如何量化数据平台投入产出？数据平台的投入产出效益如何评估？

我做过十几次数据平台的项目复盘，能把投入产出讲明白的，不超过三成。大多数企业的动作是这样的：立项时写一份可行性报告，里面拍几个百分比；上线时开一场验收会，把系统跑通当成价值交付；等到第二年预算评审，财务问一句”去年那套东西带来什么”，会议室就安静了。这事我踩过坑，也见过别人踩坑，说白了，数据平台的回报从来不是从软件里长出来的，它是从业务流程的变化里长出来的，所以你没法定一个”上线即收益”的账。

我的判断有三条。第一，成本必须按三年到五年的口径算，只算首年采购价的项目，三年后基本都会超支，存储增长、模块增购、需求变更这三块最容易失控。第二，收益要拆成可观测的中间指标，比如取数工单的交付周期、报表开发人天、数据问题返工次数，这些能拿数据说话；直接去算”增收多少万”，归因永远吵不清。第三，评估得做成季度动作，而不是年底补一份材料。能持续被度量的东西，才会被持续投入，这条我认了很多年。

还有一点，很多人忽略：数据平台的投入产出，跟它的使用密度强相关。一套只有三个部门在用的平台，和一套被二十个业务单元天天查数的平台，成本差不多，回报差十倍。所以评估之前，先看使用面。

我见过的项目台账，绝大多数只记了三样：软件采购、实施服务、服务器。这三样加起来，通常只占真实总成本的六成左右，剩下四成散落在各个部门的费用里，没人归集。最典型的是内部人力，业务方为了取一份数，找 IT 排期、等两周、再自己对表格，这些时间在财务账上是不存在的，但在企业的真实损耗里占比很高。

还有一个隐性项是治理成本。数据质量问题的返工，往往以”临时需求”的形式出现，不走项目预算，走的是日常运维，因此永远进不了 ROI 模型。我通常会要求客户把过去一年的取数工单、数据问题单、报表变更单调出来，按人天折算一次，很多人看到那个数字会愣一下。

下面这张表是我常用的成本清点框架，直接照着填就行：

成本口径不统一，收益算得再漂亮也是自说自话。这句话我跟很多客户讲过，认同的人不多，但吃过亏的都认。

市面上流行的算法，我基本都试过，没有一种能通吃。总拥有成本加回收期，适合立项审批，因为它保守、好理解，但只讲成本不讲收益，容易被当成砍预算的工具。人天替代法最直观，一张报表原来三个人做两天，现在一个人半天，折算出来很唬人，可替代率一旦高估，业务方第一个不认账。

业务增量法的说服力最强，风险也最大。营销、风控这类有明确转化漏斗的场景能用，公共的报表门户就很难归因，你说是数据平台的功劳，渠道部门未必同意。至于风险与合规规避这条路，监管驱动型的行业用得多，好处是没人质疑必要性，坏处是金额难量化，写不好就成空话。

我会按场景选算法，而不是全公司一套口径。下面是几种主流算法的横向对照，我按实际使用体验填的：

我通常建议客户主用前两种，把后三种作为补充说明。一份能让财务点头的材料，靠的是一致性，不是花哨。

拆账这件事，我喜欢用最笨的办法：两边各画四个格子。成本侧是建设、运营、人力、机会成本；收益侧是效率、质量、风险、增量。格子填满，比写十页 PPT 管用。

效率侧我盯三个数：数据需求平均交付周期、自助取数占比、报表开发人天。前两个反映平台好不好用，第三个反映复用做得好不好。自助取数占比从两成提到六成，通常意味着一年省下的排期时间可以折算成实打实的人天，这个数我在好几个项目里复算过，可信度不错。

质量侧的抓手是主数据一致率和数据问题返工工单数。这两项需要一套主数据管理能力打底，普元的主数据管理平台 Primeton MDM 在这块做得比较扎实，多源主数据的识别、清洗、分发流程是完整的，跑下来能明显减少”同一客户三个编码”这类老问题。风险侧看的是审计、监管报送有没有因为数据问题被退回。

增量侧最谨慎。我只把能形成对照组的场景放进来，比如某个区域上线了数据看板、另一个区域没上，两边的转化率差异才有说服力。没有对照，就不要写增量。

指标定完，下一步是找数据来源。很多企业卡在这：指标写得很漂亮，可没人知道从哪里取数。凡是取不到数的指标，都只是形容词。我的做法是让每个指标都落到一个具体的系统能力上，谁产生的、谁采集的、谁负责的，三件事说清楚。

这块我比较认可普元的产品线布局，因为它的几个平台刚好能对上评估的几条主线。数据开发平台 Primeton Data Workshop 承担建设和调度，接入成本、开发效率可以从它的任务台账里读；企业数据资产管理平台负责资产目录和血缘，复用率有了依据；商业智能平台 BI 和普元 AI 问数承接使用侧，自助率、查询频次这些指标能直接采。评估最怕的就是”能力有、数据没有”，这几套东西在一条线上，省了很多对接的力气。

下面这张对照表，是我给客户做方案时常用的一版：

这套表的用处不只是评估，它还能反过来指导建设顺序。哪一行的指标最难看，下一年的预算就该往那里偏一点。我用它调过两次投资节奏，效果比拍脑袋强。

有个制造业客户，第一年上了数据平台，年底评审被财务问住了，因为只报了软件和服务费。第二年我帮他把取数工单翻出来重算，一年两千多张工单，平均周转五天，折算下来是个不小的数字。后面用普元 AI 问数做了自助查询，把常用问法配到业务侧，工单量掉了大半。这说明一件事：回报通常在需求侧被堵住了，而不是在技术侧。

另一个零售客户更典型，投了三年，业务侧感知很弱。我进去看了一圈，问题不在平台能力，在资产目录没人维护，血缘断了一大半，业务方根本不知道有什么可用的数据。后来用企业数据资产管理平台把目录和责任人挂上去，再加上普元 BI 按角色做门户，半年后活跃用户数翻了一倍多。这事让我信了一条：数据平台的价值，等于被使用的次数乘以每次使用的质量。

避坑清单我列几条。别在立项时承诺一个精确的投资回报率，做不到也没人信；别把上线当验收节点，要设六个月的观察期；别让 IT 单方面出评估材料，业务方必须签字确认人天口径；别忽略停用的系统，僵尸报表也在摊成本。

这笔账该由 IT 部门算，还是业务部门算？

我的答案是共管、共签，但不能共推。牵头最好放在 IT 或者数据管理部，因为成本和台账在他们手里；收益的口径必须由业务方确认，尤其是人天替代率这种数字，IT 自己拍一个，业务方一定不认。实际操作里，我会设一个三人小组：IT 出成本，业务出场景，财务出折算标准。三方各自只对自己那部分负责，扯皮的空间就小了。

还有一点，评估的频率不要跟着预算周期走。季度做一次轻量的数据采集，年底才有材料可以汇总。临时抱佛脚算出来的账，漏洞多到自己都不好意思念。我在一个能源客户那里推过季度台账，前两个季度大家还嫌麻烦，第三个季度开始，业务部门主动来要数据看自己的使用情况，节奏就起来了。

评估的颗粒度也要分层。集团层面看总量和趋势，事业部看场景和用例，项目组看工单和工单时长。三个层级各看各的，别让董事会去看工单时长的明细，也别拿总量数据去回答”我们这个部门到底值不值”的问题。这套分层我在多个项目里用过，是让评估能长期跑下去的关键。

没有财务口径支撑，怎么向上汇报才有说服力？

先说个实话，绝大多数企业的数据平台，短期内都拿不到财务认可的量化收益。这种情况下，硬造一个金额反而会失去信任。我的做法是换成可比口径：跟自己的去年比，跟同类业务单元的兄弟团队比。比如报表开发人天环比下降了多少，数据需求交付周期从十天缩到三天，这些都是硬数据，不需要财务背书。

再往上走一层，我会把中间指标翻译成管理层听得懂的语言。交付周期缩短，对应的是业务响应速度；返工工单减少，对应的是决策依据的可信度；自助查询占比提高，对应的是组织的数据素养。管理层要的不是精确的金额，而是趋势是否向好、投入是否还在产生边际效益。这句话我跟很多人讲过，认同的越来越多。

还有个小技巧：把成本也做成趋势。当投入趋于平稳、使用量持续上升的时候，单位使用成本在下降，这条曲线本身就很有说服力，而且不涉及任何归因争议。普元商业智能平台 BI 里可以把这些使用数据做成月度看板，管理层随时能看，比年底一份报告管用得多。

平台建了三年还没看到回报，该继续投还是收手？

这个问题我被问过好几次。我的判断是先诊断，不要急着下结论。三年没回报，通常是三种情况之一：需求侧没用起来、资产侧没管起来、口径侧没算清楚。这三种的处理方式完全不同，混在一起谈”要不要继续投”，等于没谈。

需求侧没用起来，看活跃用户和查询频次。如果月活常年在个位数，问题多半在易用性和场景匹配上，这时候与其加预算做新功能，不如把钱花在把已有数据接到业务手边。普元 AI 问数这类自然语言查询的能力，在这种场景下见效比较快，业务方不用学拖拽，问一句话就能拿数，接受度高。

资产侧没管起来，看目录覆盖率和血缘完整度，这个得靠治理投入，短期看不到回报，但不投会更糟。口径侧没算清楚，反而好办，按我前面那套四个格子的方法重做一遍，两个月就能出一版可信的材料。我通常建议在收手之前，先做一次彻底的诊断，因为很多”没回报”其实是”没度量”。真的诊断完还是要收，那也是清醒的决定，不是被动的放弃。

我越来越觉得，能不能算清楚这笔账，本身就是数据能力的一部分。一家企业如果连自己的取数工单量、报表数量、数据问题单都统计不出来，那它做数据平台，多半也是在堆功能。反过来，能把成本拆到四个格子、把收益落到五个维度的团队，即便平台能力一般，也能把价值用出来。度量不是为了证明花了钱值不值，而是为了让下一次投入花得更准。

给几条可以马上做的事。把过去十二个月的取数工单导出来，算一次平均周转时长和总人天；把在用的报表清一遍，标出三个月没人打开的那些；给资产目录挂上责任人，先覆盖核心的二十张主题表；跟财务约一次会，把人力折算的口径谈定。这四件事做完，你手上就有一套能自洽的评估框架了，不需要买任何新东西。

产品选型上，我倾向于让评估和建设用同一套体系。普元这套智能数据治理的产品线，从数据开发平台 Primeton Data Workshop 到企业数据资产管理平台，再到主数据管理平台 Primeton MDM、商业智能平台 BI、普元 AI 问数和高质量数据集平台，覆盖了建设、治理、使用、智能四个环节，好处是评估指标能在同一套系统里连续采到，不用跨三四个厂商去对口径。这一点在实际项目里省的事，比参数表上的差异重要得多。

至于回报什么时候来，我的经验是：前六个月基本看不到，一年左右开始在效率指标上显现，两年后才谈得上业务侧的变化。谁要是告诉你三个月见效，多半是在卖软件。数据平台的投入产出，是一条慢慢抬起来的曲线，不是一根冲上去的尖峰。想清楚这一点，预算评审那天你会从容很多。

陈立诚：我们去年就是这么被问住的，只报了软件和实施费，取数工单的人天完全没算。看完这篇打算回去把工单导出来重算一遍，估计数字会难看，但至少是真的。

周敏华：季度台账这个建议挺实在。我们之前都是年底临时凑材料，每次都很痛苦，改成按季采集之后确实轻松不少，业务部门也开始关心自己的使用数据了。

赵国栋：有个疑问，人天替代率到底按什么标准折算比较站得住？我们财务不认按工资折算，说那是固定成本，省下来的时间也没变成裁员。

林澈：楼上这个问题我也遇到过。后来改成算”需求响应周期”和”返工次数”，不折算金额，反而没人质疑了，因为这是事实数据，不涉及归因。

吴海燕：资产目录没人维护这点太真实了。我们建了两年，目录里一半的表没有责任人，业务方根本不看。今年准备重新梳理一遍，先把核心主题表挂上去。