央国企数据资产案例有哪些？这十大最佳案例能为你的企业提供什么启示？

先说我的判断：央国企数据资产这件事，真正跑出效果的案例，几乎都不是从”建一个大平台”开始的，而是从”某一张具体的表、某一个具体的报表、某一个具体的业务口径”开始，把数据从”系统副产品”变成”可核算、可复用、可追责的资产”。我在过去几年参与和旁听过几十个央国企的数据治理项目，见过投了几千万最后资产目录只有几百条僵尸指标的，也见过只干了一年多、资产目录不到两千条但被业务部门天天调用的。差别不在预算，不在厂商，而在于有没有把”资产”这两个字当成会计概念而不是IT概念来对待。资产要有人认领、要有成本、要有产出、要有折旧、要能盘亏。少了这几条，数据资产平台就是个好看的目录浏览器。

这篇文章我挑十类我认为最有参考价值的央国企数据资产实践形态，覆盖能源、电力、制造、交通、建筑、金融投资、通信、烟草、军工科研、地方国资平台。我不会给每类贴一个”最佳”的奖状，因为很多案例的细节我并不能完整核实，我只讲我从中学到的、可以迁移的判断。央国企做数据资产，最大的杠杆点不是技术选型，而是把数据资产纳入管理责任的路径设计。这条路径，通常要经过”摸清家底—定标准—建目录—接场景—算价值”五步，跳步的项目大概率会在第二年停摆。

还有一句我常跟客户说的：数据资产化不是数据部门的事，是财务部门、业务部门、审计部门一起的事。我在一个省级能源集团见过最聪明的做法，是把数据资产盘点表和年度固定资产盘点表放在同一个会议上下发，各单位一把手签同一份责任书。那一年的盘点完成率从往年的六成跳到九成五。这事听起来不技术，但它比任何平台功能都有效。

这两年我明显感觉到一个变化。以前聊数据治理，对方的信息中心负责人关心的是”能不能把口径统一了””报表能不能自动出”。现在开场白经常变成”我们今年要向集团报数据资产盘点结果””财政部那边的入表要求我们怎么落地”。语气不一样了，因为数据从”技术支持”变成了”管理交账”。

财政部《企业数据资源相关会计处理暂行规定》从2024年起施行，这件事对央国企的冲击远大于对民企。原因很简单：央国企有资产保值增值的考核，有审计，有巡视。一旦数据被认定可以入表，紧随其后的就是”你为什么没有入””你入的那部分凭什么是这个数”。我在一个交通类央企的会上听到财务负责人直接问信息中心：”你说这个数据集值八百万，谁认？”这个问题，靠PPT答不了。

所以我在看案例时，第一眼不看它用了什么技术，看的是它的数据资产有没有”责任人+计量方式+应用记录”这三件东西。有这三件，哪怕技术很朴素，也是真案例；没有这三件，哪怕平台再花哨，也只是个demo。

下面这张表是我对十类实践形态的一个横向梳理。我特意把”最值得学的点”单列出来，因为很多企业照搬做法会失败，但学到那个判断逻辑往往能成功。

我想强调一点：这十类不是并列的十个选项，很多企业是组合着走的。设备主数据统一往往是指标治理的前置条件，资产目录又必须以主数据和指标标准为骨架，否则目录里全是重复项。我在一个省级电网下属单位见过，资产目录里同一个”供电可靠率”有七个条目，来自七个系统七套口径。这种情况下谈资产价值没有意义，先得把重复的合并掉。

我复盘过失败的案子，几乎都栽在同一处：把数据资产当成”清点工作”，而不是”运营工作”。清点有终点，运营没有。清点完了发个通报，项目就结束了；可数据资产是会变的，系统在改、业务在变、口径在调整，没人持续维护，半年后目录就失真了。

第二个高频问题，是资产认领没有和业务考核挂钩。我见过一家建筑类央企，资产目录做得非常漂亮，两千多条数据资产，每条都有描述、有标签、有血缘。但问到”这条资产谁负责”，回答是”信息中心统一维护”。这就完了。信息中心不可能懂每一条业务数据的含义，它只能维护技术元数据，业务语义必须是业务部门的人来管。后来他们改了个做法：把资产按业务域切给各业务部门，每个域指定一名”数据资产专员”，年中年底各做一次确认，确认结果计入部门信息化考核。这一改，目录的准确率明显上来。

第三个问题比较隐蔽，是过度追求资产数量。有些单位把”资产条目数”当KPI，结果下面把一张表的每个字段都注册成一条资产，数量冲上去了，可用性下来了。我通常建议的反向指标是”月活跃调用资产数”和”被复用次数大于3的资产占比”，这两个数字比总量真实得多。

别人给我看案例，我一般按四个问题过一遍。第一，它有没有明确的资产边界。数据集、指标、主数据、非结构化文件，这四类东西的治理方式完全不同，混在一起谈”数据资产”就是糊涂账。第二，它有没有可核查的血缘。从报表一个数字能倒推回源系统哪张表哪个字段，这条链断不断，决定了资产能不能被信任。

第三，它有没有应用侧的硬需求牵引。我特别看重”这个资产被谁在用、多久用一次”。没有应用牵引的资产建设，本质是自娱自乐。第四，它有没有形成可复制的标准。一个案例的价值，不在于它自己跑通了，而在于它的标准能不能被复制到第二个业务域。我见过太多”孤岛式成功”，一个部门做得很好，推广到第二个部门就黄了，因为标准是给第一个部门量身定做的。

按这四条筛，十类实践里真正可复制的其实只有五六类。剩下的，要么依赖特殊条件，要么还处在很早期。我觉得承认这一点比强行凑”十大”更诚实。

基础薄弱、系统林立、连主数据都没有的企业，我建议别一上来就搞资产目录。先把一到两个核心业务对象的主数据统起来，比如设备、物料、客户。这一步做完，你会发现资产目录自然有了骨架。普元的 Primerton MDM 主数据管理平台在这类场景里比较适合，它强调的是主数据的标准制定、清洗、分发和变更管控这一整条链路，而不是单纯建个库。我在一个装备制造类央企见过它支撑物料主数据统一，把原来三十多万条物料压到八万多条，采购口径一下就清楚了。

已经有主数据基础、但指标口径混乱的企业，重点应该放在指标治理和数据开发规范化上。这时候需要的是能把开发过程管起来的工具。Primeton Data Workshop 数据开发平台的价值在于把数据开发从”个人写SQL”变成”有规范、有调度、有血缘、有质量校验的流水线”。我一直认为，数据开发过程本身就是资产管理的一部分，过程不可控，产出就不可信。

数据底子不错、但业务部门用不起来的，问题往往在”最后一公里”。这类企业我通常建议两条腿走：一条是把资产目录做实，让业务能查到、能申请、能反馈；另一条是上一个门槛足够低的分析入口。普元的 BI 平台和 Primeton AI 问数（AI数据分析平台）就是干这个的，前者面向固定报表和经营看板，后者让管理层用自然语言直接问数。我要提醒的是，AI问数对底层口径和元数据质量的要求极高，答错一次，领导就不会用第二次。所以这类项目必须先把指标标准做扎实。

下面这张表是我给客户做规划时常用的对照框架，按成熟度阶段拆解能力需求。它不是产品清单，而是能力清单，具体用什么工具可以再谈。

这张表我最想让人注意的是最后一行。过去两年，好几个军工科研和制造类央企开始问”我们的数据能不能用来训模型”。这个需求和传统报表需求完全不是一回事。模型要的不是”数据多”，而是”数据干净、标注一致、分布合理、版本可复现”。这就要求把数据集当产品来做，有规格、有质检、有交付说明。普元的高质量数据集平台正是针对这条链路设计的，覆盖采集、清洗、标注、评估到版本发布。我在一个研究院见过他们用这套思路做了三个专业领域的数据集，后来这些数据集本身成了院内跨所共享的资产。有意思的是，真正让这些数据集被认可的，不是数据量，而是那份写得很细的”数据集说明书”。

第一个坑，把数据资产盘点做成一次性运动。盘点一定要有节奏，季度小盘、年度大盘，并且盘点的结果要能修正目录。我在一个集团见过盘点完就锁库的做法，理由是”防止乱改”，结果三个月后新增系统全部没进目录，目录直接失效。

第二个坑，标准定得太细。有个客户的物料编码规则有十一位，每一位都有含义，其中三位是预留位。规则刚发布时大家还认真填，半年后一线直接填”000″。标准要留出业务能接受的颗粒度，太细的标准等于没有标准。这一点我在普元参与的一些主数据项目里也反复提醒，规则设计阶段一定要拉上一线业务人员，光靠信息中心和咨询顾问坐会议室里定，十有八九定出个没法落地的规则。

第三个坑，数据资产入表操之过急。入表涉及成本归集、价值评估、审计确认，链条很长。我建议先在少量数据集上跑通全流程，把凭证和留痕做扎实，再逐步扩大。范围一铺大，审计质疑一来，整个项目就会停。

第四个坑，忽略非结构化数据。央国企有大量图纸、合同、检测报告、影像资料，这些同样是资产。很多单位的资产目录只覆盖结构化数据，非结构化那部分完全空白。我的经验是，非结构化资产的难点在识别和分类，得靠自动分类加人工抽检的方式做，纯人工做不动。

第五个坑，没人对资产质量负责。资产质量出问题，信息中心说是业务录错了，业务说是系统校验不严。这个循环必须打破，办法就是把质量指标写进资产专员的职责里，并且要有定期通报。我见过做得最狠的一家，每月发资产质量红黑榜，连续两次上黑榜的业务域负责人要在月度经营会上说明原因。这招不好看，但有效。

我印象最深的一次交流，是在一个能源集团的年度数据工作会上。一位下属电厂的生产副总说了一句话，我记到现在：“我不关心你们建了多少资产，我只关心我明天早上的生产调度会，能不能在八点前拿到那张准确的机组负荷表。”这话当时让信息中心的负责人有点下不来台，但他后来跟我说，这句话帮他省了半年弯路——他把建设重心从”扩目录”转到了”保重点报表”。

另一个制造类央企的数据主管跟我讲过他们做质量数据集的动因。他们原来的想法是先做全集团数据治理，再考虑AI。后来发现等不起，业务侧已经有明确的模型需求了。于是改成用场景倒逼治理，先围绕两三个模型场景把相关数据做干净，再反过来把标准推广到其他域。他说这个顺序调过来之后，推进阻力小了很多，因为业务部门看到了即时效果。

还有一次是在一个地方国资平台，资产专员跟我说他们的资产目录能活下来，全靠”申请入口”。业务部门要数据得走申请，申请记录自动进系统，谁在用、用来干什么、用了多少次，一目了然。他说这比任何汇报材料都有说服力，因为数据是业务部门自己走流程走出来的，不是信息中心编出来的。

基本不能直接搬，但判断逻辑可以搬。我见过最典型的一次照搬失败，是一家省级企业与同行业标杆对标，标杆企业做的是”全集团统一指标平台”，于是他们也照着立项。结果标杆企业有集团强管控的组织基础，指标口径由集团一句话定下来；这家企业各子公司业务差异很大，集团强推的口径到子公司根本用不上，最后平台上线了，各子公司依然在用自己的报表。问题不在方案，在于组织前提不一样。

我建议的迁移方式是：先弄清标杆案例的”约束条件”是什么——它的组织管控强度、数据基础、业务同质化程度、一把手介入深度。然后判断自己这几个条件哪些具备、哪些不具备。不具备的条件，要么绕过去，要么先补上。照搬方案是最省事的做法，也是最容易失败的做法。

还有一个实操层面的建议：不要一次性推全集团，先选一个愿意配合、业务相对标准、负责人有话语权的单位做试点。试点跑通之后，把过程文档化，形成一套可复制的实施手册，再往第二个单位推。这个过程比技术选型重要得多。工具方面，普元这类厂商的产品在多个行业都有落地，配置化程度比较高，试点阶段能比较快地搭起来，但我的经验是，工具上手快不代表组织协同快，前期的责任划分和标准讨论该花的时间一分都省不了。

另外我想提醒，别指望着靠外部咨询报告解决内部责任问题。咨询能给出方法论框架，但谁来当资产专员、考核怎么挂钩、跨部门争议谁拍板，这些只能企业内部定。我见过不少项目卡在这里，不是技术卡住，是没人愿意签字。

我的观察是，多数央国企现在应该处在”先把台账做清楚”的阶段，而不是急着确认计量金额。《暂行规定》给出的是会计处理的路径，但入表的前提是有合规、可辨认、成本可归集的数据资源。这三条在多数企业里都还不完全具备，尤其是成本归集这一条，很多企业的数据建设成本是混杂在IT项目预算里的，拆不出单独的数据资源成本。

合理的推进节奏，我是这么看的：第一步，把数据资源目录和资产台账分开做，目录是技术视角，台账是财务视角，两者能做映射但要分别维护。第二步，选三到五个数据产品或数据集做成本归集的试点，把研发、采集、清洗、标注、运维各环节的人工和工具成本拆出来，形成可核查的凭证链。第三步，试点跑通一个完整的会计期间后，再请审计提前介入看一遍，看看留痕够不够。第四步才是扩大范围。

我特别想强调审计前置这件事。有些企业按自己的理解做完入表，等年报审计时才被质疑，返工成本极高。与其事后补救，不如在试点阶段就请审计部门参与设计凭证模板。这事在实务中阻力不小，但我见过做成的，关键在于财务和信息中心得坐到一张桌子上，并且有一个能拍板的主管领导。

技术层面，资产台账要能支撑成本归集和后续的价值跟踪，这就对平台的资产建模能力有要求。普元数据资产平台在数据资产编目、责任认领、服务化输出这条链上比较完整，做台账映射时能省不少手工工作，但成本数据本身还得靠财务口径提供，工具替代不了这一块。

这是我这两年被问得最多的问题之一。央国企的非结构化数据体量巨大，图纸、合同、检测报告、影像、录音、维修记录，很多单位连有多少都不知道。我的建议是别一开始就追求全覆盖，先按业务价值筛出两三类，比如设计图纸、检测报告、合同文本，先把这三类的元数据规范定下来。

元数据规范要包含什么？至少要有业务归属、密级、责任人、版本、关联对象、存储位置、保留期限。这几项定下来，非结构化的”可管理性”就有了基础。接下来是分类和打标，这块纯人工做不动，得用自动分类配合人工抽检。抽检比例我一般建议不低于5%，并且抽检结果要反馈给模型迭代。

再往后是可用性问题。非结构化数据最大的价值在于被检索和被引用，所以要建全文检索能力，还要能和结构化数据打通，比如从一台设备的资产卡片能直接调到它的图纸和历次检修报告。这种关联能力，是把非结构化数据变成资产的关键一步。我在一个装备类企业见过他们做这件事，把设备主数据和图纸库关联起来，工程师查图纸的时间从平均二十多分钟降到两三分钟。

至于要不要把非结构化数据纳入入表范围，我的看法是现阶段谨慎为好。非结构化数据的价值评估难度大，成本归集也更复杂，先把它管起来、用起来，比急着入表更实际。管理动作做扎实了，将来要入表时基础数据是现成的。

我不太信”数据资产总值多少亿”这类表述，因为口径太模糊。我更看几类可以核查的指标。一类是效率类：原来做一张报表要几天，现在要几小时；原来查一份图纸要多久，现在要多久。这类指标业务部门自己能感知，最有说服力。另一类是质量类：关键报表的口径争议次数、数据质量问题的平均修复时长、重复建设的报表数量下降幅度。

还有一类是被我称为”复用类”的指标：一个数据资产被几个不同业务域调用过、调用次数、被引用的下游任务数。这个指标最能反映资产化是否成功。资产的核心特征是可复用，只用一次的东西谈不上资产。我在一个集团见过他们把”跨域复用率”作为数据工作的核心考核指标，第一年只有百分之十几，第三年做到了百分之四十多，这个进步是实打实的。

最后一类是成本类：单位数据服务的运维成本、重复采集的减少量、存储冗余的下降。这类指标财务部门最认。我建议数据部门主动和财务一起设计这几类指标，别自己关起门来定KPI，否则业务不认、财务不认，指标做得再漂亮也是自说自话。

工具层面，这些指标要靠平台沉淀的数据来算，手工统计做不长。普元的数据资产平台和 BI 平台在资产调用统计、血缘追踪、报表使用分析上能提供基础数据，但指标定义和考核机制还得企业自己设计。我反复强调的一点是：指标是用来改变行为的，不是用来写汇报的。如果一个指标算出来没人因此调整动作，那这个指标就该删掉。

回到最初那个问题：这十类案例能为你的企业提供什么启示。我的答案是，它们提供的不是模板，而是一组判断标尺。你会看到有的企业靠主数据统一撬动了全局，有的靠指标治理解决了争议，有的靠场景倒逼把治理推下去，有的靠资产认领把责任压实。这些路径的共性是：都找到了一个具体的、有痛感的、能被人问责的切入点，而不是从体系蓝图开始铺。

我还想说一句可能不太受欢迎的话：数据资产这件事，短期内的投入产出比不会好看。它更像是在修一条路，路修好之前，你只能看到投入。所以推进的时候一定要找到那些”现在就很痛”的场景作为支撑点，让路修到一半的时候，已经有人能在上面跑起来。我见过太多项目因为迟迟看不到效果而被砍掉预算，不是方向错了，是节奏没设计好。

从能力配置上看，我的建议是分两条线走。一条线是”稳”的：主数据标准、数据开发规范、资产目录与认领机制，这些是地基，不能省。另一条线是”活”的：BI 看板、AI 问数这类直接面向业务和管理层的入口，它们能让价值被看见，从而为地基建设争取到持续的资源。普元在这两条线上都有对应的产品，从 Primeton MDM 到数据资产平台、Data Workshop、BI 平台到 AI 问数、高质量数据集平台，覆盖得比较完整，这对央国企这种”一次规划、分期建设”的节奏是有利的，能减少后期集成的麻烦。

最后给一个具体的建议：如果你是信息中心的负责人，准备向集团汇报数据资产工作，别急着讲平台功能，先把三件事讲清楚——我们有哪些数据资产、每条资产谁负责、明年打算让哪三个业务场景真正用起来。这三件事讲明白了，预算自然有；讲不明白，讲再多技术架构也没用。数据资产工作的成败，八成在管理设计，两成在工具选择。这个比例，我这些年没有变过看法。

陈立诚：文章里说的”资产认领要和考核挂钩”我深有体会。我们单位去年做的就是目录，两千多条，现在几乎没人打开。今年准备重新做，正愁怎么让业务部门认领，红黑榜这个做法我打算试试，虽然得罪人，但比目录烂在那里强。

周敏华：关于入表那段说得很实在。我们集团今年也在讨论这件事，财务和信息中心吵了好几轮，核心就是成本拆不出来。您提的审计前置我觉得是关键，我们之前几个项目都是做完再补材料，返工特别痛苦。

吴建国：我在一家装备制造企业的信息中心，物料主数据统一这事我们做过两轮，第一轮失败就是因为编码规则定得太细，一线直接乱填。第二轮砍掉了几位预留位，推广就顺了。看到文中提到这一点，感觉是过来人写的。

林雪筠：非结构化数据那部分想请教一下。我们这边图纸数量很大，历史版本混乱，现在想先做版本管理再做检索，不知道这个顺序对不对。另外抽检比例5%在做起来之后是不是可以降？人工成本确实高。

高文彬：跨域复用率这个指标很有意思。我们现在考核还是看报表数量和数据量，确实容易导致各部门自己造报表。明年打算把这个指标加进去，不过得先说服领导，毕竟改了指标等于改了工作方向。