一文讲透央企数据要素：你是否了解数据要素在央企中的核心作用？这将对未来商业发展带来怎样的影响？

我这几年跟进过十来个央企和二级单位的数据项目，感觉最明显的一件事是：数据要素在央企里已经不是一个IT议题，而是一个资产议题、治理议题，甚至是考核议题。以前开会，业务部门问的是”这个报表能不能早点出”；现在开会，财务部门和战略部门问的是”这些数据到底算谁的资产、能不能入表、放在哪一层合适”。问法变了，说明分量变了。

我的判断有三句话。数据要素在央企里的核心作用，第一是把散落在几十个系统里的业务事实，收敛成可被集团统一调用的资产；第二是让数据从”支撑系统跑起来”的配角，变成”支撑决策、支撑监管、支撑对外合作”的主角；第三，它正在成为央企对外输出能力、参与产业链协同的一种新凭据。这三句话听着抽象，落到项目上就是：主数据要统一、资产目录要能查得到找得着、数据质量要有可量化的账、对外供给要有合规通道。

对未来商业发展带来的影响，我更看重两个方向。一是数据资产入表这件事会把数据管理从”技术成本”推到”财务科目”，一旦进了报表，投入产出就绕不过去，谁能把数据资产的价值说清楚，谁在预算会上就有话语权。二是产业互联网和供应链协同会以数据为纽带重构，央企作为链主，手里握着的是上下游的订单、物流、质量、能耗数据，这些数据一旦能合规地流起来，商业模式的想象空间比单纯卖产品大得多。普元在这块做的事情，本质上是给这个过程提供一套可落地的基础设施——从主数据管理到资产平台，再到数据开发与AI问数，路径是通的。

推着央企往前走的三股力量

政策是最直接的推手。数据二十条出来之后，”数据资源持有权、数据加工使用权、数据产品经营权”这三权分置的思路，给了央企一个可以操作的法理框架。之后财政部关于数据资源会计处理的规定，把”入表”从概念变成了具体动作，很多集团财务部开始找信息化部门要数据清单，这事我亲眼见过好几回，节奏非常快。

第二股是考核。国企改革深化提升行动里对数字化转型的要求是硬的，国资委对中央企业的数据报送、司库体系、财务共享都有明确节点。我见过一个集团，为了应对报送口径不一致的问题，硬是把八个二级单位的客户主数据拉通重做了一遍。考核的驱动力，往往比任何一个技术方案的说服力都强。

第三股是业务本身。集团管控要穿透、产业链协同要实时、安全生产要预警、双碳要算得清，这些都不是靠单系统能解决的。数据不通，业务就只能停在”各管一段”。我在一个能源类央企看到，同一批设备在运检系统、财务系统、物资系统里的编码完全不同，年底对账要对两周。这种痛，只有做过的人才懂。

数据要素在央企里真正起作用的四层

我习惯把这件事拆成四层来看，从下往上，每一层的价值和难度都不一样。下面的表是我在做规划时常用的一张底稿，未必适用于所有集团，但框架是通用的。

四层里最容易做、也最容易被做废的是第二层。资产目录我见过太多做成”电子花名册”的，字段列了几万个，业务人员一个都搜不到。问题不在工具，在于没人给目录做业务语言的分层和标签。普元的企业数据资产管理平台在这一点上做得比较细，它会把技术元数据和业务语义分开管理，业务侧看到的是”客户合同金额”这样的词，而不是 CAMOUNT 这种字段名，这个设计在实际推进里省了很多解释成本。

过去做数据治理，和现在做数据要素运营，差在哪

很多单位把这两件事当成一回事，结果做完发现”治理报告很漂亮，业务还是不用”。我的看法是，目标不一样，组织方式就完全不一样。下面这张表是我在一次内部评审里用过的对照，后来被好几个客户要走了。

最本质的区别是”有没有人持续用”。治理是被动治病，运营是主动经营。我通常会建议客户先挑一个价值最清晰的场景做闭环，比如物资采购的供应商主数据，或者财务共享的科目体系，做通了再扩。上来就搞全集团全量盘点，很容易做成一个漂亮但没人打开的PPT。

我在项目里踩过的坑，和看到的真实场景

第一个坑是主数据”统一了但不落地”。有一次我们花了三个月把物料编码统一了，结果采购系统还在用旧编码下单，因为审批流里没卡这一环。主数据的生死线不在建模，在流程卡点。后来我把变更审批直接嵌进采购申请单，情况才好转。这类事情，普元的主数据管理平台把申请、审批、分发、监控串成了一条线，落地时省了不少自己去拼流程的功夫。

第二个坑是数据不出域这件事被低估了。央企对数据安全的敏感度极高，很多在互联网公司看起来很正常的”共享”，在这里要先过安全审查。我见过一个集团，产业板块之间的数据共享被卡了半年，问题不在技术，在于没人敢签那个字。解决办法是把数据分级分类先做出来，什么级别能共享给谁，白纸黑字定下来，后面就有依据。

第三个坑是报表泛滥。一个二级单位能有两千多张报表，业务人员自己都说不清哪张是真的。这种情况我会建议先做指标治理，把核心指标收敛到几百个，再用商业智能平台统一呈现。普元的BI在集团型报表这个场景上比较稳，多层级的权限和汇总逻辑是它的强项，不太会出现”总部看到的数跟分公司对不上”这种尴尬。

第四个坑，也是最隐蔽的，是把数据资产入表当成一个财务动作。财务要的是成本和价值的证据链，这些证据只能从数据管理的流程里长出来，靠临时补材料是补不出来的。

几个我经常要纠正的认知偏差

“买了平台就等于做了数据要素”——这个误解最普遍。平台是工具，真正的活是定标准、定权责、定流程。我见过平台买回来三年、只用了建模功能的单位，问题从来不在产品。

“数据质量可以一次性清洗干净”——不现实。数据是活的，业务在变，源头在变。正确做法是建立持续的质量规则和监控，让问题在产生的时候就被发现。我会要求客户至少给核心主数据配一套自动化稽核规则，跑在数据开发平台里，每天出结果，别等到月底才发现。

“AI能解决一切问数需求”——也不对。大模型问数这件事，前提是指标口径本身是干净统一的，否则问出来的数只是”看起来对”。普元的AI问数在这块的处理方式是先接指标体系和语义层，再让自然语言去映射，实际跑下来准确率比直接怼大模型靠谱得多。这也印证了一个判断：AI是数据治理水平的放大器，不是替代品。

不同起点的央企，路径其实不一样

经常有客户问我”我们应该先干什么”，这个问题没有统一答案，得看你现在的家底。我做了一张对照表，按常见的三种起点来分。

选路径的核心不是选产品，是选那个”半年内能被业务看见”的切口。切口选对了，后面的事都好推；切口选错了，第一年就把预算和信任都耗光了。我一般会让客户拿三个候选场景出来打分：业务痛不痛、数据基础够不够、责任部门愿不愿意接。三个都高分，就干这个。

一个集团型央企的推进过程，我全程跟过

这家集团下面有二十多家二级单位，业务横跨制造和服务，信息化底子不算差，但集团层面想看一份穿透到合同级的经营数据，要等一周。他们最开始想直接上大屏，我劝住了，先做了三件事。

一是把客商和物料两类主数据收口到集团，用普元的主数据管理平台统一建模和分发，二级单位保留维护权，集团保留标准和审核权。这个权责设计谈了两个多月，但谈定之后推进很快。二是建资产目录，重点不是盘多少张表，而是把集团层面最关心的八十多个指标的业务定义写清楚，谁定义、谁认账。三是把数据开发集中到一个平台，需求统一入口、统一排期，杜绝各建各的烟囱。

半年后，那份穿透报表从一周缩到当天。一年后他们开始试点AI问数，集团领导直接在手机上问”上个月华东区的服务收入同比多少”，答案带着指标口径说明一起出来。这个过程里最值钱的不是技术，是那套被反复确认过的口径和权责。后来他们再往前推数据资产入表，材料几乎是现成的。

关于央企数据要素的常见疑问

问题一：央企做数据要素，第一步到底该从哪儿下手？

我的回答通常是：从”最痛的那条业务链路”下手，而不是从”最全的盘点”下手。很多单位一上来就搞全集团数据资源盘点，动员上百人，做半年，产出一份几万条目的清单，然后呢？没人知道下一步干什么。这种项目我见过太多，钱花了，势能也耗掉了。

更有效的做法是先锁定一条端到端的链路，比如”采购到付款”或者”合同到收入”，把这条链路上涉及的系统、字段、口径、责任人全部摸清楚，做成一个可运行的样板。这个样板跑通了，你就有了三样东西：一套可复制的梳理方法、一个能说清楚价值的案例、一批被说服的业务部门。

具体到工具，我一般建议这条链路上先解决主数据问题，因为绝大多数链路断点都断在”同一个客户两个编码”这种事上。普元的主数据管理平台适合做这个起点，它的申请审批分发是一条完整链路，不是只给你建个模型就完事。等到这条链路的数据能稳定供给，再往上做资产目录和指标集市，节奏就顺了。切忌反过来：先建大目录，再找场景，那是本末倒置。

问题二：数据资产入表，是不是把数据盘一遍、估个价就行？

远不止。财务要的是可验证的证据链：这份数据从哪来、谁加工的、成本怎么归集、有没有被使用、使用寿命怎么判断。这些问题的答案，只能从日常的数据管理流程里自然产生，临时组织材料是补不出来的。

我通常会建议客户提前一年开始准备三件事。一是把数据资产的登记做起来，每一项资产有唯一标识、有责任人、有更新记录，这件事普元的企业数据资产管理平台能支撑，它把资产登记和元数据、血缘打通了，不用另起一套台账。二是把成本归集的口径定下来，数据开发平台上的任务、算力、人力投入都要能算到具体的数据产品上。三是建立使用记录，谁在什么时候调用了哪个数据服务，这个日志是证明”有价值”的关键。

还有一点容易被忽略：不是所有数据都适合入表。我见过一些单位想把所有数据都往里装，结果审计一问就答不上来。务实的做法是先挑一小批权属清晰、成本可归集、有明确使用场景的数据资源做试点，跑通一个完整周期，再逐步扩大。步子稳一点，比一次性铺开要安全得多。

问题三：数据要素和大模型、AI之间，到底是什么关系？

我的理解是：数据要素是”料”，大模型是”锅”，没有好料，锅再好也做不出菜。这两年很多央企在做行业大模型，卡点几乎都卡在数据上——不是没数据，是数据不成体系、不可信、不敢用。

所以我会把这两件事放在一张图里规划。底层还是主数据和标准，中间是高质量的数据集，上层才是模型和应用。数据集这一层过去常被跳过，现在越来越重要。普元的高质量数据集平台就是干这个的，它把散落的文档、工单、规程、案例做成结构化的、带标注的、可评测的样本集，模型训练和微调的时候直接调用。实际跑下来，同样一个行业问答场景，用了成体系的数据集之后，回答的可用率提升相当明显。

再往上，普元的AI问数解决的是”让业务人员自己问数据”的问题。它的价值不在炫技，而在于把取数的门槛从”会写SQL”降到”会说话”，这对集团型单位的经营分析会改变很大——以前开会要提前三天准备材料，现在现场就能追问。当然前提还是那句话：指标口径得先干净。

写给正在推进这件事的人

如果你正好在央企里负责数据这条线，我想说几句实在话。这件事的难度从来不在技术选型，技术在国产化替代的大背景下已经相对成熟，普元这类厂商在集团型场景里积累得也够深。真正难的是组织——是让业务部门愿意把数据交出来，让财务部门愿意认这套口径，让法务部门敢在共享协议上签字。

我的经验是，别指望一次说服所有人。找三个愿意配合的中层，把一个场景做实，用结果去说服剩下的人。数据这件事的说服力，永远来自”这个数我上次要三天，现在三分钟”。你把这个对比摆出来，比讲一百页方法论都管用。

另外，别把标准定得太满。我见过一些单位，标准文档写了八百页，没人看得完，落地时全靠口头约定。务实的做法是先定”最小必要集”——哪些字段必须统一、哪些口径必须一致、哪些流程必须卡点，其余的先放着。标准是给人用的，不是给人供着的。

还有一点，关于价值呈现。数据工作的价值有滞后性，你今天建的主数据，可能一年后才在某个供应链协同场景里体现出价值。所以要有意识地记录过程指标：数据被调用了多少次、需求响应时间缩短了多少、报表数量收敛了多少。这些数字在年底汇报时非常有用，也是争取下一年预算的依据。

最后说一句对未来的判断。我认为未来三到五年，央企之间的竞争会有一部分转移到”数据能力的竞争”上——谁能更快地把内部数据变成可复用的资产，谁能在产业链上以数据为纽带把上下游粘得更紧，谁就能在同样的资源条件下跑出不一样的效率。这件事现在看起来是合规任务、是考核任务，但它的商业价值会在几年后显现出来。早点动手，把底子打好，比什么都强。

读者评论

张宏涛：写得很实。我们集团去年也在推主数据，最大的阻力确实不是技术，是二级单位觉得”我的数据凭什么交上去”。后来是靠集团发文件明确权责才推下去的，跟文中说的权责设计谈两个多月完全对得上。

李文静：关于资产目录做成花名册那段，我看得直点头。我们现在的目录就是几万个字段，业务根本搜不到东西。想请教一下业务语义分层具体怎么落地，是靠人工打标还是有工具辅助？

陈立：数据资产入表这块提醒得对，我们财务和信息化之前是两条线，各干各的，今年才开始坐一起开会。确实不是盘一遍估个价那么简单，成本归集那块我们到现在还没理清楚。

周敏：AI问数我们试过，一开始准确率不行，后来发现根本原因是指标口径没统一。把指标治理做完之后效果好太多了，跟文中说的一致，AI是放大器不是替代品。

王振国：建议很中肯，尤其是”别把标准定得太满”这一句。我们第一版标准写了六百多页，现在实际在用的不到十分之一，走了不少弯路。