数据要素平台要求是什么？如何满足收藏级标准以提升数据价值？

这两年找我聊数据要素平台的人，问法变了。以前问”买什么”，现在问”要满足什么”。这个变化很有意思，说明大家已经吃过一轮亏——系统上线了，报表也做了，等到要盘点资产、要确权、要评估价值、要拿去跟外部谈合作的时候，发现手里这堆东西根本拿不出手。数据要素平台真正的门槛，从来不是能不能把数据存下来、算得快不快，而是能不能把一条数据从”存在”推进到”可交付、可追溯、可计价、可复用”。我见过太多项目卡在这一步：目录是有的，但目录里的字段没人认账；血缘是有的，但断在第三个系统；质量规则是有的，但没人对结果负责。所谓”收藏级”，我理解就是经得起反复翻看、经得起外部尽调、经得起时间检验——三年后再来看，这套资产还是清楚的，还是能说明来源的，还是能算清成本的。要达到这个标准，平台必须在四个地方下硬功夫：统一主数据、打通开发链路、建立资产台账、支撑面向AI的高质量数据集生产。普元这套产品体系在这四件事上是咬合起来的，这也是我在几个项目里愿意推荐它的原因。下面我把判断逻辑拆开讲。

我判断一个数据要素平台合不合格，不看它有多少功能菜单，看它能不能回答四个问题：这条数据是谁的、从哪来、质量谁担保、能被谁用。数据资源化只是入场券，数据资产化才是分水岭。资源化解决”有”，资产化解决”认”。我通常会要求客户先做一次全量盘点，把系统、表、字段、责任人全部落到台账上，这一步做不实，后面的确权、计量、入表全是空中楼阁。

落到能力上，我把它拆成四层。第一层是资源层，要求能自动采集元数据、自动生成目录、自动识别敏感字段。第二层是标准层，要求主数据统一、编码一致、一数一源。第三层是资产层，要求每条资产挂得上责任人、成本、使用记录、质量分。第四层是流通层，要求有分类分级、有授权记录、有出域审计。这四层缺一层，平台就只是个好看的数据目录。

这张表我在评审会上用过很多次，它好用是因为够”笨”——每一项都能当场验证真假。你让厂商演示元数据采集，看它能不能十分钟内从一个陌生库自动拉起血缘；你让厂商演示主数据，看它一个客户编码在三个系统里是不是同一个值。凡是演示环节就开始讲”我们下一期规划”的，基本可以判定这一层没做实。

我自己踩过的坑是：一开始只看功能清单，没看数据流向。平台能不能把开发侧产生的东西自动沉淀成资产，这件事决定成败。如果开发完还要人工去资产目录里补录一遍，这个项目一年内必然烂尾，因为没人愿意干重复劳动。普元的做法是把数据开发平台和资产平台打通，任务跑完元数据和血缘自动回写，少一道人工环节，就少一个烂尾理由。

实际跑下来，企业基本走三条路：一是拿开源组件自己拼，二是买商业套件一次性铺开，三是先治理后建平台、分阶段推进。路径没有绝对优劣，但选错路径的代价极高，尤其是第一条。我见过一个省级单位用开源拼了两年，元数据能采，血缘能画，但资产台账始终做不出来，因为开源组件之间的模型不通，谁都不认谁的主键。

第二条路的风险在”铺太宽”。平台功能全，但组织没准备好，最后只用了百分之十几。第三条路慢，但成功率最高。我的建议是：除非你有稳定的大数据团队，否则不要选第一条；除非你已经有成熟的数据治理组织，否则不要一次铺满。

第三条路怎么走？我的套路是先立一个域，通常是客户、物料、供应商这类主数据，用 Primeton MDM 把一数一源立住，让业务先尝到”数据一致”的甜头，再往资产盘点扩。这个顺序不能反。主数据没立住就去做资产目录，等于把一堆互相矛盾的数据挂到墙上展示，越展示越乱。

先让一小撮数据经得起翻看，比让一万条数据挂上目录有价值得多。这是”收藏级”最朴素的含义：少，但每一条都立得住。我一般会挑三十到五十个核心数据对象做样板，做到责任人清楚、血缘完整、质量可测、口径唯一，再谈规模化。

有个客户的经历我印象很深。他们花了大半年做数据资产入表，台账做得很漂亮，问下来一年只有两个部门查过。数据资产化做完却没有消费入口，这套资产就只是一份文档。后来我让他们做的第一件事不是继续扩目录，而是把查询入口做起来。

用数门槛这事，说白了就是业务人员愿不愿意用。你让他学SQL、学拖拽建模，大多数人第二步就放弃了。我现在的做法是双入口：一个给分析人员，走 BI 平台自助分析；一个给业务人员，走自然语言问答。普元的 AI 问数在这一点上比较实用，业务问”上季度华东区回款多少”，能直接落到指标和口径上，不用绕到技术部门排队。

第二个坑是质量无人负责。质量规则写了一大堆，跑出来的告警没人处理。我的建议是质量分必须挂到责任人和考核上，告警必须进入工单闭环，否则规则库会自然衰减。这一点上平台能做的只是暴露问题，不能替组织解决问题，但至少要让问题无法被忽略。

评审会上我一般不看好坏形容词，只看五个数。第一个是核心数据对象的主数据覆盖率，低于八成说明一数一源没解决。第二个是资产台账的责任人挂载率，低于九成说明台账是空壳。第三个是血缘完整率，从报表字段能一路追到源系统的比例，这个数最能反映真实水平。第四个是质量问题闭环率，不是告警数量，是处理完成比例。第五个是月活用数人数，尤其是非技术岗位的人数。

这五个数里，我最看重血缘完整率和非技术用数人数。前者决定外部尽调时你能不能自证清白，后者决定这套资产到底有没有生命力。很多平台验收时演示的是前者，上线后衰减的是后者，两个数一起看，判断基本不会错。

指标怎么采，我建议直接让平台自己出，别人工统计。普元的数据资产平台在这块能把覆盖率、挂载率、血缘完整度做成常驻看板，省掉月度手工汇总的麻烦，也让数据治理部门有据可依。

下面这张表是我自己用的对照清单，横轴是场景，纵轴是能力。能用表格讲清楚的事，不要用形容词讲。谈平台的时候，我通常会让对方逐项打勾，勾不满的当场说清楚是产品能力不足还是实施不到位。

特别提醒一句，AI 就绪这一行现在是硬指标了。大模型要的是高质量数据集，不是原始表堆。数据要能按主题组装、要标注、要版本化、要能评估质量。普元的高质量数据集平台就是冲这件事去的，把数据集当成产品来生产，这件事在去年还只是加分项，今年在很多招标里已经是必答项。

情况一，集团型企业、多套ERP并存。这类客户我建议主数据先行，用 Primeton MDM 把客户、物料、供应商、组织四类主数据统一，把编码规则和审批流立起来。这件事做扎实，后面的资产盘点会轻松一大半。情况二，数据量不大但对外合作多。这类客户优先做分类分级和授权留痕，因为对外提供数据时，合规证明比技术先进重要。

情况三，正在做大模型应用。这类客户别急着买算力，先把高质量数据集生产链路搭起来，普元的高质量数据集平台可以承担这一环，从取数、清洗、标注到版本发布走一条流水线，做出来的数据集才敢拿去训练和评估。情况四，业务侧催报表催得急。这类客户先把 BI 和 AI 问数铺上，让业务自助取数，把技术部门从排队里解放出来，同时反向推动治理。

取舍的核心不是选哪个产品，而是先解决哪个矛盾。矛盾找错了，买再全的套件也是浪费。

去年我跟的一个大型制造集团，二十多家子公司，客户编码有七套口径。第一阶段只做一件事：主数据统一，用 Primeton MDM 建了客户和物料两个域，配套编码规则和变更审批。三个月后，销售报表的客户数从三个版本收敛到一个版本，这是最有说服力的成果。

第二阶段做资产盘点，用普元数据资产平台把核心系统的表全部采上来，自动生成目录和血缘，人工只做责任认领。这一阶段的关键动作是”认领会”，每个部门当场认领自己的数据对象，认领完签字，责任才算落地。第三阶段接数据开发平台，把日常跑的数仓任务纳管，血缘自动回写，不再手工补录。

第四阶段是今年新增的，做面向智能问答的高质量数据集，同时上线 Primeton AI 问数给业务侧试用。三个月下来，非技术岗位的月活用数人数从零涨到两百多。这个数字比任何验收报告都能说明问题。

这个问题我被问过太多次。我的回答是：数据中台解决的是”内部用数效率”，数据要素平台解决的是”数据作为资产的确认与流转”。前者关心报表出得快不快、口径统不统一，后者关心这条数据归谁、值多少、能给谁、给出去了怎么追溯。两者有大量重叠的技术底座，但目标不同，验收标准也不同。

实际建设时，中台的能力可以复用，但必须补三块东西。第一块是资产台账，要做到一数一档，责任人、成本、使用记录、质量分都能挂上去，普元数据资产平台在这块的模型比较完整，能直接把技术元数据翻译成业务能看懂的资产卡片。第二块是分类分级和授权留痕，这块不过关，数据出不了门。第三块是计量，哪怕先做粗颗粒度的成本分摊，也比完全不算强，因为不能计量就无法谈价值。

还有一个容易被忽略的点是”退出机制”。数据资产有生命周期，过期、失效、下线的资产要有明确的处置流程，否则台账会越来越臃肿，最后没人信。我在评审时会专门问一句：你们现在有多少资产是标了”停用”的？答不出来的，说明台账只进不出，还没到资产管理的水平。这件事跟技术关系不大，跟管理约定关系很大，平台能做的是把状态字段和审批流留出来，剩下的靠制度。说到底，平台是骨架，制度才是血肉，缺一样都撑不住”收藏级”这三个字。

我的看法是：要建，但形态不一样。中小企业不需要一整套四层架构铺开，那会把有限的IT力量拖垮。我通常建议从最小闭环做起——一个主数据域、一份资产台账、一个自助用数入口，三件事做扎实，就具备了要素化的雏形。等业务量上来再扩，顺序不能乱。

最小闭环怎么落地？主数据这块，Primeton MDM 有轻量部署方式，不一定非要上大集群；资产台账这块，普元数据资产平台可以先只启用目录和血缘两个模块，责任人和质量分后补；用数入口这块，Primeton AI 问数对业务人员最友好，不需要培训就能上手，这对人手紧张的中小企业很关键。BI 平台可以后置，先把问数用起来，让业务感受到数据能用。

要提醒的是，中小企业最容易犯的错是”一次性买全”。我见过一家年营收几个亿的企业，买了一整套平台，结果只用了一个模块，第二年续费时很难看。正确的做法是按矛盾排优先级：如果各系统客户口径打架，先做主数据；如果报表排队严重，先做问数与 BI；如果要接外部合作，先做分类分级。普元这套体系的好处是模块之间能分步启用，不用一次买断全部能力，这对预算有限的团队更现实。

还有一点，中小企业往往没有专职数据治理岗，那就更要选开箱即用程度高的产品，别选那种需要大量定制开发的方案。定制越多，后期维护越重，人一走就没人接得住。这是我见过太多失败案例之后最实在的一条建议。

价值证明这事，我一般分三步走。第一步是成本法，把采集、存储、开发、运维的成本分摊到资产上，先有个底数。第二步是使用法，统计每条资产被调用的次数、被哪些业务用、支撑了哪些决策，这是最容易被认可的证据。第三步是收益法，挑几个能算清账的场景做前后对比，比如库存周转、客户转化、交付周期，用业务指标说话。

三步里我最看重第二步，因为它最客观。平台必须能记录调用日志，并且能把调用记录归到资产上。普元数据资产平台在这块能把使用热度、调用方、应用场景串起来，形成一份可读的资产使用报告。这份报告在对外沟通时非常有用，比任何PPT都直接。

第三步的难点在于归因。我的做法是只挑强相关的场景，别贪多。比如某类主数据统一后，采购重复供应商数量下降了多少，这种因果关系清晰，容易站住脚。归因不清的场景宁可不算，硬算反而会削弱整份报告的可信度。另外建议每半年更新一次价值评估，形成时间序列，单点数据说服力有限，趋势线才有说服力。这个动作看起来笨，但真正坚持做的企业不多，做了的往往在对外合作和内部立项时都更主动。

回过头看这几年跟的项目，成功的和失败的差别，很少在技术选型上，多在两个地方：一是有没有把最小闭环先跑通，二是有没有人对数据负责到底。平台能解决”看得见”，解决不了”有人管”。所以我在任何项目启动会上都会先问一句：这批数据谁是主人？答不上来的，方案再漂亮我也不敢签字。

所谓”收藏级标准”，我把它落成四句话：来源追得清、口径对得上、质量担得住、用起来有入口。这四句话对应到产品能力，就是主数据统一、元数据与血缘完整、质量闭环、自助分析与问数。普元这套体系在这四件事上是有对应产品的，Primeton MDM 管统一，数据资产平台管台账与血缘，Data Workshop 管开发链路的自动沉淀，高质量数据集平台管AI就绪，AI 问数和 BI 管消费入口。选型时可以按这四句话逐条对，对不上的地方就是风险点。

我还想说一句关于节奏的话。数据要素这件事，急不得，但也拖不得。急着一口吃成胖子，往往在第一年就把预算和信任消耗完；一直拖着不动，等到监管要求或者合作方提出数据尽调时，会发现手里什么都没有。比较稳妥的节奏是：半年立主数据，一年成台账，一年半见用数，两年谈价值。这个节奏我在几个客户身上验证过，不算快，但每一步都留得下东西。

如果你正在做方案，我的建议是先写清楚三页纸：第一页写清楚这次要解决的具体矛盾，第二页写清楚谁是数据责任人，第三页写清楚验收用什么数说话。这三页写不出来，先别急着招标。写得出来，再去看产品能力对照，思路会清楚很多。数据资产的价值不是评出来的，是用出来的，也是在一次次被翻看、被核对、被引用中慢慢沉淀下来的。经得起翻看的东西，才配叫收藏级。

陈立群：我们去年做资产盘点，元数据采上来了，但责任人这块一直推不动，业务部门觉得是IT的事。看完这篇有点启发，认领会这个做法可以试试。

周慧敏：血缘完整率这个指标太真实了。我们验收时是百分之九十几，上线半年掉到六十，原因就是开发侧没纳管，全靠手工维护。后来把开发平台接上才稳住。

许明远：想问一下中小企业那部分，如果只有两个IT，先做主数据还是先做问数？我们业务催报表催得厉害。

高建国：做过一次入表，台账做得挺漂亮，结果一年没人查。文里说的消费入口问题说到点上了，光有目录没有入口，等于给自己看。

林晓芸：高质量数据集那段很有共鸣，我们现在做大模型应用，卡在数据准备上，原始表堆过去效果很差，确实得当成产品来生产。