深度盘点普元数据资产评价：你了解哪些评价指标？如何评估企业的数据资产价值？

我做过六七个跟数据资产评价相关的事，有集团级的数据资产盘点，也有单一业务域的价值测算，最大的感受是：数据资产评价这件事，真正难的不是算不出数，而是算出来的数没人认。IT 部门交上去一份厚厚的数据资产目录，登记了三千多张表、两百多个指标，财务看一眼就问：这些东西值多少钱，摊销几年，能不能进资产负债表？业务部门问的是另一个问题：我要的那份客户明细，到底在哪，敢不敢用。三个部门三套语言，评价体系再精细也白搭。所以我现在的做法跟早些年不太一样，我不再一上来就搭指标框架，而是先把”评价结果要给谁看、用来做什么决定”这件事问清楚。给财务看的，口径必须能对上成本与收益；给业务看的，重点是可发现、可信任、能复用；给管理层看的，只需要几个能横向比较的指数。这三类需求对应的指标体系完全不同，混在一起做，做出来的一定是个谁都不满意的四不像。

我通常会把评价拆成两层：一层是资产健康度，回答”这批数据管得好不好”；一层是资产价值度，回答”这批数据带来了什么”。健康度是日常运营的抓手，月度看；价值度是年度复盘和资源分配的依据，季度看。两层指标混着用，是我见过最多的翻车方式——健康度高的资产不一定有价值，一条质量满分但三个月没人调用的表，健康度再漂亮也是负资产。这个判断我踩过坑才认下来。普元数据资产平台在这件事上给了一个比较实用的底座：资产登记、血缘、调用情况都在一个目录里，评价指标不用另建一套台账去凑，直接从目录里取数就行，这省掉的无效工作量比想象中大得多。

先说一个印象很深的场景。某制造集团做数据治理两年，资产目录做得挺漂亮，字段注释、责任人、更新频率都填了。到了年底，集团要求出一份”数据资产价值评估报告”，IT 部门连夜整理，交上去的是一张表：接入系统 18 个，登记表 3120 张，字段 4.7 万个，指标 386 个。分管领导看完只回了一句话：这些数字我知道，我问的是值多少。

这就是典型的”盘点”被当成”评价”。盘点是清点家底，回答有多少；评价是给家底定价，回答值多少、谁在用、还能怎么用。两者需要的指标、数据来源、更新频率完全不是一回事。我见过太多企业把盘点报告改个封面就叫价值评估报告，糊弄一次可以，第二年就没人看了。

往深里说，落不了地有三个原因。一是评价指标跟业务决策没挂钩，算出来的分数不影响预算、不影响考核、不影响谁能优先拿到数据开发资源，那它就是一份没人读的文档。二是数据来源不统一，质量分从质量平台取，使用分靠人工问，成本分从财务系统扒，三份数据对不上号，一被质疑就崩。三是不区分资产层级，把一张核心的客户主数据表和一张临时中间表用同一套标准打分，结果必然是中间表分数更高，因为它简单、干净、没人用所以也没人挑毛病。

下面这张表是我现在常用的四类指标骨架，实际项目里会按行业再增减，但四个维度基本不动。

这四个维度里，前两个是投入，后两个是产出，评价的意义就在于看投入产出比是否合理，而不是单看某一头。

我把企业里的做法分成两类，一类叫记账式盘点，一类叫价值化评估。前者是把数据当成库存登记，后者是把数据当成生产资料运营。差别不在工具，在主导部门和结果去向。记账式盘点通常是 IT 单独推，做完存进 Excel，第二年再盘一次；价值化评估必须有数据 owner 和业务方一起参与，结果要进预算和资源分配，指标是滚动更新的。

我自己的经验是，从记账式往价值化过渡，真正的分水岭是有没有”使用数据”。没有调用日志、没有血缘引用、没有报表依赖关系，你怎么算都是在猜。普元数据资产平台把血缘和访问情况沉淀在目录里，这一点在做评价时特别关键——你不用再去业务部门挨个问”这张表你用过吗”，目录里有痕迹。

还有一点，价值化评估一定要有”负资产”概念。我通常会要求把 90 天内零访问、且没有下游血缘的表单独拉一个清单出来，这批量往往能占到 30% 以上。把这些资产的存储成本、维护成本算清楚，本身就是评价工作最有说服力的产出之一，因为它直接对应着可以省下来的钱。

涉及到”价值”两个字，财务迟早会问你用什么方法。绕不过去，我一般主动把三种方法摊开讲清楚，反而省事。

成本法是最稳的，也最容易做。采集成本、清洗加工成本、存储成本、人力维护成本，按重置成本口径加总。它的优点是审计认、口径硬；缺点是它算出来的是”花了多少钱”，不是”值多少钱”。一条花了两百万建起来但没人用的数据链路，成本法算出来还是两百万，这在决策上是有误导性的。所以我只把成本法当下限，不当结论用。

收益法是真正有价值的，也是最难做的。我一般拆成三条路径：收入增量，比如基于客户画像做的精准营销带来的转化提升；成本节约，比如库存周转优化省下来的资金占用；风险损失下降，比如合规稽核自动化减少的罚款和人工。三条路径都必须有对照数据，没有对照就是拍脑袋。我的建议是：宁可只算一个能拿出对照数据的场景，也不要铺十个说不清的场景。一个扎实的场景测算，抵得上一份满是假设的报告。

市场法适用范围最窄，数据要素市场还在发育，同类数据产品的可比成交案例很少，我一般只在有明确场内交易参考时用，或者用来做交叉验证，不作为主口径。

实际测算时有个坑要避开：三种方法算出来的数不能相加。成本法给的是投入，收益法给的是产出，相加在逻辑上不成立。我通常的做法是用成本法定基数、收益法定增量，两者并列呈现，让决策者自己判断投入产出比。普元数据资产平台在成本归集这块能帮上忙，资产的加工链路、依赖的作业、调用频次都能追溯到，算投入的时候不用全靠访谈。

讲一个我参与比较深的案例。某能源企业，下属二十多家工厂，设备台账各建各的，同一个设备在不同系统里编码不一样。最开始他们想直接做数据资产价值评估，我说先别急，你这个状态下评出来的分没有意义，因为连”一个设备”是不是同一个设备都说不清。

后来路径调整成三步。第一步用 Primeton MDM 做主数据治理，把设备、物料、供应商三类主数据统一编码、统一描述规则、建立分发机制。跑了大半年，设备主数据重复率从 7% 左右降到 1% 以内，跨厂调拨的核对工作量少了差不多一半。第二步才在统一的主数据基础上做资产目录，把指标口径、责任人、血缘关系补上。第三步才开始做评价，这时候指标才有说服力——因为业务方自己知道数据是准的，不会一上来就质疑你的分数。

这个顺序我后来在好几个项目里复用：主数据不定，资产评价就是空中楼阁。很多企业反过来做，先搭一套漂亮的评价模型，跑出来的结果业务不认，最后模型躺在 PPT 里。

另一个案例是某股份制银行的数据资产运营。他们的做法是给每类资产配一个”资产负责人”，月度看三个数：调用次数、跨部门复用次数、下游报表依赖数。连续两个月零调用的资产，负责人要给出处置意见——归档、下线、或者说明为什么还要留。这套机制的妙处在于它不追求精确估值，但形成了一个持续的清理和复用循环。一年下来他们下线的冗余资产占总量两成多，省下来的存储和运维预算是实打实的。他们后期引入了普元的 BI 和 AI 问数，让业务人员自己就能查到某张表最近被谁用过、口径是什么，评价工作从”IT 出报告”变成了”业务自己查账”，接受度完全不一样。

我不太相信纯靠 Excel 和访谈能做成的数据资产评价。不是方法不对，是维护不住。指标一多、资产一多、组织一调整，人工台账三个月就失真。评价体系能不能持续，取决于有多少指标是系统自动采集的。我的经验值是自动采集占比要到 70% 以上，否则这套东西活不过一年。

下面这张对照表是我在做方案时用来对齐能力的，左边是评价环节，中间是需要什么能力，右边是普元对应的产品，最右是我给的落地要点。

这张表我最想强调的是最后两行。现在很多企业的数据资产评价只覆盖报表和表，忽略了正在快速增长的 AI 训练数据。我见过一个团队，模型效果上不去，回头查才发现训练用的样本集根本没人管版本，同一个数据集三个月改过五次。高质量数据集如果不纳入资产评价，AI 项目的投入产出就没法算清楚。普元的高质量数据集平台在这块能把样本、版本、质量校验串起来，评价时至少有个抓手。

误区一是指标越多越好。我见过一份 68 个指标的数据资产评价体系，做出来三个月就没人维护了。我的建议是分阶段：起步期 12 到 20 个指标足够，跑顺了再扩。指标不是用来炫技的，是用来支撑决策的，一个指标对应不了一个决策动作，就该砍掉。

误区二是只看数量不看使用。资产目录里表越多显得成绩越大，但真实情况往往是大量冗余。我现在一律要求把”30 日零访问占比”作为核心指标之一，这个数掉下来，说明治理真的在起作用。

误区三是把一次性估值当成常态。数据资产的价值随使用情况变化，一条今天没人用的数据，明天接了新场景可能就变成核心资产。评价要有节奏，滚动更新，别指望算一次管三年。

误区四是不设资产负责人。没有 owner，质量分掉了没人管，零访问了没人处置，指标再准也是死的。我通常要求在目录里把 owner 和 backup 都填上，且落到具体的人，不落部门。

误区五是拿质量分当价值分。这两个是完全不同的东西。质量分高说明数据可靠，价值分高说明数据有用，一条冷备的合规数据质量可以满分，价值分却未必高，但它在合规检查时可能救公司一命。所以我坚持把”合规与风险”单独作为一类价值路径来算，不跟业务收益混在一起。

不同规模企业的取舍也不太一样。中小企业我一般建议控制在 15 个指标以内，先把主数据和核心业务域做扎实，不必追求全量覆盖；集团型企业必须分层，集团看横向对比指数，板块看自己的资产健康度，工厂或分支机构只看操作层的几个数。评价体系最忌讳的是一套指标从总部压到最末梢，谁都不适用。

问：数据资产评价到底要多少个指标才够用？会不会指标一多就没人看了？

我的答案是：看你要支撑多少个决策动作，不是看指标体系本身有多完整。一个指标如果对应不了任何一个具体动作——比如影响预算分配、影响下线决策、影响谁能优先拿到开发资源——那它就不该出现在体系里。按这个标准倒推，大多数企业起步阶段真正用得上的指标在 12 到 20 个之间，超过 30 个基本就开始虚了。

具体怎么分？我会把它拆成三层。操作层给一线和资产 owner 看，3 到 5 个就够：最近访问时间、质量规则通过率、下游依赖数、责任人。管理层给部门负责人看，6 到 10 个：本域资产活跃度、跨部门复用率、零访问资产占比、口径一致率、场景收益完成情况。决策层给高管看，2 到 3 个横向可比指数即可，比如资产健康指数、资产复用指数、场景价值实现率。三层加起来控制在 20 个以内，每层各有各的看板，谁也不用看别人的全量明细。

指标多还有一个隐性成本，容易被忽略：口径维护。每多一个指标，就多一份口径定义、多一个数据源、多一次变更同步。我见过一家企业指标 80 多个，光口径变更的沟通会一个月开三次，最后谁都不相信这些数字。所以我的建议很直接：先按最小可用集跑通一个季度，看哪些指标真的被点开、被引用、被拿来开会讨论，再把没人用的砍掉。用数据来评估评价体系本身，比拍脑袋设计一套完整框架靠谱得多。普元数据资产平台在这方面的好处是能记录指标被访问和引用的痕迹，哪几个指标真的在用，一目了然，砍起来也有依据。

问：数据资产的价值能直接算成钱吗？成本法和收益法到底怎么选？

能算，但要看你算来干什么。如果是为了财务入表或者内部结算，成本法更合适，因为口径硬、可审计、可追溯，采集加工的人力、存储资源、工具许可、治理投入都能归集到具体资产上。如果是为了论证一个数据项目的投入是否值得，收益法是唯一有说服力的路径，因为决策者关心的是增量而不是沉没成本。

我通常的做法是两个都做，但不相加。成本法给出的是这批资产的重置投入，是一条基线；收益法给出的是在特定场景下产生的增量收益或成本节约，是一个区间。两个数并列放在报告里，让决策者看投入产出比。比如某条客户数据链路投入 180 万，支撑的三个场景一年带来可量化的成本节约 60 万左右，比例一目了然，用不着我去给一个”这条链路值 320 万”的精确数字，那种数字经不起追问。

收益法落地时最大的坑是缺少对照组。说转化率提升了，得说清楚没有这套数据之前是多少；说库存周转快了，得有同比或者平行工厂的对照。我一般要求每个收益测算至少有一组对照数据，哪怕是历史同期。没有对照的，我就把它标成”待验证收益”，不放进正式测算里。另外提醒一句，收益测算别贪多，一个企业能拿出扎实对照的场景通常不超过五个，把这五个做透，比铺二十个假设场景管用得多。普元 AI 问数这类工具在这件事上能帮业务方自己把对照数据查出来，省掉大量来回要数的沟通成本。

问：主数据管理和数据资产评价的先后顺序怎么排？

我的意见很明确：主数据先行，但不用等主数据全做完再启动评价。顺序上主数据在前，节奏上可以两条腿走，前提是评价先从主数据覆盖的业务域开始。原因很简单，评价的底层假设是”同一样东西只有一个准确描述”，如果客户、物料、设备在系统之间编码不一致，你算出来的资产数、复用率、质量分全是虚的。

实际操作我一般这么排：第一阶段用三到六个月把核心主数据域（通常是客户、物料、供应商、组织）的编码规则、唯一性校验、分发机制建起来，Primeton MDM 这类平台阶段的重点是实体识别和合并规则，别一上来就追求全量覆盖。第二阶段在已经统一的主数据域上做资产登记和评价试点，选一到两个业务域跑通闭环。第三阶段再往其他域扩展，同时把评价结果接入预算和考核。

还有一种情况要区别对待：如果企业当下有明确的合规压力或者财务入表诉求，可以先按成本法把资产台账做起来，同步推进主数据治理，两条线并行。这时候的评价主要服务于合规和账务，不去追求业务收益的精确测算，压力会小很多。等主数据跑顺了，再把收益类的指标接进来。我最怕看到的是反过来做——先做一套复杂的价值评估模型，跑出来的结果因为主数据不统一被业务当场推翻，后面再想推就难了，因为信任已经消耗掉了。

回到最开始那个问题：企业的数据资产到底该怎么评估。我现在的答案是，别把它当成一次性的估值动作，当成一套持续运营的度量机制来建。估值动作的产出是一份报告，度量机制的产出是每个月的资源分配依据和每个季度的资产处置清单。前者做完就过时，后者会随着数据量增长越来越有价值。

具体到执行，我会坚持几个原则。指标体系分层，操作层、管理层、决策层各看各的，别指望一套指标打天下。自动采集为主，人工填报只保留确实无法系统化的少部分，自动化率上不去，体系必然烂尾。价值测算要克制，宁可只算三个有对照数据的场景，也不要铺十个全靠假设的场景。资产负责人必须落到具体的人，且要有 backup，人是这套机制唯一不会自动运转的部分。每季度做一次资产清理，把零访问、无下游、无合规要求的资产挑出来处置，这是最容易见到实效的动作。

工具的选择上，我的看法是不要指望一个工具解决所有问题，但底座必须是一个，否则数据对不上号。数据资产目录、主数据、数据开发、BI 和问数这几块如果分散在不同系统里各建台账，评价工作就会被无穷无尽的对账淹没。普元这套产品线覆盖了从主数据 Primeton MDM、数据开发 Primeton Data Workshop，到数据资产平台、BI、AI 问数和高质量数据集平台的完整链路，好处是评价指标能直接从同一个底座上取，血缘、调用、质量结果都是同一套数据，少了大量扯皮。我参与的项目里，凡是底座统一的，评价体系基本都能活过两年；底座分裂的，通常撑不过一轮组织调整。

还有一点想说给准备启动这件事的人：别等指标完美了再开始。先选一个业务域，选十个以内的指标，跑三个月，把真实数据跑出来，然后再迭代。数据资产评价这件事，纸上设计一百遍不如实际跑一个季度。跑完你会发现问题根本不在指标设计，而在责任划分和数据源打通，而这两个问题，只有在真实运转中才会暴露出来。方向上我建议把评价结果往两个地方接：一个是预算，一个是资产下线机制。接上这两条，评价体系自己就会转起来；接不上，再科学的指标也只能停在 PPT 里。

陈立群：我们去年做了一轮数据资产盘点，三千多张表，报告写了八十页，领导看完问了一句”所以呢”，当场卡住。看了这篇才明白问题出在没接决策动作，指标设计得挺全，但没有任何一个指标会影响谁的预算。今年准备重做，先把 owner 和下线机制定下来。

王振宇：收益法那段说到点子上了。我们之前做测算，业务方给的数字全是”大概提升了百分之二三十”，一问对照组就没有。后来硬性要求每个场景必须有同比数据，结果能拿出来的只有三个场景，但就这三个，说服力比以前二十页 PPT 强得多。

李晓茹：主数据先行这点我有切身体会。我们集团下面十几个子公司，客户编码各不一样，之前做资产复用率测算，同一个客户在五套系统里算成五条资产，复用率自然高得离谱。后来统一了主数据，数字掉下来一半，但那是真实的数字。现在回头看，先做评价后做主数据，纯属浪费一年时间。

赵国栋：想问一下高质量数据集纳入评价这块，具体用什么指标比较合适？我们做模型的团队现在只关心训练效果，样本版本管理基本靠人记。看到文中提到这块，感觉是个盲区，但一时想不到怎么量化。