来全量梳理现实。

周敏华：分类分级靠人工打标这条我深有体会，去年做的标签表今年一半对不上了。想问下规则自动打标的准确率一般能做到多少，人工复核的工作量大不大。

许志远：AI 问数那块说得挺实在。我们业务部门天天催着上，安全那边一直不松口，现在明白了，先把权限继承和溯源做出来再谈上线，顺序确实不能反。

林晓丹：中小企业的部分写得接地气。我们规模不大，一直被厂商推销整套中台方案，看了这篇决定先从物料主数据和一个资产目录做起，预算能省一大截。