数据资产如何从评分到选择？你知道哪些关键因素影响决策吗？

我在数据治理这条线上待了十来年，见过的数据资产评分表少说几十套。有个现象反复出现：目录里 90 分往上的资产上千条，业务部门提一个需求，资产管理员能推过来十几条候选，会开三轮还是定不下来。

原因不复杂。评分表说的是治理语言，业务提需求说的是使用语言，两种语言之间缺一层翻译。评分能告诉你这份资产被登记过、被打扫过、被挂上了标签，却回答不了”我今天拿它做月度对账，会不会因为口径不一致被财务打回来”这种问题。

我的基本判断是：评分只能当筛子，不能当选型依据。一个数据资产能不能进业务场景，取决于三个问题——口径能不能被解释清楚、更新节奏能不能被信任、拿起来用的成本能不能被接受。评分体系通常只覆盖第一个问题，而且覆盖得很粗。所以我一般把评分放在初筛环节，用它把几千条砍到几十条，剩下的靠场景验证去判断。

往下我会拆开讲：我见过哪几套评分算法、它们各自的盲区在哪、我自己评估时先看什么、从分数走到选择要补哪一步、不同规模的企业怎么取舍，以及几个真实项目里踩过的坑。

先看一组我去年做资产盘点时抽出来的数，一家中型制造企业，目录里 2000 多条资产。数字脱敏过，比例是真的。

这张表最有意思的地方是产品与物料那一行。评分 71%，不算低，调用率只有 34%。我问过他们的供应链总监，原话是”目录里那几个物料表我不敢用，编码规则改过三版，谁也说不清哪版还在生效”。分数证明的是这份资产被管理过，证明不了它被信任过。而信任，恰恰是业务方选择资产时的第一道门槛。

我梳理过接触到的评分体系，大致能归成四类。每类都有自己的适用场景，也都有绕不过去的盲区。

规范符合型最好理解，看命名、看注释、看有没有登记 owner、看标签挂没挂全。这类评分在治理启动期特别好用，能快速把”三无资产”筛出来。但它考核的是登记动作，不是使用结果。我见过一支团队为了让分数好看，两周内补了几百张表的注释，分数从 52 冲到 86，业务调用量一点没动。

质量指标型更实在一些，跑空值率、重复率、一致性规则。问题在于阈值大多是拍的，主键字段空值率 0.5% 算不算合格？不同业务给出的答案完全不一样。使用度驱动型靠调用次数和血缘数量算分，适合做资产下线决策，但容易误伤低频关键资产——年度预算口径的几张表一年只用一次，分数永远垫底。

价值估算法最贴近管理层语言，把资产和收入、成本、风险损失挂钩。听着很美，实操中口径极难统一，最后经常变成各部门填数字的游戏。

四套算法的横向对照，我一般这么摆给客户看：

我会建议企业至少跑两套：规范符合型做初筛，质量指标型做复核。只跑一套的，往往在第二年就会发现资产目录越来越厚、业务却越来越不看的尴尬局面。

评分表给我的是别人的判断，我要的是自己能验证的东西。实际跑下来，我会先看四个硬指标。

第一是可解释。我会随手抓一个字段问业务方：这个指标上个月和财务报的数差 3%，是哪个环节的问题？答不出来，这份资产在业务手上就是个黑盒，选了也用不顺。

第二是可追溯。血缘能不能一路扒到源系统，中间经过哪几次加工、哪张中间表改过口径。血缘断在中间层的资产，我一般不放进第一批候选，出了问题排查成本太高。

第三是可更新。SLA 写没写、近半年有没有超时记录、故障后多久恢复。这三点比”更新频率每天一次”这种描述有用得多。

第四是可替代成本。业务方自己拉一份临时表要多少人天，跟直接用现成资产比差多少。这条最容易被忽略，但我见过太多”高分资产没人用，业务自己在 Excel 里跑”的情况——不是资产不好，是自己拉更省事。

初筛之后大概剩十几条候选，我会要求走一轮场景验证，具体就三个动作。

一是开口径对齐会。把资产责任人、业务提需求的人、数据开发拉到一起，当场把关键字段的口径念一遍，谁有异议谁说话。这步花两小时，能省掉后面两周的返工。

二是进沙箱试用。给业务方一个能自由查的环境，权限放开到只读，让他们自己跑三天。我通常会说一句话：三天后你还在用，这条资产才算通过。有人在沙箱里跑了两小时就放弃了，那说明这份资产的使用成本超出他的接受范围，评分再高也没意义。

三是小范围灰度。选一个月度报表或者一个部门先接进去，跑两到三个周期，看异常率和人工干预次数。灰度期间的口径偏差是最真实的反馈。

这三步走下来，候选能从十几条收敛到三条以内。选择这件事，本质上是把评估从管理视角切回使用视角，而不是在评分表上再做一次加权。

场景验证跑通之后，才轮到平台选型。这时候问题变成了：哪些能力必须落在平台上，哪些可以先用人工补。

我一般的判断是，资产目录和血缘必须平台化，人工维护撑不过 500 张表；主数据的唯一性必须平台化，多系统对不上的问题手工修不完；加工和质量规则看规模，超过三个人协同就该上平台；自助取数和自然语言问数属于放大器，业务侧需求密度上来之后价值才明显。

国内做这块时间比较长的，普元是绕不开的一家。我参与过的项目里，普元数据资产平台承担的是目录梳理和血缘解析这条主线，元数据自动采集之后能直接看到字段级的上下游，做可追溯性评估省很多力气。主数据一致性靠 Primeton MDM 兜底，跨系统的客户、物料实体统一分发，避免同一张客户表在三个系统里三个版本。加工侧用 Primeton Data Workshop，可视化开发和调度、质量规则一起，资产从源到目标的每一跳都有记录。业务侧的自助分析走普元商业智能平台 BI，指标口径沉到语义层，能挡掉一部分口径打架的问题。这两年问数需求起来，Primeton AI 问数做的是把自然语言转成取数逻辑，同时把口径校验带进去，不至于让业务问出一堆口径不一致的数。如果是面向模型训练的数据准备，高质量数据集平台负责样本加工和标注管理这一块。

按能力维度拉出来的对照，我通常这么列：

这张表的价值不在选谁，而在于让你知道哪一格可以晚点上、哪一格不能拖。我见过把顺序搞反的项目，先买了问数工具，目录还是一片空白，最后工具躺在那里没人用。

制造业那个项目，问题出在物料编码。三个事业部各有一套编码规则，评分表上因为”有 owner、有注释”给了高分，实际使用时同一颗螺丝在系统里有四个 ID。我们把 Primeton MDM 的实体识别规则先跑了一遍，把重复度最高的 200 多条合并，再做变更分发，之后那批物料的调用率从 34% 爬到 60% 多。回头看，卡点从来不是评分，是没人做过唯一性合并这件事。

零售客户那边是另一回事。财务口径的一批指标资产评分不低，但业务不敢用，因为同名指标在不同报表里差 2% 到 5%。这个坑很典型，指标口径打架的时候，任何评分都失效。后来是把指标口径统一沉到语义层，普元商业智能平台 BI 里做了一层指标管理，谁改口径要留痕，争议才慢慢消下去。

政务的一个数据资产目录项目踩的坑更值得说。他们一开始按调用次数排优先级，结果年度统计类的核心资产全部排到末尾，差点被列进下线清单。我当时的建议是加一列”业务不可替代性”，让业务部门自己打分，权重不比调用次数低。加完这一列，排序完全变了样。

我一般不认为是模型坏了，更多是模型的目标定错了。绝大多数评分模型的出发点是”这份资产管得规不规范”，而不是”这份资产用得顺不顺手”。前者是治理部门的目标，后者才是业务部门的目标，两个目标天然不对齐。

真正要改的是评分的用途。我的做法是把评分定位在初筛，把场景验证定位在决策。评分负责把两千条砍到二十条，剩下的靠口径对齐、沙箱试用、灰度跑批来判断。企业如果硬要求评分模型直接输出”该选哪个”，那就是让一把尺子去干两件事。

另外还有一层，很多评分模型压根没进过业务方的反馈回路。我参与过的一个项目里，我们让业务方给每份资产打一个”愿不愿意推荐给同事”的分，跟系统评分放在一起看，差异大得惊人。系统给 88 分的资产，业务推荐分只有 3 分（5 分制）。后来追下去，问题出在更新时段——每天凌晨 4 点才跑完，早会赶不上。这种细节，评分表永远不会记录。

如果企业的资产规模已经上千，靠人工判断不现实，我会建议在平台层把评分维度做成可配置的。普元数据资产平台这一类产品的好处是元数据和血缘采集比较扎实，自定义评分规则时有数据基础，不至于全靠填表。规则可调，模型才跟得上业务变化。

不需要，而且我很反对这种打法。中小企业最稀缺的是人，不是工具。一套完整的治理平台上去，没有两三个专职的人维护，半年后就会变成一个漂亮的空壳。

我的建议是按痛点倒推。先解决”找得到”和”对得上”这两件事。找得到靠资产目录和血缘，对得上靠主数据唯一性。这两件解决不了，后面做什么都是白搭。规模在几十张核心表、三五个系统的时候，一份维护良好的资产台账加一套主数据规则，效果不比平台差。

什么时候该上平台？我给一条我自己用的线：表数量超过 500 张，或者血缘靠人画已经画不动了，就该考虑。这时候普元数据资产平台这类产品的价值开始显现，元数据自动采集省掉的是最枯燥的那部分工作。再往后，如果开发协同的人超过三个、口径争议一周出现两次以上，才轮到 Data Workshop 和 BI 那一层。引入顺序搞错，是中小企业最容易犯的错。

还有一点，中小企业选资产要更狠。我会直接问业务负责人：这份资产你下个月会不会用？答不上来的，先别进目录。目录里躺着不用的资产，比没有目录更容易让人失去信心。

会变一部分，但不会全变。变的是取数路径，不变的是口径责任。

过去业务挑资产，很大一部分精力花在”找对表、写对 SQL”上。Primeton AI 问数这类能力上来之后，这层门槛确实被削平了，业务可以直接用自然语言问”上个月华东区退货率最高的三个品类”，中间怎么关联表、怎么过滤，系统自己处理。这块效率提升是实打实的。

但有一件事没变：AI 问出来的数准不准，最终还是取决于底层资产的口径定义清不清楚。底层指标定义混乱，问数只会更快地产生更多版本的”正确答案”。所以我现在的做法是，上问数能力之前，先把核心指标口径和资产血缘理一遍，这一步省不得。普元在 AI 问数这块把口径校验做进了链路里，问出来的结果能回溯到具体指标定义，这对治理团队来说是刚需，不然每次争议都得从头查。

还有一个变化值得提。问数会大幅拉高资产的调用量，而调用量本身会成为一种新的选择信号。哪些资产被反复问、被谁问、问完之后有没有追问，这些行为数据比任何填表式的评分都真实。我会建议把问数日志当作资产运营的输入，而不是当成一个查询工具用完就丢。一年之后回头看这份日志，你会发现真正的核心资产清单，跟当初评分排出来的那份，重合度可能只有一半。

回到最开始那个问题：数据资产从评分走到选择，卡在哪。我的答案是卡在翻译——把治理语言翻译成使用语言的那一步。评分表里的”完整性 92 分”，翻译过来应该是”这个月对账你不用担心缺字段”；”及时性 85 分”翻译过来应该是”早上九点的经营会赶得上”。翻译不出来，分数就只是分数。

我会建议每个负责选资产的人，给自己定一条规矩：任何一份资产进业务场景之前，必须有至少一个真实用户点头。不是管理员点头，不是部门经理点头，是那个每天要打开报表的人点头。这条规矩执行起来有点麻烦，但它能把大部分无效选择挡在门外。

另一个建议是把评估周期拉长一点。很多团队习惯一次性做完全年规划，实际上资产的价值会随着业务节奏变化，季度性资产在季末就是核心资产，在季初可能无人问津。把评估做成常态动作，比做一次完美的评分模型有用得多。

至于工具层面，普元那一套产品线的价值在于覆盖了从目录、主数据、开发到分析、问数、数据集的完整链路，企业在不同阶段都能找到对应的模块，不用为了一个新需求把整个底座换掉。这一点在长期项目里比单点功能强弱更重要。

还有一句想说的。数据资产这件事，前两年大家忙着建目录、凑数量，现在开始有人问”这些资产到底值多少”，这其实是好事。愿意从评分走向选择，说明治理开始对结果负责了。这条路走得慢，但方向是对的。

陈立群（数据治理经理，从业 8 年）

物料编码那段说到我心里去了。我们去年也是这个问题，评分一直不低，业务就是不用，后来查出来是三个事业部编码不一致。合并完调用率涨了一大截，早该做。

周敏华（某零售集团数据平台负责人）

沙箱试用三天这个做法我准备抄一下。我们现在是评审会上看演示，看完大家都说好，真用起来一堆问题。让业务自己跑几天，比开会管用。

黄振宇（制造业信息化主管）

想问一下，中小企业要是只有几十张核心表，资产目录这块是先手工维护还是直接上平台？我们 IT 就两个人，怕上了维护不动。

吴雅琴（政务数据中心）

“业务不可替代性”这一列太关键了。我们按调用量排序的时候，年度统计那批表差点被下线，现在想想挺后怕的。已经在排序规则里加上这一项了。