9月24日下午，在2026全球数据管理峰会现场，龙石数据新书《数据治理实战指南》正式发布。 龙石数据创始人兼总经理练海荣出席新书发布仪式，与现场专家、行业同仁共同见证这本书正式亮相。在数据治理行业，方法论并不少，标准体系也已经相对成熟。 但真正走进项目现场，很多团队依然会遇到同样的问题：数据治理从哪里开始？业务和技术怎么配合？数据家底到底怎么摸？数据质量规则由谁确认？每一步要形成什么成果？项目做到什么程度才算完成？ 这些问题，往往比“数据治理是什么”更难回答。《数据治理实战指南》正是围绕这些一线问题编写而成。★ 为什么要写一本《数据治理实战指南》？ 多年来，龙石数据通过“产品 + 培训 + 陪跑”的方式，持续参与客户的数据治理建设。在服务 300+ 客户的过程中，一个缺口越来越清晰： 一线不缺概念，缺的是一套能够直接指导工作的实操方法。 于是，龙石把多年项目中反复验证的方法、步骤、模板和工具进一步系统化，沉淀成一本能够带回项目现场直接参考的实操指南。 核心方法：“理采存管用”五阶八式 全书以龙石“理采存管用”方法论为主线，并进一步拆解为八个实施步骤：定战略、建体系、摸家底、聚数据、绘模型、管数据、促共享、重应用。 15章实战内容，覆盖数据治理常见工作场景 《数据治理实战指南》全书共15章，按照“理采存管用”的实践过程展开。 第 1–2 章：阐述数据治理行业认知，解析“理采存管用”方法论 第 3–5 章：定战略、建体系、摸家底 第 6 章：数据集成、归集、清洗、融合与监控 第 7 章：数据仓库及数据模型管理 第 8–12 章：元数据管理、数据标准管理、数据质量管理、主数据管理、数据安全管理 第 13–14 章：数据价值应用；资产目录、数据共享、指标标签、可视化与 AI 用数 第 15 章：结合领域数据、平台环境与成果样例，完成“理采存管用”全流程演练 读者可以从实际问题出发，找到对应章节，再从方法、步骤和工具中获得实施参考。 方法、模板、工具，重点解决“怎么做” 如果用三个词概括这本书的落地链路： 方法论 = 地图——每一步做什么、怎么做，都有出处；模板 = 弹药——60 +即用型治理模板，清单、表格、成果物拿来即用；工具 = 装备——数据中台 × AI，让方法论直接进入数据治理工作流程。 全书配套至少 10 个关键流程图、60 +数据治理模板，随用随取。 同一套方法，人可以用，AI 也能有依据地参与 在 AI 时代，书中的方法和模板，不仅可以指导团队推进项目，也可以作为 AI 参与数据治理的工作依据。例如在需求分析、摸家底、数仓规划等环节，由团队明确业务目标和数据口径，AI再按照既定方法和模板，辅助完成信息梳理、任务执行和成果整理。 写给谁？ 对于一线实施人员，它可以作为一本工作手册，帮助快速找到任务对应的方法和步骤； 对于数据治理管理人员，它可以作为项目过程检查和工作组织的参考； 对于正在推进AI数据治理的团队，书中的方法和模板也可以作为AI参与工作的规范和依据。 《数据治理实战指南》来自项目实践，也希望回到项目现场，成为一本随手能查、拿来能用的工作手册。
9月24日，2026全球数据管理峰会“数据管理与人工智能创新技术开放交流”环节顺利举办。 凭借在数据治理与AI融合方向的持续创新，龙石数据中台、企业级AI智能体开发平台等多项成果入选《2026年度DAMA数据管理和人工智能创新优秀案例集》。同时，由龙石数据提供技术与服务支持的江阴市数据局、苏州新建元数字科技有限公司两家客户实践同步入选，展现了龙石数据在产品能力与客户赋能方面的实践成果。 龙石数据治理专家杨毓慧的相关实践成果也入选本次优秀实践案例。 龙石数据中台：理采存管用，让数据“好管好用” 龙石数据中台依据客户现状，采用龙石独创的“理采存管用”五阶方法论，全面梳理数据资产，建设全局数据标准体系，专注于数据全生命周期的管理，涵盖数据集成、元数据、数据标准、数据质量、数据安全等数据管理领域，保障数据共享使用的安全性、及时性、准确性以及稳定性，打破各部门、各系统之间信息孤岛，实现数据融合、业务协同、数据资产化，实现“用数据汇报、用数据决策、用数据管理、用数据服务、用数据创新”的数字化转型目标。目前，龙石数据中台已广泛应用于热力、制造、政务、市场营销等行业，并形成面向集团企业、政务等复杂组织场景的一体化数据治理能力。同时，平台具备轻量易用、灵活部署、云原生高性能、多空间隔离和全栈国产化适配等特点，支持百亿级数据处理、万级API高并发，并可按需选择组件、分步建设，满足不同组织在数据治理与数据协同方面的建设需求。 龙石·企业级AI智能体（开发）平台：智能体落地，治理托底 AI智能体（开发）平台面向企业用户、IT团队和合作伙伴，提供AI智能体统一使用、自主构建与持续运营的一体化能力。平台以“智能体落地，治理托底”为核心理念，围绕“统一入口、快速构建、持续运营”构建完整体系：用户侧-打破应用孤岛，提升用户体验；开发侧-沉淀可复用能力，自主组装与扩展；管理侧-统一资源与权限，工单与反馈闭环； 在技术层面，平台通过语义解析、知识匹配与程序化执行建立可追溯、可验证的确定性执行链路，并支持多智能体协同、企业级记忆体系和业务语义网络。当前平台知识检索准确率达到95%以上，深度工程型智能体交付周期可控制在5天以内，敏捷组装型最快0.5天完成配置上线，智能体开发周期可缩短70%，数据分析人力成本降低60%以上。 江阴市数据局-基于“1+8+X”一本账的县域公共数据全生命周期质量深化管理实践 紧扣数据要素市场化配置改革和江苏省公共数据“一本账”管理要求，构建“一套工作模式、四层协同机制、两类质量关口、闭环管理流程、四库知识资产”县域公共数据治理体系。依托“1+8+X”模式，落实“一局一中心一集团”协同，建立信息化项目双重质量关口，实现数据闭环整改。沉淀240余项数据元、1500余条核心规则，建成元标准库、元模型库、质量规则库、案例知识库，打造可复制、AI-ready的县域高质量公共数据基座，支撑公共数据价值释放。 苏州新建元数字科技有限公司：苏州工业园区“数据要素×”联合创新实验室 苏州工业园区数据要素×联合创新实验室聚焦公共数据授权运营创新实践，以充分释放数据要素价值为核心，破除数据流通共享壁垒，推动数据资源落地转化。围绕社会民生、城市治理等领域打造多元业务场景，落地丰富数据产品赋能实体经济；同时建设基于Qwen大模型的双智能体体系，依托RAG双模检索实现数据资源智能问答、产品精准匹配，以AI能力降低平台使用门槛，构建“数据+业务场景+AI智能体”协同模式，助推区域数字经济高质量发展。 龙石专家杨毓慧：数据治理专家实践 龙石数据治理专家杨毓慧主导的园区数据治理项目，以 DAMA、DCMM 为方法论，构建元数据、数据标准、数据质量三位一体治理体系，并落地数据质量 AI 自评助手。项目累计完成超 20 亿笔数据质量评测、问题修复率达 97.44%，沉淀 1000 余个数据标准与质量规则。★多项成果同时入选，既体现了龙石数据在产品能力和专业实践上的长期积累，以及在复杂数据治理项目中的方法支撑与服务能力，也进一步说明，数据治理的价值不只体现在平台建设本身，更体现在能否帮助客户形成可持续的数据管理和应用能力。 未来，龙石数据将继续把经过项目验证的方法、产品和能力带给更多客户与合作伙伴。
2026全球数据管理峰会“政务和大型国企数据实践”分论坛在杭州顺利举办。本场分论坛由龙石数据联合DAMA承办，来自政务和大型企业的专家与行业代表齐聚现场。围绕公共数据运营、大型组织的数据管理体系建设等议题，本场论坛集中呈现了不同场景下的数据治理路径与具体做法。
作为本届峰会白金伙伴，龙石数据围绕数据治理与AI融合，参与主论坛演讲，主办“政务和大型国企数据实践”专题分论坛，并正式发布书籍《数据治理实战指南》。峰会期间，龙石数据及客户多项成果还入选大会数据管理与人工智能创新优秀实践案例，参与现场交流展示。
今日，2026全球数据管理峰会在杭州盛大开幕。龙石数据创始人兼总经理练海荣在主论坛发表《AI在数据治理与数据应用中的双重定位与实践》主题演讲。
峰会启幕在即，四大核心看点，抢先解锁。
龙石数据是一家专注数据治理与AI应用的高新技术企业，以“产品+培训+陪跑”为服务模式，推动数据治理能力在真实业务中持续落地。
季度复盘会上，数据资产负责人打开大屏：目录里躺着上千张表，几百个数据产品已上架，治理平台刚通过验收。可当老板问出那句"这些数据到底给公司带来了什么"时，会议室安静了下来。目录条目数、上架产品数、平台验收结论，都回答不了这个问题。 这不是个例。DAMA 对数据管理的定义中，数据管理的目标是"在数据全生命周期内持续提升数据资产价值"[1]——注意，是提升价值，而不是积累条目。数据目录、治理平台都是实现这一目标的手段，但当手段被当成成果汇报时，价值就悬空了。 政策把"数据要素价值"推到了台前 过去几年，政策层面已经给"数据值钱"完成了三重确认。 一是数据可以入表。财政部财会〔2023〕11号《企业数据资源相关会计处理暂行规定》2024年正式施行，数据资源可以作为资产计入财务报表[2]，数据从成本项变成资产项，CFO 开始过问数据。 二是数据可以流通。国家数据局《"数据要素×"三年行动计划（2024—2026年）》推动数据要素市场化配置，强调数据在工业制造、现代农业、商贸流通等场景中发挥乘数效应[3]。 三是标准给"用"留出了位置。DCMM 2.0（GB/T 36073-2025，2026年7月1日实施）在九大能力域中，将"数据应用"更名为"数据应用流通"，数据价值实现环节被正式纳入能力评估[4]。 但政策解决的是"数据值钱"的合法性与方向，不解决价值本身。数据不会因为被确认为资产就自动产生价值，它只在使用场景里产生价值。这也是数据资产化路径上的共识：从资源化到资产化再到资本化，入表只是资产化阶段的里程碑，不是终点。 目录和平台回答不了"价值"问题 为什么很多企业建了目录、上了平台，依然说不清价值？核心在于：目录和平台是"管理数据"的产物，天然不回答"用得好不好"。 目录解决"找得到"，不等于"用得上"。 数据目录上架的是元数据描述，业务人员找到一张表，不等于会用、敢用、愿意用。有研究指出，数据目录是数据资产化的重要入口，但数据资产的价值不仅在于存储，更在于发现与使用[5]——入口有价值，入口不等于价值本身。 治理平台解决"管得住"，不等于"用得好"。 标准、质量、安全解决的是"数据可信"。可信的数据如果没有进入业务流程，依然不产生价值。不少企业把治理平台验收当作终点，恰恰漏掉了后半程。 更关键的是运营缺位。 很多企业的数据管理工作，指标还停留在"建了多少目录、管了多少张表、配了多少条规则"；而运营数据的指标是"数据被调用了多少次、进了几个业务场景、带来了什么业务改善"。指标没换，说明还停留在管理阶段。有观点认为数据中台不是项目、是能力，道理正在于此——能力要靠持续运营来兑现，项目验收只是起点。 价值落在五个场景、三类形态里 说"数据要产生价值"太抽象，落下来其实就五个场景：经营决策、业务协同、风险控制、产品创新、对外服务。判断标准其实很直接：数据有没有进入业务动作——是进入了决策依据、协同流程、预警机制、新产品，还是停留在目录里。 价值场景 数据怎么产生价值 具体落地点 经营决策 数据进入管理层决策依据，从"拍脑袋"到"看数据" 经营驾驶舱、领导看板、AI 智能问数 业务协同 跨部门/跨公司数据打通，缩短协作周期 数据共享、API 服务、数据网关 风险控制 实时监测与预警，风险早发现早处置 风险预警模型、AI 自动发现异常 产品创新 数据驱动新产品、新服务 数据超市、AI 用数智能体 对外服务 数据产品化对外提供，直接创造收益 数据服务 API 输出、数据产品上架 五个场景的共同特征是：数据都进入了某个业务动作。从"管理数据"走向"运营和使用数据"，正是抓住这个共同特征的关键一步。 从"管理数据"走向"运营和使用数据" 管理数据，管的是表、目录、规则；运营和使用数据，盯的是场景、调用、改善结果。这是本文想强调的主线。 在龙石数据提出的"理采存管用"五阶段方法论中，"用"是价值兑现环节：理（定战略、建体系、摸家底）、采（聚数据）、存（绘模型）、管（管数据）四步都在为"用"做准备，促共享、重应用、支撑决策才是终点[6]。需要留意的是，数据资产目录、数据门户这类产品属于"用"环节，不是"管"环节——它们的使命是让数据被用起来，而不是让数据被管住。 从管理走向运营，有三个组织层面的动作绕不开： 设角色：明确数据责任人。谁对"这份数据被用了没有、用出了什么结果"负责，不能只对"这份数据维护得好不好"负责。 建机制：常态化使用评估。定期看调用次数、场景渗透率、业务改善结果，把评估结果反馈给目录优化和数据产品迭代。 闭环迭代：使用→反馈→改进。用户反馈进入数据产品调整，形成持续演进的能力。能力的成长路径通常是：认知建立→体系建设→平台建设→运营落地→组织自驱，运营落地之后才谈得上组织自驱。 三类落地点：数据服务、数据运营、AI 应用消费 主线之下，价值兑现还要落到具体的用数形态上，归纳下来有三类落地点。 数据服务，解决"申请难、等得久"。 用数从"申请排队、人工审批、等排期"变成"自助获取"。形态包括数据超市、数据门户、API 平台、数据共享。某 211 高校把数据底座升级为"数据超市"后，跨部门数据申请从"天/周级"缩短到"分钟级"在线自助获取，师生像逛淘宝一样取数。数据服务解决的是"用数渠道"问题。 数据运营，解决"上架了没人用"。 数据资产从"管起来"变成"用起来、用出结果"。形态包括调用次数监控、需求感知、使用反馈闭环、数据责任人机制。某国企数科的实践（详见下文样本一）说明：把用户需求聚成可量化的产品开发依据，长尾数据资源才会被激活。数据运营解决的是"用数动力"问题。 AI 应用消费，解决"会用的人少"。 业务人员用自然语言就能找数、问数、用数，不必学 SQL 和 BI 工具。AI 用数智能体覆盖"问知识、找数据、问数据、用数据"四类场景，提问后自动生成 SQL、返回结果和图表，全程零代码。AI 应用消费解决的是"用数门槛"问题。 一个场景是否真正落地，看它对应了哪类落地点、产生了什么使用指标，而不是看目录里多了多少条记录。市场上已有部分数据治理平台把这三类落地点做成了完整的产品形态：龙石数据中台的资源目录与数据门户对应数据服务，AI 用数智能体对应 AI 应用消费，数据资产管理功能支撑数据运营闭环[6]——工具是把三类落地点落地的载体，但工具本身不替代运营责任。 三个真实样本 样本一：某国企数科——用 AI 智能体把运营闭环跑起来。 该企业的数据要素流通平台资源丰富，但"找数难、用数难、运营难"并存。项目采用"感知—匹配—演进"三位一体方案：语义与模糊双模检索帮用户快速定位数据，"问完即申请"降低申请门槛；同时通过分析搜索失败记录、浏览中断点等行为自动识别潜在需求，定期输出需求洞察报告指导数据产品迭代。上线后，基础咨询工单量显著下降，检索耗时大幅缩短，多个高价值需求进入产品开发流程。客户评价说："以前推数据产品像蒙着眼睛打靶，智能体给了我们一杆瞄准镜。"这个样本印证：目录和门户只是起点，降低用数门槛加上运营闭环，数据才真正被用起来。 样本二：某国控集团——让数据进入决策与风控动作。 该集团原有 10 余套业务系统数据碎片化，报表靠人工汇总，监管数据"看不清、管不住、用不好"。统一数据中台建成后，数据资产目录与 API 共享服务让数据快速供给上层应用，国资监管综合看板、领导驾驶舱支持穿透钻取，AI 智能问数与风险预警让数据从"存储层面"走向"监管报表、决策建议"，业务人员工作量减少 60% 以上。数据进入了决策和风控动作，价值随之兑现。 样本三：某 211 高校——数据服务自助化的样板。 数据超市与数据网关让全校数据资源像商品一样陈列、点选即得，跨部门申请从"天/周级"压缩到"分钟级"，信息化部门实现自主运维。对教育行业而言，数据服务自助化就是"用"的落地形态。 三个样本恰好覆盖三类落地点：样本一是数据运营加 AI 应用消费，样本二是 AI 应用消费加数据服务，样本三是数据服务。这几个项目中，龙石数据分别承担了智能体建设、统一数据中台搭建与数据底座升级的主体工作。 给管理层、CIO 和数据资产负责人的三个动作 第一，换一套指标。把考核从"建了多少目录、管了多少表"换成"数据被调用了多少次、进了几个业务场景、带来了什么业务改善"。指标一变，组织注意力自然跟着变。 第二，选一个场景打透，配一类落地点。不要全线铺开，先选价值最高、最容易见效的场景：比如经营驾驶舱加 AI 智能问数，或者数据超市加自助服务，跑通"数据→业务动作→使用指标"的闭环，再横向复制。 第三，把运营责任落到组织。明确数据责任人，建立常态化使用评估与反馈机制。能力建设上，"产品+培训+陪跑"的模式可以帮助企业从平台建设走向组织自驱——培训建立认知，陪跑完成能力转移，最终实现企业自主运营。 常见问题 Q1：数据资产目录建好了，业务部门为什么还是不用？ 目录解决"找得到"，不等于"用得上"。价值释放要落在具体形态上：数据服务（自助门户、API）、AI 应用消费（用数智能体）、数据运营（反馈闭环），具体做法见第四、五节。 Q2：数据要素价值怎么量化？ 从管理指标切换到运营指标：调用次数、场景渗透率、业务改善结果（决策效率、协同周期、风险预警命中率）。不必一步到位算出"数据值多少钱"，先建立使用侧的度量体系，价值自然可被观察。 Q3：数据资产入表和数据要素价值落地是什么关系？ 入表解决"数据值钱"的确认问题，价值落地解决"数据值钱"的实现问题。入表是资产化阶段的里程碑，不是终点——第六节的三个动作就是入表之后让价值继续兑现的具体做法。 Q4：中小企业也要做数据运营吗？ 规模可以轻，逻辑不能缺。哪怕只有一个数据责任人、一个核心场景、一类落地点——先上一个数据门户或一个问数智能体——也要有"使用→反馈→改进"的闭环。工具的引入可以从轻量起步，市面上也有免费可用的数据质量工具可供摸底。 数据要素的价值不在目录里，不在平台上，而在业务动作里。目录和平台解决的是"有没有、好不好"，价值解决的是"用没用、用出了什么"。企业从管理数据走向运营和使用数据，补上的不是一套新系统，而是一套以场景为锚、以使用为尺的运营方式。这步迈过去，数据才真正从成本变成资产。 参考来源 [1] DAMA International, "What is Data Management", https://dama.org/about-dama/what-is-data-management/ [2] 财政部，《企业数据资源相关会计处理暂行规定》（财会〔2023〕11号） [3] 国家数据局，《"数据要素×"三年行动计划（2024—2026年）》 [4] 国家市场监督管理总局、国家标准化管理委员会，《信息技术 数据管理能力成熟度评估模型》（GB/T 36073-2025，DCMM 2.0） [5] arXiv:2402.05211，数据目录（Data Catalog）相关研究 [6] 龙石数据官网，数据中台产品页，https://www.longshidata.com/products/government.html
一位制造业企业的CIO在一次行业交流中直言："平台验收快一年了，登录的人屈指可数，业务部门还是找我要Excel。"在场的同行不少都点头。数据接进来了，标准定了，质量规则也配了，可平台和业务之间像是隔着一层——业务部门不知道平台能干什么，平台也不知道业务要什么。 这种情况并不少见。Gartner在2024年预测，到2027年将有80%的数据与分析治理项目因缺乏真实业务驱动力而失败[1]。另一组数据是，截至2025年11月，全国DCMM贯标企业总数已达10,448家[4]，能力建设阶段的竞争接近饱和，行业正在进入价值释放的转折点。 问题不在平台技术，而在治理目标的设定。把"建设能力"当成终点，还是把"产生业务价值"当成目标，决定了治理项目的走向。行业正从"建设导向"转向"价值导向"，场景牵引正是这个转向的抓手。 先诊断："建而不用"是怎么发生的 要找到解法，先看病灶。 立项就脱离了业务需求。 不少治理项目是为建而建、为评而建。立项书里写的是"提升数据能力""完成XX贯标"，但没人说清要服务哪个业务场景、产生什么业务价值。项目从业务需求中剥离出来，验收之后自然没人惦记。业务脱节、机制断层，是这类项目最常见的根因。 平台能力堆了一墙，场景一个没有。 标准定了、质量规则配了、目录建了，但这些都是从治理视角出发配的，不是从业务场景倒推出来的。治理团队觉得"该有的都有了"，业务部门打开平台却不知道从哪下手。能力与场景错位，平台渐渐变成"数据盒子"。 规则上线即冻结。 数据标准、质检规则、指标口径在验收那一刻定型，之后再没动过。业务在变、系统在变，治理却停在过去。治理被当成一次性运动，而不是持续过程。 三个病灶指向同一件事：治理目标错位。能力只有被业务用起来、产生价值才有意义；当目标本身变成"建设能力"，场景这根牵引绳自然缺位。 两条路径：错误路径怎么走进死胡同，正确路径怎么跑通 "建而不用"往往不是哪一步做错了，而是整条路径的顺序出了问题。 错误路径是供给侧路径：平台→数据→等业务使用。 先建平台——选型、部署、功能铺满；再搬数据——归集、入仓；然后等业务来用——验收、推广、被动等待。这条路径下，业务被放在链条末端，被动接收一个已经定型的产品；规则从治理视角配、不从场景倒推；供给是单向的，没有反馈回路。能力堆了一墙、场景一个没有，平台大概率走向闲置。上一节的三个病灶，正是这条路径的产物。 正确路径是需求侧路径：业务场景→数据需求→治理能力→应用反馈。 先有业务要解决的问题——经营分析、生产优化、风险预警；再倒推要什么指标、口径怎么定、数据从哪来、质量规则怎么配、谁来用；用起来之后，把反馈带回场景，形成闭环。 两条路径的差异可以概括为三点：顺序相反——供给先行还是需求先行；动力相反——供给驱动还是需求驱动；回路相反——开环还是闭环。错误路径把业务放在末端等待，正确路径把业务放在起点牵引。 从行业层面看，这个转向已经发生。截至2025年11月，全国DCMM贯标企业总数超万家[4]，能力建设已不是稀缺能力。从多数实践看，治理目标正从"建设能力"转向"产生业务价值"，下一步的竞争不是谁建得多，而是谁用得好。DAMA-DMBOK2在数据治理一章强调业务驱动原则，治理战略应由业务战略驱动、嵌入业务流程[2]；DCMM 2.0（GB/T 36073-2025）把"数据应用流通"列为九大能力域之一[3]，国标层面已将"用"放在与"管"同等重要的位置。 正确路径跑通是什么样？一家新材料制造企业给出了完整样本。他们没有先做大而全的数据标准体系，而是以经营分析为牵引，倒推数据治理：第一阶段聚焦需求，只抓管理层最关心的几个分析主题，产出经营指标词典，每个指标的定义、计算公式、数据来源、更新频率全部统一；第二阶段打通数据，把ERP、财务、销售系统的核心数据接入统一平台，实现"一个指标、一个口径、一个数值"；第三阶段服务化推广，建设多维分析看板，管理层可以自助切换维度、下钻明细。结果是，月度经营分析会的准备时间从数天压缩到数小时，会议内容从"确认数据"变成"分析问题"。这个样本的关键在于：数据治理的方向由业务场景决定，而不是由平台功能决定。 三类高频场景，最容易跑通场景牵引 场景牵引从哪里切入？从多数成功案例看，经营分析、生产优化、风险预警三类场景见效最快、最容易形成正反馈。 经营分析场景。 管理层要"看清经营全貌"，倒推出来的动作是：统一指标口径、打通财务与项目数据、建设经营驾驶舱。江苏某建筑装饰集团是典型样本。集团旗下200余家子公司主数据混乱，同一材料在不同子公司叫法各异，每月对账要花一周收集各公司的Excel报表。在龙石数据中台项目中，以经营分析为牵引，先治理物料、供应商、项目部等核心主数据，再建设穿透式经营驾驶舱。全集团实现"一物一码"后，跨公司对账从5天缩至1天，数据纠纷减少80%，管理层坐在总部就能看清全国上百个项目的实时成本与毛利偏差。 生产优化场景。 企业要"产销协同、降库存"，倒推出来的动作是：打通OT/IT数据、统一物料编码、建立产销协同分析。上海某大型化工企业的痛点是销售预测与排产脱节、库存积压与缺货并存。项目围绕产销协同驾驶舱这一核心场景，实现销售预测、库存与排产的联动：库存周转率提升28%，订单交付及时率提升至91%，财务数据分钟级汇总，报表出具周期提前4天。OT与IT数据打通后，生产现场的数据第一次进入了经营决策。 风险预警场景。 集团要"风险看得见、管得住"，倒推出来的动作是：统一数据视图、质量管控、预警规则。江西某国控集团原有10余套业务系统碎片化运行，看不清、管不住、用不好、转不动。以国资穿透式监管为核心场景建设数据中台后，全业务系统数据贯通，构建统一数据视图，对违规投资、资金空转等风险实现实时管控，业务报表自动生成、无需人工汇总，业务人员工作量减少60%以上。 三个场景的共同点是：先有业务要解决的问题，才有数据接入和治理动作。顺序不能反。 使用反馈：让数据与规则跟着场景持续校准 场景牵引不是一次性工程。正确路径的第四环"应用反馈"是持续引擎：场景会演进，数据与规则需要随使用反馈持续调整。 调整有三个方向。规则随反馈校准。 业务用起来才发现规则过严或过松、口径有歧义，质量规则要能随用随调。从"标准定义→规则配置→评测→发现问题→认领→整改→复核→改进"的闭环看，调整不是推倒重来，而是小步迭代。指标口径随使用迭代。 管理层用驾驶舱时提出"这个指标口径不对"，反馈到指标字典修订，再同步到所有报表——这与经营分析里"一个指标、一个口径、一个数值"的做法一脉相承，口径不是一次定死的，而是用出来的。数据供给随场景补充。 业务提出新的分析需求，倒推需要哪些新数据源，纳入归集计划。场景在长，数据供给跟着长。 用起来→发现问题→反馈→调整数据与规则→更好用，这是一个螺旋上升的过程，"用"和"治"相互促进，而不是先治完再用。闭环跑起来还有一个前提：反馈有人接。治理组织、数据责任人存在，反馈才不会被搁置。 这里有一个现实问题：规则调整如果每次都要开发介入，闭环就跑不动。市面上已有部分治理平台把规则配置做成可视化、支持随用随调，部分厂商还配套培训与陪跑，帮助客户把"用中迭代"变成组织能力——例如龙石数据中台的旁路监测质量管控，数据正常入库、质检规则并行扫描、不拦截不阻断，规则调整不需要停机；再配合"产品+培训+陪跑"的服务模式，把持续运营的能力留给客户自己。工具负责降低调整成本，组织负责保持调整节奏。 给CIO和治理负责人的四个自查问题 判断平台是否走在"场景牵引"的轨道上，可以问自己四个问题： 最近一个业务场景，是用平台数据解决了什么问题？ 平台的质量规则和指标口径，上一次调整是什么时候？ 业务部门最近一次主动提出数据需求，是什么时候？ 平台每月真实在用的人数，是涨还是跌？ 四个问题都不涉及技术指标，却比任何技术指标更能说明治理的成色。回答不上来的问题越多，越说明场景牵引需要补课。 常见问题 Q1：怎么判断我们的平台是不是"建而不用"了？ 看三个信号。一是使用频次：登录、查询、数据申请的数量和趋势；二是治理活跃度：质量规则和指标口径多久没动过，如果半年没调过一次，基本处于冻结状态；三是业务需求单：业务部门是主动提数据需求，还是被要求才用。三个信号都指向低迷，平台大概率已经进入"建而不用"状态，可以对照上一节的自查四问做一次完整体检。 Q2：治理目标定成"建能力"错在哪？ 错在把手段当成了目标。平台、标准、规则只有被业务用起来、产生价值才有意义。目标应该写成业务语言，比如"管理层每周一上午自动拿到集团经营日报""库存周转率提升10个百分点"，而不是"建成XX平台、完成XX贯标"。考核指标也应向业务价值倾斜——能力建设是过程指标，业务价值才是结果指标。 Q3：场景应该从哪里选起？ 经营分析、生产优化、风险预警三类高频场景任选其一切入，较为稳妥的选法是从"管理层最痛+数据基础相对好"的那个开始。管理层最痛，场景才有推进动力；数据基础好，闭环才能快速跑通。不贪多，先跑通一个场景的完整闭环，再复制到下一个。 Q4：业务部门就是不用，怎么办？ 先别要求业务"配合"，先解决他们正在痛的问题。对账慢，就把对账数据打通；报表对不上，就把口径统一；库存积压，就把产销数据连起来。业务部门尝到甜头，用数据成为习惯，治理才有持续的推动力。场景牵引的本质，就是让业务从"被要求用"变成"主动要用"。 Q5：数据与规则应该多久调整一次？ 没有固定周期，跟随场景节奏。业务发生变化、出现质量事件、业务部门提出反馈，都是调整的触发点。关键是把调整做成日常机制，而不是专项运动。规则可视化配置后，调整成本很低——市面上已有平台支持旁路监测、随用随调，改一条规则几分钟就能完成。机制在，规则就会一直"活着"。 结语 数据治理正在从"建设时代"进入"价值时代"。从行业实践看，治理的成败不再以"建成什么"衡量，而以"业务用出了什么价值"衡量。平台只有被场景牵引着用起来，数据与规则在用中持续校准，治理才真正进入业务。 参考来源： [1] Gartner, "Gartner Predicts 80% of D&A Governance Initiatives Will Fail by 2027," 2024 [2] DAMA International, DAMA-DMBOK2 第3章 数据治理（业务驱动原则） [3] 国家市场监督管理总局, GB/T 36073-2025《数据管理能力成熟度评估模型》（DCMM 2.0） [4] 中国电子信息行业联合会, 第四届数据治理年会（2025年11月）：全国DCMM贯标企业总数10,448家 [5] 龙石数据官网-数据中台产品页: https://www.longshidata.com/products/government.html
一、登记之前有两道题："有什么"与"能不能用" 华东某交投集团花了几个月完成数据资产盘点，企业级资产目录建了起来，上千张业务表的来源、归属、边界都标得清清楚楚。目录交付那天，团队觉得登记入表的事已经八九不离十。真正进入环节时，会计师事务所提出的要求却让项目组卡了壳——请提供这些数据"能不能用、可信度有多高"的量化依据。目录回答不了这个问题，企业一时也拿不出来。 这个场景在登记推进较快的地区并不少见。资产盘点回答的是"企业有什么数据"——来源、归属、边界、目录；而登记、评估真正采信的，是"这些数据能不能用"——可信不可信、有没有量化依据。两类问题在流程上前后衔接，性质上却是两道独立的题。许多企业把精力放在第一道题上，到了第二道题才发现，数据质量没有可验证、可追溯的结论。 把第二道题补上的动作，就是登记前的质量验证。从政策节奏看，财政部《企业数据资源相关会计处理暂行规定》（财会〔2023〕11号）自 2024 年起施行，数据资源正式进入企业资产负债表[3]；国家数据局《"数据要素×"三年行动计划（2024—2026年）》推动数据要素在重点行业深度应用[4]；多地数据交易所对挂牌产品普遍要求提供第三方质量评估报告。确权、估值、入表、流通四个环节环环相扣，而每一个环节的推进，都以"数据可信"为背书：确权要说得清边界，估值要算得准基数，入表要经得起审计，流通要建立买方信任。质量验证正是这道背书的来源。 二、验证到底验什么：从 GB/T 36344 的六个维度说起 质量验证的第一个问题是：验什么？总不能用"凭感觉"来回答。目前国内通行、且被登记与评估机构普遍认可的评价框架，是 GB/T 36344-2018《信息技术 数据质量评价指标》[1]。该标准定义了六个质量维度：规范性、完整性、准确性、一致性、时效性、可访问性。六个维度除可访问性外，其余五个与登记、估值场景直接相关——可访问性更多对应数据共享与安全边界，在登记材料中通常由合规审核环节覆盖。 把六个维度放到登记场景里看，含义并不抽象： 规范性，看数据的格式、编码、口径是否符合统一标准。登记时常见的情形是"口径说不清"——同一指标三种算法，资产边界就无法界定。 完整性，看该有的字段和记录是否齐全。缺失的记录会直接影响资产范围和估值基数的测算。 准确性，看数值与状态是否与真实情况一致。错误数据一旦进入估值模型，评估结果就会失真。 一致性，看同一对象在不同系统中的描述是否统一。同一客户在不同系统里三个编码，登记确权和交易对账都会对不上。 时效性，看数据是否在需要的时间窗口内保持有效。把已经过期的数据纳入登记范围，入表价值经不起推敲。 可访问性，看数据能否被授权方顺畅获取和使用，登记、审计、交易各环节的取数是否可行。 维度落位之后，还要落成规则。验证不是对整体数据"拍一个分"，而是把每个维度拆解为可解释、可追溯的检查规则集：空值检查对应完整性，唯一性检查对应规范性，跨表比对对应一致性，时间字段校验对应时效性。规则本身要经得起评估机构复核——评的是哪张表、按什么规则、查出多少问题、如何计算得分，每一步都要有依据。 从标准体系看，质量验证在 DCMM 2.0（GB/T 36073-2025，2026 年 7 月 1 日实施）中同样有清晰的落位[2]。该标准的数据资产域设权属管理、价值评估、资产运营三项能力，是登记确权与资产运营的制度依据；数据质量域设质量需求、质量检查、质量分析、质量提升四项能力，恰是登记前质量验证的能力前提。登记是资产域的正式动作，质量验证是质量域的前置功课，两者在标准层面本就相互衔接。 质量维度与登记环节对应关系示意 质量维度 大白话 登记/评估中对应的典型问题 规范性 格式、编码、口径是否统一 口径不一致，说不清"这到底是什么数据" 完整性 该有的字段、记录是否齐全 记录缺失，资产范围与估值基数算不准 准确性 数值、状态是否与事实一致 错误数据进入估值模型，结果失真 一致性 同一对象跨系统是否统一 多头编码，确权与交易对账对不上 时效性 是否在有效时间窗口内 过期数据入表，价值经不起推敲 可访问性 能否被授权获取使用 登记、审计、交易环节取数不畅 注：并非严格一一对应，按登记与评估场景择要列出。 三、验证怎么验：从"查一遍"到一份可审计的证据链 维度与规则解决了"验什么"，接下来是"怎么验"。三个层次，层层递进。 规则怎么定。 按 GB/T 36344 六个维度定义检查规则，规则可解释、可复核，而不是"凭经验挑几个字段看看"。每条规则要说得清业务依据——为什么要查这个字段、判定标准是什么、查出问题意味着什么。 怎么查。 全量自动化扫描代替人工抽查。按规则集逐表逐字段体检，覆盖全量而非抽样，问题记录逐条标记、逐条定位。这一环节通常采用旁路监测方式：数据正常流转，质量检查在旁路并行扫描，不侵入业务系统，不影响在用系统的运行。 怎么出证据。 验证不是一次扫描就结束，而是"体检—修复—复验—监测"的闭环：扫描输出问题清单，问题清单按归属认领，责任方整改，整改后复验，通过后纳入常态化监测。每一步留痕，最终产出可审计的质量评价报告。报告包含评估范围、评估方法、各维度得分、问题明细与修复建议，评估依据和评分方法一并附上。 一句话总结：验证的结果不是"查过了"，而是一份"拿得出手、经得起查"的证据链。 市场上已有部分数据质量管理平台把六维规则、闭环管理和质量报告整合为一套体系。以龙石第三方数据质量管理平台为例，它按 GB/T 36344 六维内置质量规则，采用旁路监测方式不侵入业务系统，扫描结果可输出符合审计要求的质量评价报告，并可联合律师事务所、会计师事务所、资产评估机构完成登记、评估与入表衔接。 四、验证结果怎么支撑登记与评估：质量报告是"入场券" 验证结果在登记链条的各个环节都有明确落点： 登记链条环节 验证结果的作用 采信依据 登记确权 量化依据支撑"资产可信"声明，资产边界说得清 六维评分 + 问题清单 价值评估 评估机构基于可信数据测算，评分可复核 质量评价报告 入表核算 会计师事务所据此审计确认，合规风险可控 质量评分 + 整改记录 流通交易 交易所要求第三方质量评估报告，定价有依据 第三方评估报告 从数据资产化的整体路径看，这一步的意义更清楚。数据资产化通常沿"资源化—资产化—资本化"三步推进：资源化阶段把散落的数据归集、盘清，形成数据资源；资产化阶段完成登记、评估、入表，让数据获得资产身份；资本化阶段实现质押融资、流通交易等金融价值。质量验证正处在资源化向资产化转换的关口——没有可信的质量结论，资产化阶段的登记与评估就缺少立足点。 验证结果之所以能从"内部自查"变成"外部采信"，靠的是三个条件：一是标准框架，评价依据采用 GB/T 36344 等通行标准，而非企业自定义口径；二是可追溯，评分和问题均能回溯到具体表、具体规则、具体记录；三是可复核，报告附评估依据和评分方法，评估机构、审计机构可以按图索骥。 五、案例验证：质量报告如何成为登记、交易的"入场券" 回到开头的华东某交投集团。这家企业汇聚了大量城市交通、支付、用户服务数据资源，希望将符合条件的自有数据集纳入资产负债表。彼时它的处境与多数企业相同：家底刚盘清，但从未对数据做过系统性质量评估，不知道哪些数据"干净"、哪些存在缺陷，更无法量化可信度——会计师事务所要求可审计的质量依据，企业拿不出来。 在数据资产入表服务中，质量评价被作为独立环节推进：以 GB/T 36344 为框架设计评价标准与模型，对拟入表的数据资源做全量自动化扫描，通过问题清单协助修复与整改，最终输出《数据质量评价报告》。评价过程中发现并修复了订单状态不规范、时间字段偏差、支付渠道不一致等多类问题，质量评价总分达到 99.53 分（满分 100）。会计师事务所据此确认质量符合入表要求，企业完成首批数据资产入表，数据资产正式进入资产负债表[5]。这批数据由此具备了可量化价值，为后续开展数据资产质押融资等金融创新奠定了基础。 流通环节的惯例同样印证了这一点。某传媒集团开发了"城市运行事件分析服务"数据产品，计划在数据交易所挂牌交易。交易所要求上架产品必须经过第三方质量评估并出具《数据质量评估报告》，作为交易定价和买受人决策的依据。评估按产品形态与业务场景设计"一产品一方案"，产品评分从评估前的预估 85 分提升至 99 分以上，整改完成后成功上架并达成交易意向。客户的一句话很有代表性："质量评估报告让我们有了'体检单'，交易所认、客户信——这不是一张纸，而是一张进入数据要素市场的'入场券'。" 两个案例合起来，指向同一件事：质量可量化，登记才可信、评估才有据、交易才能定价。这也是"理采存管用"方法论中"管"的题中之义——质量管理的价值，不只体现在日常运维，更体现在资产化关口为数据"背书"。 六、FAQ Q1：资产盘点不是已经摸清家底了吗，为什么还要单独做质量验证？ 盘点回答"有什么"——来源、归属、边界、目录；验证回答"能不能用"——可信度、量化依据。登记与评估采信的是后者。盘点通常先行，验证跟进，两者在登记环节衔接，具体分工与衔接方式见第三节、第四节。 Q2：数据质量验证是不是跑一遍质检规则就够了？ 不是。验证是"体检—修复—复验—持续监测"的闭环，单一扫描只能证明"查过"，不能支撑"可审计"。闭环路径的具体做法见第三节。 Q3：中小企业登记数据资产，也要做这么重的质量验证吗？ 不需要全量铺开。较为稳妥的做法是选一两个核心业务域建质量基线起步，先把数据资产化路径跑通，再逐批扩展。如果只是想先做一轮摸底，市面上也有免费工具可用，例如龙石数据质量管理平台·社区版，部署后即可对核心数据源按 GB/T 36344 框架做质量检测。 Q4：质量验证的结果，登记机构和会计师事务所认吗？ 按 GB/T 36344 标准框架开展、可追溯、可复核的量化报告才会被采信。前述交投集团案例中，会计师事务所即依据质量评价报告完成入表确认。 结语 登记的制度框架仍在完善，各地推进节奏不一，但质量验证作为前置环节的分量只会加重：确权要边界清楚，估值要基数可靠，入表要经得起审计，流通要建立信任。把质量验证前置到登记之前，是让登记"经得起查"的较为稳妥的做法。 参考来源 [1] 国家市场监督管理总局、国家标准化管理委员会，《GB/T 36344-2018 信息技术 数据质量评价指标》 [2] 国家市场监督管理总局、国家标准化管理委员会，《GB/T 36073-2025 数据管理能力成熟度评估模型》（DCMM 2.0），2026 年 7 月 1 日实施 [3] 财政部，《企业数据资源相关会计处理暂行规定》（财会〔2023〕11号） [4] 国家数据局，《"数据要素×"三年行动计划（2024—2026年）》 [5] 龙石数据，第三方数据质量管理平台产品介绍，https://www.longshidata.com/products/quality.html
