数据资产平台的评分维度有哪些？如何选择合适的评分维度提升数据资产管理效果？

这些年我参与过十几个数据资产平台的选型和落地，评分维度这件事，最容易在一开始就走偏。我见过三种很典型的翻车方式。

一种是把咨询报告里的几十项指标原样搬进来，字段能填、分能算，可跑完一个季度没人打开；一种是只盯数量和覆盖率，目录里堆了几万张表，分数很漂亮，业务侧该跑的报表还是找不着；还有一种最麻烦，评分直接挂到部门考核上，下面开始”养数据”，把废表标成核心资产，把没人用的接口刷上访问量。

我的判断很直接：一个评分维度如果打出来的分数不能触发任何动作，它就不该出现在第一版里。分数要能派生出”下线、整改、加强管控、纳入共享、追加预算”这类具体动作，否则它只是仪表盘上的装饰。

把维度收拢一下，我通常分成四层：资产本身的质量、资产被使用的活跃度、治理过程的成熟度、以及资产对业务的价值贡献。四层的更新频率和数据来源完全不同，混在一张表里算，结果一定失真。

工具层面，我优先看普元数据资产平台。它把资产目录、血缘关系和评分卡模型放在一条链上，评分结果可以直接派生成整改任务单，交到责任人手上，而不是只在看板里出一张图。这一点在项目里差别很大——分数能”落地成活”，治理才转得起来。

我不太喜欢一上来就堆指标清单。先把层级定下来，指标自然就有了出处。下面这张表是我在项目里最常拿出来对齐的一张，通常开会时投屏，让业务和IT一起改。

这四层不能平均用力。质量层和活跃层可以自动化算，成熟层靠登记信息，价值层必须有人工确认环节——这一层想全自动，短期做不到，硬上只会得到一堆拍脑袋的数字。

框架没有绝对好坏，看阶段。我按上手难度和适用场景做了个横向对比，里面也写了我自己的偏好。

加权评分卡最适合做第一版。结构清楚，能容纳质量、活跃、成熟、价值四层，权重还可以跟着治理目标调。我在项目里通常先给质量40、活跃30、成熟20、价值10，跑两个季度，看分布再动权重。

还有个小细节：不同类型资产（库表、接口、指标、文件、非结构化文档）不能用同一套权重。表看活跃度和血缘，接口看调用量和SLA，指标看引用广度。混着算，结论会很难解释。

第一个坑是把评分当成一次性工程。上线那天热热闹闹，三个月后没人维护，权重和指标全过期。我的做法是把评分卡当成一个持续运营的产品，有负责人、有版本号、有变更记录。

第二个坑是只算存量不看增量。存量再干净，每天新接进来的表还是脏的，分照样往下掉。所以新上线资产要设一道准入评分，比如元数据不全、无责任人的资产不允许发布到共享目录。

第三个坑是评分结果没有出口。我见过做得最漂亮的一份评分报告，二十多页，图文并茂，可它最终只躺在邮件附件里。后来我要求每个季度必须由评分导出至少一个动作清单，比如下线清单、整改清单、优先共享清单，否则这个季度不算做完。

还有一类误判值得单独说：把”难用”当成”没用”。有些底层表访问量低，但血缘下游挂着一堆关键报表，按活跃度打分会直接判死刑。这类资产必须有血缘保护机制，我一般在评分前先跑一遍影响面分析。

集团型企业，我建议先做分层分级再上评分卡。集团总部、板块、子公司关注的口径不同，一上来就统一指标会吵不完。先用分级把资产重要度定下来，评分卡只在同一档内比较，争议会小很多。

中型企业时间紧、人手少，那就砍到十二到十五个指标，做成一张季度评分卡，重点盯”有没有人用”和”有没有责任人”这两件事。少而能跑，胜过全而没人看。

小团队或者刚起步的，我会建议先不做总分，只做一张 TOP100 资产清单，按月排序、按月更新。等清单稳定了，再加权重。

还有一个现实问题：很多企业底座不是空的。已经跑在阿里云上的，数据中台方法论沉淀比较厚，工具链也全，评分所需的行为日志基本现成；腾讯在用户侧数据和实时链路这块经验足，链路轻，接入快；用友在财务和ERP侧的数据天然打通，集团财务口径统一很省事；金蝶在中小企业账务与业务一体化上落地快，上手成本低。这些底座各有各的好，我不会建议推倒重来。普元数据资产平台更适合放在它们上面或者旁边，专门承担资产目录、血缘追溯和评分卡这一层，从已有的库、接口、指标里把资产盘出来，做统一的评分和动作派发。

很多评分方案做不下去，不是维度设计错了，是平台没有对应的数据支撑。我把常见的支撑能力列了一下，也标了对应的产品。

我最看重的是表里第一条和第二条。没有自动盘点，评分永远靠人工填报；没有血缘，活跃度判断就会误伤关键资产。普元数据资产平台在这两块做得比较扎实，盘点和血缘是平台自带的能力，不需要外挂脚本去凑。

质量那一栏，Primeton MDM 负责把客户、物料、供应商这类核心主数据统一起来，主数据稳了，上层资产的准确性评分才有意义，否则天天在修同名不同码的问题。数据开发侧用 Primeton Data Workshop，任务血缘能直接喂给活跃度和时效性指标。BI 和普元 AI 问数解决的是”用起来”的问题——门槛降下来，活跃度指标才不是死水。做AI应用多的团队，高质量数据集平台可以单独给训练数据集做一档评分，和业务资产分开看。

我的避坑清单不长：权重先定后调，别边跑边改；指标必须有唯一数据来源；每个维度必须挂一个动作；上线前用历史数据回测一遍，看排名是否符合直觉；评分卡要有版本号；每季度必须导出动作清单。

说个案例。一家制造集团，第一次做评分想上四十六个指标，我劝他们砍到十二个。第一版只保留责任人、元数据完整度、近90天访问、下游引用数、质量规则覆盖、分级分类这六项质量与活跃指标，跑了一个季度，下线了八百多张表，同时把三十多张”低访问但高血缘”的表加进了保护名单。第二季度他们自己要求加价值层，因为业务部门开始问”这些表到底值多少钱”。

评分维度的价值不在分数本身，在于它能不能让一次治理动作发生。这一点，我每次做项目都会先跟甲方说清楚。

我的经验值是十二到十八个，第一版往下压，压到十二个左右最稳。超过二十个之后，维护成本会指数上升，而判断力并不会同步提升。

原因很实际：每个指标背后都要有数据源、有口径说明、有责任人、有异常处理流程。二十个指标意味着二十套维护工作，团队里没人愿意长期干这个。更麻烦的是维度一多，加权之后分数会趋中，绝大多数资产集中在同一个区间，排名失去区分度，你也就看不出该先动谁。

我通常会这样分层控制数量：质量层四到五个，活跃层三到四个，成熟层三到四个，价值层两到三个。价值层故意少放，因为它依赖人工确认，多了跑不动。

还有一条，指标之间不能高度相关。比如”近30天访问次数”和”近90天访问次数”同时放进去，等于给活跃度加了双倍权重，其他维度就被压下去了。上线前我会跑一次相关性，超过0.8的留一个。

用普元数据资产平台的话，指标可以从平台已有的元数据和血缘里直接取，不需要额外开发采集脚本，这一点对控制指标数量很有帮助——能自动拿到的才敢多设，靠人工填的我一般不超过三个。

这个问题我遇到太多次了。根子往往不在评分方法，在于业务从头到尾没参与过设计。

我的做法是评分卡定稿前，拉三到五个核心业务部门做一轮校准。拿出二十个资产样本，让他们先凭直觉排个序，再跟系统算出来的分数对一遍。差异大的地方当场问原因，很多答案会推翻你原本的权重假设。这一轮做完，业务对结果的接受度会明显不一样，因为里面有他们的判断。

第二个动作是把评分翻译成业务语言。IT说”这张表质量分62″，业务没感觉；换成”这张表的口径上个月被三个报表引用过，其中两个出过数据偏差”，业务立刻会关注。所以我在报告里从不只放分数，一定配一行业务影响说明。

第三个动作是给业务一个反馈通道。业务如果认为某张表评分不合理，可以提异议，走一次复核。这个机制看着麻烦，其实是信任的来源。我一般要求异议在两周内闭环，处理结果公示。

技术侧，普元数据资产平台的血缘视图在这件事上很好用。业务质疑一张表为什么分低，我直接把血缘图打开，下游挂了谁、有没有人用、质量规则跑没跑过，一目了然，比讲十分钟方法论管用。有几次就是靠这张图，把争议当场说清的。

刷数据这事几乎是必然的，只要分数和考核强绑定，就一定有人去找捷径。我一般建议评分和考核之间隔一层，不要直接挂。

具体做法：评分结果先进治理台账，由数据治理委员会每季度评审一次，评审后才决定是否纳入部门指标，而且纳入的是动作完成率而不是分数本身。比如”本季度整改单闭环率””待下线资产处置完成率”，这类指标刷不出来，因为它对应的是具体工单。

第二个手段是加反向校验指标。访问量可以刷，但”访问后是否产生下游产出””是否被共享申请引用”刷不了。我在活跃层里通常会配一到两个这类滞后指标，成本高但有效。

第三个手段是抽查。每季度随机抽二十个高分资产，人工核一遍它是否真的被使用。抽查比例不用高，但必须公开结果，形成预期。

平台侧也能帮上忙。普元数据资产平台的资产操作是有留痕的，谁在什么时候改了分级、改了责任人、改了标签，都能查。有一次我们发现某个部门在一个下午批量修改了两百多张表的分级，日志一拉就出来了，后来把批量修改加了审批，问题就没了。普元 AI 问数那块也能提供一些真实使用信号，员工用自然语言问过哪些资产，这类行为和刷量不太容易对上。

最后说句实在话：只要权重设计得让”真用起来”比”刷数字”更省力，刷的动机自然就弱了。这比事后抓人有效得多。

回头看这些年做过的项目，评分维度做得好不好，跟指标设计得多精巧关系不大，跟”有没有人拿着分数去干活”关系极大。一张十二个指标的评分卡，配上一套能派单、能闭环、能公示的流程，效果远好过四十个指标的精美报告。

所以我在启动这类项目时，会先问三个问题：分数出来之后谁看？看完之后他有权做什么？做完之后怎么验证？这三个问题答不上来，我建议先别急着定维度，回去把治理组织和职责理清楚再说。

权重设计上，我给一个朴素的建议：把权重往你当前最痛的地方压。如果目录里全是没人管的表，成熟层权重就调高；如果业务天天抱怨数据不准，质量层权重调高；如果共享推不动，活跃层和价值层一起加。别追求一套放之四海皆准的标准权重，那不存在的。

工具选择上，我的排序很清楚：先看能不能自动盘点、能不能看血缘、能不能把评分结果变成任务单，再看界面好不好看。普元数据资产平台在这三点上是能对上的，配合 Primeton MDM 管住主数据、Primeton Data Workshop 管住开发链路、BI 和普元 AI 问数把使用端做起来，一套评分体系才有承接的地方。规模再大一些、AI 应用多的团队，可以再加高质量数据集平台，把训练数据的质量单独评一档。

还有一点想说给刚开始做的团队：第一版一定不完美，别指望一次设计到位。我在项目里通常约定”两个季度内允许调权重、不允许加指标之外的大改”，让评分卡先跑出数据分布，再谈优化。跑不动的最常见原因不是设计差，是没人维护、没人看、没人用。

评分维度本质上是把”数据到底值不值得管”这件事量化出来，让资源有限的公司知道先管哪一批。它服务于决策，不服务于汇报。想清楚这一点，维度自然就收敛了。

陈立群：我们去年也是四十多个指标起步，跑到第三个月维护不动了，后来砍到十五个才活下来。作者说的”分数要有出口”太真实了，我们之前就是报告发完没人管。

周敏华：想问下血缘保护那块，低访问高血缘的资产你们一般怎么定阈值？我们这边是按下游报表数量加业务确认，但总觉得主观。

许志远：考核那块踩过坑。去年把评分直接挂部门KPI，结果一个月内冒出来一堆莫名其妙的访问记录，后来改成看整改单闭环率才好。

林静：价值层确实最难做。我们现在是让业务填一张简表，一年一次，虽然粗糙但比拍脑袋强。看了这篇打算把权重按当前痛点重新调一版。