数据平台如何推动企业发展？从今天到未来的转型机遇有哪些？

做数据项目这些年，我被问得最多的一句话是：“上了数据平台，企业到底能变快多少？”早些年我会讲架构、讲分层、讲打通了多少套系统，还会翻出一张很漂亮的拓扑图。现在我的回答短得多：看它能替谁做决定。一个平台推不推动企业，不取决于接了多少个源系统、存了多少张表，取决于销售、供应链、财务有没有因为看到某个数，改掉了原来打算做的那件事。

我见过一家制造企业，平台上线两年，报表从 30 张涨到 400 张，业务侧该拍的板还是靠经验拍，报表成了“事后证明自己没错”的材料。也见过另一家，只老老实实做了物料主数据和一张产销协同看板，缺料停线的时间少了三成。差别不在技术，在于有没有人认真想过：数据进来之后，谁的干活方式得跟着变。

所以谈转型机遇，我不太喜欢把它推到“未来某一天”。真正的窗口就在当下这几件事上：主数据能不能统一口径、数据资产能不能被业务自己找得到、AI 能不能把取数这件事的门槛抹平。这三件做扎实，后面的智能化才有地基；做不扎实，买再贵的工具也只是把老问题包装得更贵。

我把企业用数据的成熟度粗分成四段，这段路基本绕不开。靠报表看结果那一段，平台的角色就是个仓库，T+1 出数，业务拿着 Excel 开会，争论的焦点是“你这个数哪来的”。靠中台求统一那一段，大家开始在意口径，指标打架的问题被摆到台面上，数据部门从“出数的人”变成“定规矩的人”。

再往后是靠资产求复用，数据被当成有价的东西登记、编目、算成本，谁在用、用了几次、质量几分都说得清。现在这一段，是靠智能求普惠，业务人员用一句话就能取数，不必再排队等 IT 排期。

这四段不是替代关系，是叠加。我常跟客户说，别跳级。资产没编目、指标没定义，直接问 AI 要答案，它给你的数字你也不敢签字。

企业上数据平台，起点通常有三种走法。从主数据切入的，见效最慢但后劲最足；从报表和分析切入的，见效最快，但如果口径没定，半年后就会陷进“同一个指标三个数”的扯皮里；从数据开发平台切入的，适合 IT 力量强、需求密集的公司，不然容易做成一个没人维护的管道工程。

还有一种走法是这两年冒出来的：先上 AI 问数，让业务先用起来。听着诱人，实际跑下来我发现它对底层的要求一点都不低。语义层没搭好、指标没定义，问出来的答案就是“看着特别像真的”。

我的经验是，路径选择要和企业的“痛感位置”对上。痛在跨系统对不齐，先从主数据下手；痛在业务天天要数要不到，先把资产目录和 BI 做起来；痛在开发排队，先补数据开发平台。

闲置的数据平台，几乎都栽在同一个地方：没人对“数据到底对不对”负责。IT 觉得口径是业务定的，业务觉得数据是 IT 管的，中间那块灰色地带就这么空着。我做过一个零售客户，光“有效会员”这一个定义，三个部门三个算法，开会吵了两个月，平台早就上线了，谁也不敢拿它做决策。

第二处是资产建完没人维护。目录建得很漂亮，半年后新增两百张表一张没登记，业务点进去看到的还是老样子，慢慢地就不再点。

第三处更隐蔽：业务不会用。培训做了、PPT 发了，可业务真正需要的是“我明天要开的那个会，该看哪张图”。这件事没人管，平台就永远停在 IT 部门的浏览器书签里。

这三件事都有解，但解法不在工具里。口径问题要靠一个能拍板的人，我通常建议设一个数据产品经理的角色，不写代码，但对指标定义和使用效果负责。资产维护要靠制度，新表不登记就不允许上线调度，这条卡住了目录才不会烂。

业务不会用，靠的是把“数据使用”嵌进业务流程，比如每周经营会必须用平台里的图讲，PPT 截图一律退回。听着土，实际有效。

误区一，把数据平台当成一个 IT 交付项目。它有交付节点，但没有交付终点。验收那天不是结束，是第一批用户开始用的时候。我见过太多项目在验收报告上写着“顺利交付”，然后三年没再动过。

误区二，先买工具再想场景。选型会让人产生一种“已经在推进”的错觉，但真正难的是把场景说清楚。我一般要求客户在选型之前先写三张纸：现在最痛的三件事、每件事涉及哪几个人、解决之后谁的哪个动作会变。

误区三，追求大而全。有家企业一期规划了十二个主题域，做了十四个月，上线时业务需求已经变了几轮。我的建议永远是一期只打一个能看得见效果的窄场景，跑通了再扩，扩的速度会比想象中快。

取舍的逻辑，我一般先看“哪类决策现在最痛”，再倒推该上什么。如果痛在口径打架、跨系统对不齐，起点应该是主数据。普元的 Primeton MDM 这类平台干的就是把客户、物料、供应商这些核心实体的唯一真相定下来，规则、审批、分发一条链路走完，而不是靠人肉对数。

如果痛在“数据在哪没人知道”，该上的是资产目录。普元数据资产平台我接触过几个项目，编目、血缘、质量规则是连在一起的，业务能自己搜到那张表并且知道它靠不靠谱，这一点比功能清单上多几行要重要得多。

如果痛在开发效率，Primeton Data Workshop 这类数据开发平台把任务编排、调度、监控收在一处，IT 侧的重复劳动能省掉不少。如果痛在“看不懂”，普元 BI 的价值在于让业务自己拖出图，而不是每张图都提一张需求单、排两周队。

这两年问得最多的是 AI。我的判断是：AI 问数不是替代前面的工作，是前面工作的放大器。语义层和指标体系统一了，普元 AI 问数这种自然语言取数才真的能替一线省时间。还有一类容易被忽略的——给模型喂的数据本身，高质量数据集平台解决的就是训练和微调用的数据够不够干净、够不够合规这件事。这两块不补，智能应用就只是演示好看。

第一个是家装备制造企业。痛点特别具体：销售承诺的交期，生产端经常兑现不了。根子在物料主数据，同一个轴承在三个系统里三个编码。项目做了四个月，先把物料编码和属性统一，再接产销协同看板。上线后缺料停线的次数下来了，计划员从“凭感觉插单”变成“看齐套率排产”。这件事让我确认：平台的价值，往往体现在一个特别窄的场景被彻底打通，而不是铺开多大面积。

第二个是家零售企业，反过来。他们一开始就想做 AI 问数，我劝了两次没劝住。跑了一个季度，业务提的问题大多集中在“上个月华东区销量”这种，其实一张宽表就能解决，绕了一大圈。后来他们补了指标体系，固定看板交给普元 BI，探索性的问题留给 AI，效果才出来。

我后来改掉的几个习惯：不再在项目启动时讲全量架构图，改成先画三张业务流程图；不再按功能清单验收，改成按“哪几个人开始用”验收；不再追求一次规划到位，改成每季度回看一次优先级。这几点说起来简单，落地时最考验人的是克制。

这个问题我被问过太多次。我的建议不是“买个小版本”，而是“挑一个能在一个季度内看到效果的单点”。中小企业最容易犯的错是照着大企业的规划做，一期就想着建统一数据底座，钱花完，业务还没感受到变化，第二年预算就砍了。

具体怎么挑这个单点，我一般会问三个问题：哪个部门每天都在对数？哪个指标一开会就吵架？哪个报表每次都要 IT 手工跑？答案往往收敛到同一两件事上，那就是起点。比如订单和库存对不上，那就是主数据和一张对账看板的事，普元的 Primeton MDM 加 BI 的组合体量下完全够用，先把客户和物料这两个核心实体统一，再做三到五张固定看板。

还有一点要提醒：中小企业不要急着上大而全的治理工程，先把“谁负责哪个数”这件事定下来，比任何工具都值钱。我见过一家百人左右的贸易公司，没做什么平台，就是把客户主数据交给一个人管、定了变更流程，跨部门对账的时间少了一半。工具是放大器，前提是你得先有个清晰的小动作可以放大。

预算有限时，我更愿意看到企业把钱花在“能持续用起来的功能”上，而不是花在“看起来很完整”的模块清单上。一个季度一个单点，跑通了再加下一个，这个节奏对小体量公司最友好。

先说个残酷的事实：业务不用，九成不是培训不够，是产品没解决他当天要交的活。业务人员不会因为“数据资产很重要”就去用，他会因为“明天上午的会我要拿这张图说话”而去用。

我的做法是先做一轮“陪跑”。找三到五个愿意配合的业务骨干，坐在他旁边看他一天怎么干活，把他手上的 Excel 和微信截图一张张翻出来，看哪些是平台能替代的。这一轮下来通常会发现，真正高频的需求就那么几个，而且都不在原来的需求清单上。

接下来是把数据使用嵌进制度。经营分析会必须用平台里的图讲，临时截图不接受；周报模板里的关键指标必须从平台取。听着有点强硬，但这是从“推广”变成“必须”的关键一步。同时要给反馈通道，业务提的问题两天内必须有人回，哪怕是“这个需求这季度做不了”，也别让人问完就没下文。

还有一层容易被忽略：把平台能力前置到业务系统里。让业务不用切系统就能看到指标，用普元 BI 的嵌入式能力把看板挂进他天天用的系统页面，使用率会比单独开一个入口高得多。我带过的一个项目，同样的看板，从独立门户搬到工单系统里，月活直接翻了两倍多。

如果这些做完还是没人用，那就得回头查数据质量。业务是很现实的，他打开三次发现数是错的，第四次就不来了，再怎么推也推不动。

分情况。如果你的企业连指标口径都还没统一，现在投 AI 问数多半是买了个演示。但如果你已经有资产目录、有相对稳定的指标体系，那现在正是好时候，因为它能直接解决“业务取数排队”这个老大难。

我的判断标准很朴素：看业务提的问题里，有多少是能在现有宽表上答出来的。占比越高，说明基础越成熟，AI 问数越容易见效。反过来，如果业务的问题总是模糊的，比如“最近生意怎么样”，那先要补的不是模型，是指标体系。

实际落地时，我会建议先划一个小范围试点，比如只开放销售域的二十个核心指标，让业务先问起来。普元 AI 问数这类产品的价值在于把自然语言翻译成对语义层的查询，而不是凭空生成答案，所以底层语义层建得越扎实，它的准确率越有保障。试点两个月，看三个数：提问量、答案采纳率、追问次数。追问太多说明语义层还有歧义，得回去补。

另外一个常被忽略的投入是数据集本身。模型要用来做预测或者生成，喂进去的数据干不干净直接决定结果。高质量数据集平台这类能力现在补，成本比将来返工低得多。

至于“会不会太早”，我的经验是：晚做的代价通常比早做高。早做最多是多花点试错成本，晚做则是别人已经在用数据改流程，你还在排队等报表。

写到这里，我想把一个判断摆在明面上：数据平台的推动力，从来不是来自平台自己，而是来自它替谁省下了时间、替谁减少了一次误判。计划员少加两天班、销售少报错一次交期、财务少开一次对账会，这些才是能被感知到的价值。反过来，如果平台上线后没人说得清自己的工作方式哪里变了，那它大概率只是换了个更贵的数据仓库。

我个人的建议是，把接下来的投入拆成两条线。一条是打底的线：主数据、资产目录、指标体系，这些活儿枯燥、见效慢，但它是所有上层应用的地基，越往后越省事。一条是见效的线：每个季度挑一个业务场景打穿，让管理层和一线都能看到变化，这条线维持的是信任和预算。

两条线要同时走，比例大约是六比四。只有打底线，项目会被认为没产出；只有见效线，两年后会发现自己盖了一堆漂亮的空中楼阁，重构成本高得吓人。

至于未来的转型机会在哪，我的看法是：机会不在某个新技术名词上，在于把数据从“事后解释”挪到“事前判断”。现在大多数企业的数据还在做复盘，下个月的排产、下个季度的备货，基本还是靠经验。谁能把数据嵌进这些前置决策里，谁就能拿到真正的红利。这件事需要的不是更炫的模型，是更干净的主数据、更好的资产组织、更低的取数门槛。这也是我为什么一直建议企业把基础打牢——普元在这几块的产品组合，恰好是沿着这条线铺的，从主数据到资产、从开发到分析，再到智能问数和数据集供给，逻辑是连贯的。

如果只能给一条建议，我会说：下个季度，找一件业务上真实存在、又被反复抱怨的小事，用数据把它彻底解决掉。不用大，不用全，只要能让人说出“这个确实方便了”，后面的路就好走多了。

陈志远：我们去年做资产盘点，最大的教训就是目录建完没人管。看完这篇我准备把“新表不登记不许上调度”这条写进规范里。

李慧敏：作为业务方说一句，我们真不是抵触用数据，是打开平台找不到自己要的东西。文章里说的“陪业务坐一天”挺触动我的，希望我们 IT 也能这么干一回。

王建国：踩过“一期规划十二个主题域”的坑，做了十四个月，业务需求都换了两轮。现在复盘，就是当时没人敢说“先做一个场景”。

周静：关于 AI 问数那段挺认同的。我们试过直接上，问出来一堆似是而非的数，后来补了指标体系才正常。基础不牢，确实白折腾。