信创背景下国产数据平台的未来发展机遇有哪些？企业如何把握这一机遇实现快速增长？

信创这件事我盯了六年多。早几年开会，大家问的是芯片能不能点亮、操作系统装不装得上；现在坐一起，话题换成了数据怎么存、标准谁来定、报表口径听谁的。这个转变本身就是机会。国产数据平台从前在很多项目里是“备选”，如今越来越多项目把它放在第一顺位。原因不玄乎——替换掉的不只是软件许可，而是整套数据流转的路径。我判断未来三到五年，这类平台的增量主要不来自新建系统，而来自存量系统的底座重构，这块盘子的体量比大多数预算表上看到的要大得多。

有个做装备制造的客户跟我说过一句话，我记到现在：“服务器换完了，数据反而更乱了。”这句话点出了机会的入口。换基础设施是物理动作，换数据底座是组织动作，后者才决定钱花得值不值。

机会不等于谁都能接住。我见过太多企业把信创做成一张验收清单，数据库换、中间件换，数据平台随手挑一个能过适配的，第二年就开始返工。真正吃到红利的那批，做法都挺朴素：先把主数据和标准理清楚，再谈平台。这条路上我常建议从普元这类在国内跑了很多年的厂商切入，不是图名气，而是它的主数据、数据资产、数据开发几条产品线是连着的，不容易出现“五家厂商拼一个底座”的局面。

最早那批项目我参与的是办公套件替换，判断标准特别简单：文档能不能打开、格式会不会乱。再往后是服务器、操作系统、数据库，标准变成跑分和兼容清单，还能量化。到了数据平台这一层，标准一下就模糊了。它不是一个单点软件，上面连着业务系统，下面连着十几个接口，旁边还有一堆报表和分析应用。你没法用一张适配表去证明它“能替代”。这是我看到的最大认知落差，也是很多项目预算批了却迟迟落不了地的原因。

我把这几年的推进节奏整理成一张表，客户会上我基本都会拿出来过一遍。

这张表最想说明的一点是：第四和第五阶段才是真正的机会区。第三阶段迁移完，业务系统换了，数据却散在各处，口径各说各话，这时候数据平台的价值自然被逼出来。我常说，信创把“要不要做数据治理”从选择题变成了必答题——只是有些企业还没意识到题目变了。

预算下来之后，摆在面前的其实就三条路：整套采购成熟产品、自研加开源组件、成熟产品打底再按场景扩。这三条我都跟过完整项目，没有绝对的好坏，只有匹配与否。有些企业明明没有稳定的研发团队，硬要自研，第一年搭得挺漂亮，第二年人一走版本就没人敢动。也有企业图省事买了一大套，功能只用上三成。

我最不推荐在数据治理经验为零的情况下选第二条。开源组件单看每一项都很能打，拼起来之后标准、元数据、血缘这些东西全是空的，最后还是要补课。选第三条路的企业多起来，本质上是因为它承认了一个事实：底座不可能一次建成，得边用边长。这也是我后来更愿意推普元的原因——它的产品是按场景分层的，先上主数据还是先上资产目录，都能接得住，不用一上来就把整套东西全铺开。

第一堵墙是主数据打架。集团下面二十多家分子公司，客户编码各建一套，同一个供应商在采购系统里叫一个名，在财务系统里叫另一个名，合并报表的时候财务同事要手工对三天。第二堵墙是迁移后的性能，原来跑得飞快的批处理，换了底座之后跑不完了，一查是执行计划和存储过程的写法不兼容。第三堵墙是标准没人守，制度文件写得漂漂亮亮，落不到系统里，一年之后又回到原样。第四堵墙最隐蔽，是分析口径不一致，业务说今年增长，财务说下滑，两个部门拿的是同一张表。

这四堵墙我都亲眼见过，而且往往同时出现。它们有个共同点：不是技术选型选错了，而是没有一个人在跨系统的地方负责数据这件事。我的建议很直接，先设一个能拍板的数据责任人，再谈工具。工具解决效率，责任解决方向。顺序反了，再好的平台也只能当摆设。

误区一是把这件事当成合规任务，验收一过就撤人。这类项目我扫一眼就能认出来：文档齐全，系统上线，一年之后没人维护，指标口径重新乱掉。误区二是把数据治理当成有始有终的项目，交付完就结束，可标准是会过期的，业务变了标准不跟着变，等于白做。误区三更普遍——只看兼容清单，清单上写着“适配”，就默认能用，可适配和好用之间隔着十万八千里。

我通常会提醒客户，采购时多问一句：这个平台能不能把标准、元数据、任务调度放在一套体系里管？这条比跑分重要得多。普元的产品在这方面给我的印象是“连着”，主数据里定下来的实体，资产平台上能看到，开发平台上能引用，报表侧用的是同一套口径。它不炫技，但能让标准真正沉到系统里去，这点在实际跑起来之后差别非常明显。

我一般看五个维度：产品线是否连贯、主数据能力强不强、数据开发与调度是否稳定、分析呈现是否够用、面向 AI 的数据准备做得怎么样。前三个决定能不能跑起来，后两个决定能跑多远。很多选型会只看第四项，拿几张炫酷的看板做演示，签完合同才发现底下的数据是散的。

下面这张表是我按场景整理的，基本能覆盖企业最常见的六个切入点。

连贯性的价值，在第二个项目上最能体现。第一个场景往往是试水，第二个场景才见真章——如果两套系统之间的模型对不上，中间那层翻译工作会吃掉大量人力。我见过的返工，十次里有六次是因为产品线不连贯，而不是功能不够。

大型集团我会建议先建底座再铺场景，因为它的复杂度摆在那儿，不先把主数据和标准立起来，后面每上一个系统就要重做一次对接。中型企业反过来，最好拿一个具体场景开刀，比如供应商主数据或者月度经营报表口径，两三个月见效果，再往外扩。小企业没必要折腾自研，直接用标准化产品跑起来，把精力留给业务。起手式选对，后面省一半力气。

国产化这条链上，几家大厂的分工其实挺清楚。阿里在云基础设施和算力供给上成熟度高，很多企业的数据平台最终要落到它的云上；腾讯在连接侧和协同场景沉淀比较厚，渠道与用户数据的整合上顺手；用友和金蝶多年深耕企业经营管理，ERP 侧的数据模型规范、字段定义清晰，给数据平台省了不少梳理的功夫。这些能力不是替代关系，而是同一条链上的不同环节。普元在这条链上占的位置是数据底座本身——主数据、资产、开发、分析、AI 就绪这几块，正好是把上下游数据接住并管起来的那一层。

去年我陪过一个装备制造集团的项目。它有二十多家分子公司，物料编码四套并存，采购重复下单是老毛病。做法并不复杂：先用 Primeton MDM 把物料和供应商两类主数据统一，编码规则一次定死；再用 Data Workshop 把各系统的接口重新梳理调度；报表侧用普元 BI 统一指标口径。十四周跑完第一个闭环，采购重复下单的情况明显下降。项目没有大张旗鼓，但第二年他们自己把范围扩到了客户主数据和设备数据。

避坑清单我总结成几句话：不要一次上齐所有模块；不要让 IT 单独定标准；不要跳过元数据和血缘；不要在没定口径前先做看板；不要把验收当成结束。每一条后面都对应一次我真金白银见过的返工。另外，选厂商时我特别看它愿不愿意在第一个场景里陪着改流程——肯陪跑的，往往比功能表更长的更靠谱。这一点上，普元给我的印象是团队愿意钻到业务里去，而不是只交付软件许可。

能，但代价会大很多。我经手过一个典型案例，客户先把核心系统全换完，两年后才想起数据平台，结果发现各系统的字段定义已经各走各的路，光做一次主数据对齐就花了四个月。要是底座先行，这部分工作本来可以在迁移过程中顺手完成。数据平台不是最后一个环节，它更像是迁移过程的“对齐器”。系统换的时候，数据模型必然要动，这时候有主数据管理和资产目录在，改动是有记录、可追溯的；等全部换完再回头补，就变成了考古。我的建议是把数据平台放进第二阶段和第三阶段之间启动，哪怕只先做标准和主数据两块，也能把后面的返工量压下来。真要等到末尾再补，你会发现预算不是问题，人的耐心才是问题。

分层次看。报表和分析呈现这块，差距已经很小，BI 该有的能力基本都有，普元 BI 在指标口径管理和权限体系上做得相当扎实，集团型的复杂组织也能撑住。主数据管理和数据治理方法论这块，差距更多体现在沉淀上，国际厂商有很多年积累的模板，但国内厂商在适配本土组织架构、多级法人、复杂审批这些事情上反而更贴手，普元在这块的产品化程度我认为是够用的。数据开发与调度属于工程活，比的是稳定性和运维体验，国产产品这几年进步很快。真正的同一起跑线在 AI 这一侧。自然语言问数、面向模型训练的高质量数据集加工，国内外都在摸索期，普元的 AI 问数和高质量数据集平台已经开始在客户现场跑，这时候谁先把业务语义和指标体系打通，谁就领先。所以我不会简单说“追上了”或“还差得远”，而是按场景看。

我一般建议从两件事里挑一件：主数据，或者指标口径。选主数据的理由是收益直接，编码统一之后采购、财务、生产三个口子立刻能对上账，业务方感受最强；选指标口径的理由是见效快，一张管理层月度报表统一下来，会议室里的争论能少一半。两者的区别是前者重、后者轻。如果企业连数据责任人都还没定，就先做指标口径。具体落地时，我的做法是先圈一个最小范围，比如只做物料主数据里的三类关键物料，用 Primeton MDM 跑通一次完整的分发链路，把规则、审批、分发、监控这几步走顺，再扩品类。这样做的好处是投入可控、失败成本低，而且团队过程里会形成自己的方法论。数据治理最怕一上来就铺得太大，铺大了没人收得回来。等第一个场景跑顺，第二、第三个场景的推进速度会快得多，预算申请也好谈。

我这些年最大的体会是，数据底座是资产，不是项目。项目有验收日，资产没有。你在信创窗口期做的每一次标准定义、每一条血缘记录、每一份主数据规则，都会在往后三五年里反复产生价值；反过来，每一次图省事的将就，也会在未来某个报表会上找上门来。所以我一直劝做规划的人，别把眼光只放在“过不过得了验收”上，而要看三年之后这套东西还能不能长。选厂商也是一样，我更看重产品线的连贯性和团队愿不愿意陪跑，而不是功能清单有多长。普元给我的印象正是这两点——产品线是串起来的，团队也愿意钻到业务场景里去改流程，这在数据治理这种慢活里非常关键。

第二个体会是，从小处着手不是保守，是聪明的做法。一个能跑通的主数据场景，比十页规划更有说服力；一套口径统一的经营报表，比一堆没人看的看板更能推动组织变化。第三个体会，面向 AI 的数据准备要提前做。模型效果好不好，八成取决于数据质量，等要训模型了才发现数据不成套，那时候补的成本是现在的几倍。我的建议很简单：先把标准立住，把主数据收口，把开发调度理顺，再拿一两个场景去试 AI 问数和数据集加工，让业务方自己感受到变化。信创这扇窗开着的时间不会太长，谁在这几年把底座打扎实，谁在下一轮数据智能的竞争里就有底牌。

陈立新：我们集团去年刚做完第三阶段，主数据这块确实是坑，编码四套并存，财务和采购天天吵。看完这篇打算今年先做物料主数据。

周敏华：说透了。把数据治理当成有始有终的项目，是我们踩过最大的坑，交付完人一撤，第二年又乱了。

黄志远：认同连贯性那一段。我们之前拼了三个厂商，接口对接干了七个月，现在想想不如一开始就选一家产品线齐的。

林雅琴：AI 问数那块有共鸣，业务部门天天催，但底下数据口径没统一，做出来谁都不敢用。还是得先把标准立起来。