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
自2024年起，"数据要素×"三年行动计划在全国范围推进[1]，以"以赛促用、场景牵引"为主线，覆盖工业制造、现代农业、商贸流通、交通运输、金融服务、科技创新、文化旅游、医疗健康、应急管理、气象服务、城市治理、绿色低碳等12大行业方向。这项行动的价值标尺始终是同一个问题：具体业务场景放大了多少价值，而不是建了多大的数据平台。 对照这一标尺，会发现一个耐人寻味的反差：不少企业的数据治理平台建得完整——标准体系、质量规则、资产目录一应俱全，却很难在业务结果上找到对应的改善。治理投入在"空转"。问题出在哪里？ 一个被普遍忽视的答案是：顺序反了。多数企业先建了治理能力，再去找场景；而"数据要素×"传递的信号恰恰相反——场景定义在前，数据、标准、质量能力按需倒推。治理的起点不是数据，而是业务场景。 一、"数据要素×"在牵引什么：不看平台，看场景价值 "数据要素×"行动的逻辑，落点是业务价值：先定义场景，再明确这个场景需要什么数据，最后用效果说话。这与国家层面推动数据要素价值释放的方向一脉相承——财政部财会〔2023〕11号让企业数据资源可以计入财务报表[2]；2026年实施的国家标准GB/T 36073-2025（DCMM 2.0）新增"数据资产"能力域，下设价值评估、资产运营等能力项[4]。政策与标准都在回答同一个问题：数据怎么产生价值、怎么衡量价值。 对企业而言，这个信号同样清晰。数据治理领域常讨论"业务驱动，不技术自嗨"：不是"有什么技术就上什么"，而是"业务要什么就建什么"，先锚定业务价值，再倒推数据架构。放在治理语境下，就是先回答"要解决哪个业务问题"，再决定"需要哪些数据、立哪些标准、设哪些质量规则"。治理的投入产出，从规划那一刻就应该能算得出来。 二、治理投入"空转"的三种典型模式 先看治理的定义。DAMA-DMBOK将数据管理界定为围绕数据全生命周期开展的规划、制度、组织与流程活动，其目标是交付、控制、保护和提升数据资产的价值[3]。价值由此成为治理的出发点和检验标准。但现实中，治理投入与业务价值脱节的情况并不少见，通常表现为三种模式。 第一种是"为治而治"的大而全建设。 规划阶段按标准框架铺开——数据标准、数据质量、元数据、主数据、资产目录逐项立项，平台功能越建越全，却始终没有一个具体的业务问题作为锚点。成果不可见，治理部门在每轮预算汇报时都难以说明投入回报。一些数据治理服务商在方案中直言：治理不能"为治而治"，须从领导看板、跨部门报表等高频痛点切入，用成果换信任。这句话的潜台词是，脱离场景的治理建设，很容易沦为成本中心。 第二种是事后补救式治理。 业务部门用数据出了问题——报表对不上、口径不一致、数据缺失——才发起排查和修复。治理动作跟着故障走，修完一个再等下一个，投入分散在无休止的救急中，与场景价值的关联是断裂的。 第三种，也是被验证更有效的路径，是场景驱动的反向治理：从业务问题出发的最小可用治理。 一家中大型化工企业提供了典型样本。化工行业产销协同是公认的难题：生产是连续的、大批量的，销售是波动的、多品种的，产销不协同直接表现为库存要么积压、要么断货。这家企业的做法不是先建覆盖全业务域的数据治理体系，而是"以产销协同为突破口"，先把销售、生产、库存、物流的数据打通，再逐步扩展到采购、质量、财务等其他业务域。用企业自己的话说：不要一上来就做全业务域数据治理，选一条最痛的业务链路先跑通。结果是库存异常从"月底才发现"变为"实时预警"，车等货、货等车的情况大幅减少，销售预测与生产排产的数据基础从"各自为政"变为"共享一套数据"。 对比之下，三种模式的差别不在技术投入多少，而在起点不同：一个从体系出发，一个从故障出发，一个从业务问题出发。 三、反向倒推：从业务场景到数据能力的四步链 场景驱动的反向治理，可以落地为一条四步链：业务场景 → 关键数据 → 标准口径 → 质量基线。 第一步，选场景。 高价值场景通常有三个判别特征：直接关联经营指标——库存周转、交付及时率、对账周期、监管效率，管理层能直观感知价值；需要跨系统数据融合，单一系统内解决不了；结果可量化，改善能用数字衡量。满足这三条的，就是值得优先投入的场景。 第二步，定数据。 明确场景依赖哪些关键数据对象——物料、客户、订单、设备、工序——以及它们分布在哪些系统。这一步回答"数据从哪来、缺什么"，是后续治理动作的输入清单。 第三步，立标准。 先统一"打架最凶"的核心主数据与口径。两个部门对同一物料有两种叫法、同一指标有两套算法，是一切分析冲突的源头。标准建设不必求全，从场景涉及的核心实体入手，见效更直接。 第四步，建质量基线。 围绕场景关键字段配置质量规则并持续监测。较为稳妥的做法是采用旁路监测：数据照常入库，质量检查在旁路并行扫描，不拦截、不阻断，发现问题打标记、告警；也可以作为增强手段，在入库前先做一次质量体检。质量基线不是一次性动作，而是随业务运行持续迭代。 这套链条与数据治理的方法论框架是同构的：先"理"清场景对应的数据家底，再通过标准与质量把数据"管"起来，最终让数据在场景中"用"起来，形成价值闭环。差别只在于，入口是业务场景，而不是治理体系本身。 四、案例验证：两条已经走通的路 这条路径不是理论推演。华东某大型化工企业（国有，年产值超百亿元）在行业存量竞争与"双碳"政策双重压力下推进精细化运营，面临的正是典型场景问题：销售预测与生产排产脱节、库存积压与缺货并存。项目采用"咨询先行、治用并举"的方式，没有从平台功能清单出发，而是围绕"采购-生产-库存-销售"全链路梳理物料、产品、装置、工序、批次等核心业务对象，先统一分歧最大的物料编码与业务口径；再打通DCS、MES、LIMS、ERP等系统数据，建设工业数据湖；最后才落到产销协同驾驶舱、工序级能耗分析、业财一体全景屏等具体应用上。一年后，库存周转率提升28%，订单交付及时率提升至91%，报表出具周期提前4天。更关键的是，企业成立了数据管理部、设立数据管家岗位，把数据治理纳入绩效考核，从"项目驱动"转向"机制驱动"。企业负责人的评价是："这不是一次IT项目，而是一场管理革命。" 同一逻辑在集团场景同样成立。江苏某建筑装饰集团旗下200余家子公司、近百个在建项目部，同一装饰材料在苏州子公司叫"大理石A级"、南京子公司叫"A类石材"、总部采购系统叫"石材_01"。集团从"跨公司对账"这个具体痛点切入，倒推主数据治理——统一物料、供应商、项目部编码，实现"一物一码"——再建设多租户数据底座和穿透式经营驾驶舱。结果是跨公司对账从5天缩短至1天，数据纠纷减少80%。 场景驱动的反向治理需要工具支撑。市场上已有部分数据中台产品（如龙石数据中台）把数据标准管理、数据质量管理、主数据管理、数据资产目录作为可按需装配的模块[5]，从单个场景起步即可，不必一次上全套——这与"先跑通一条链路"的路径是匹配的。 五、给CIO和数据负责人的三个动作 把上述逻辑落到行动层面，可以对应三个动作。 用场景清单替代功能清单做治理规划。 规划治理工作时，先列业务问题，再排治理动作。每个治理项目立项时都回答一个问题：它服务哪个业务场景、改善哪个经营指标。答不上来的立项，优先级自然靠后。 建立"场景→数据需求"映射表。 把每个高价值场景对应的数据对象、涉及系统、标准缺口、质量风险列成一张表，治理投入按场景价值排序。这张表不必追求与任何标准框架严格对应，它的作用是让投入与价值的对应关系可见、可讨论。 让成果可看可感。 资产地图、质量报告、分析看板是争取持续支持的关键。数据治理不是一次性项目，而是持续运营的能力建设——认知建立、体系建设、平台建设、运营落地、组织自驱五个环节相互衔接，任何一个缺失都可能让能力建设中断。成果看得见，机制才留得住。 六、FAQ Q：治理规划应该先建平台还是先找场景？ 从多数成功案例来看，先找场景更为稳妥。第三节的反向倒推四步链就是具体做法：先明确业务问题，再按需配置数据、标准和质量能力，平台建设跟着场景走，而不是反过来。 Q：场景很多，先做哪个？ 用三个判别特征筛选：是否直接关联经营指标、是否需要跨系统数据融合、结果是否可量化。通常从最痛的一条业务链路切入——比如产销协同、跨公司对账——先跑通，再复制到其他场景。 Q：只做场景相关的治理，会不会以后扩展困难？ 不会。场景驱动的治理按需装配能力，先跑通一条链路，再横向扩展到其他业务域，标准、质量、主数据这些能力本身是复用的。数据治理是持续运营的过程，扩展是常态，不是一次性规划的结果。 Q：怎么衡量治理投入与场景价值直接关联？ 用经营指标说话——交付及时率、库存周转、对账周期、监管效率，而不是治理活动指标（建了多少标准、配了多少规则）。成果可量化，是"用成果换信任"的前提。 结语 数据要素价值释放的前提，是治理能力服务具体场景。当治理投入能直接对应到某个业务结果的改善，数据才真正从"资源"走向"价值"。 参考来源 [1] 国家数据局.《"数据要素×"三年行动计划（2024—2026年）》. [2] 财政部. 财会〔2023〕11号《企业数据资源相关会计处理暂行规定》. [3] DAMA International. DAMA-DMBOK 2.0《DAMA数据管理知识体系指南》. [4] 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）. [5] 龙石数据. 部门级数据治理与数据要素价值解决方案. https://www.longshidata.com/solution/departmentdatagov.html
"公司到底有哪些数据？分布在哪些系统？各有多少张表？"这个问题，在数据产权登记工作推进的背景下，正成为越来越多企业绕不开的考题。不少数据团队的答案并不完整：上千张业务表散落在几十个系统中，同一类数据在业务侧有三种命名，既没有统一的资产目录，也没有一份完整台账。等到登记服务机构追问细节——这批数据来自哪个系统、归哪个部门持有、加工过程有没有记录、用到了哪些场景、质量有没有第三方依据——回答往往停在半途。 登记机构受理的并不是"数据本身"，而是说得清来龙去脉的资产材料。这些材料从哪来？恰恰来自资产盘点。本文从产权登记（确权）的视角出发，讨论企业为什么要把数据资产盘点放在前面，以及盘点具体盘什么、怎么盘。 一、确权、入表、流通：政策节奏在加快，卡点却在数据家底 从政策脉络看，方向已经清晰。2022年12月，《关于构建数据基础制度更好发挥数据要素作用的意见》（"数据二十条"）提出数据资源持有权、加工使用权、产品经营权"三权分置"，从制度层面为数据资产界定权属奠定了基础[1]；随后财政部发布《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，数据资源开始具备进入财务报表的通道[2]；"数据要素×"三年行动计划则将政策重心从确权、入表延伸到合规流通[3]。三份文件的时间线勾勒出"先确权、再入表、后流通"的推进次序。 与此同时，与数据产权、确权登记相关的制度探索在多地陆续落地推进，一些地区已开展数据产品挂牌、确权登记等实践。对多数企业来说，真正卡住进度的往往不是政策本身，而是数据家底：登记要交的材料，企业拿不出来。确权环节在加速推进，但家底不具备，确权就无从谈起——登记之前，先把数据家底备齐，这四项能力缺一不可：盘点、目录、权属界定、来源追溯。 二、登记要交的"数据家底"：五项属性一个都不能少 产权登记不是给数据贴一个"所有权"标签，而是要提交一份说得清来龙去脉的资产材料。综合各地登记实践与入表流程要求，这份材料通常要回答五个方面的问题，每一项背后都对应一项基础能力： 登记要素 要回答的问题 对应的基础能力 数据来源 数据从哪个系统、哪个业务环节产生 来源追溯（元数据采集） 责任主体 数据归谁持有、谁加工、谁运营 权属界定 加工过程 经过哪些加工转换、血缘是否清晰 血缘追溯 使用范围 用在哪里、共享给谁、边界在哪 目录与共享边界管理 质量状况 数据是否可信、有无量化依据 质量评价 五个问题环环相扣。来源说不清，无法证明数据从哪里来；归属说不清，无法确认登记主体；加工过程无记录，血缘链条断在中间；质量没有量化依据，资产可信度缺乏支撑。以责任主体为例，2026年7月1日起实施的 DCMM 2.0（GB/T 36073-2025）新增"数据资产"能力域，其中就包含权属管理、价值评估、资产运营三项能力项，从标准层面把"数据是谁的"纳入了成熟度评估[4]。 这五项属性，恰恰是资产盘点过程的产出物。数据家底就是"盘得清、查得到、说得清归属、追得到来源"，而盘点先行，是登记受理的隐含前提——登记机构受理的正是这份家底材料。 三、资产盘点不是简单建目录 不少企业把资产盘点理解为"建一个数据资产目录"，这个认知值得修正。目录只是盘点结果的呈现形式，盘点的本质是以登记、入表、流通为目标的数据摸底与属性界定。权属归属、来源血缘这些属性不会自己出现在目录里，需要通过盘点过程逐项厘清。 具体来说，三个误区比较常见： 把盘点当 IT 台账。 盘点不是统计表数量、字段数量，而是要回答"这些数据归谁、从哪来、能不能用"。 把盘点当一次性项目。 盘点结果会随业务变化而失效，需要持续更新，不是交完目录就结束。 把盘点当纯技术工作。 数据归谁持有、能否对外共享，本质是管理问题，技术工具只是手段。 盘点要回答的问题可以归纳为四类：元数据能不能自动采集、标准是否统一、质量是否可量化、目录能否编出来。这四类问题的答案，决定了登记、入表、流通是否具备共同基础——同一份盘点成果，登记时回答归属（权属），入表时回答价值，流通时回答可信。其中权属与来源追溯是难度较高、也直接决定登记成败的两项：它们不像表结构那样可以自动采集，需要业务部门、数据部门和管理层坐下来逐项确认。 四、盘点怎么盘：把"家底"盘出来的完整路径 在"理采存管用"方法论中，"理"是第一步：定战略、建体系、摸家底。放到数据资产化的语境下，"理"对应的正是资产盘点——入表前要搞清楚企业拥有哪些数据资源、哪些具备资产属性，这是一个从"数据在哪里"到"资产有什么"的视角转换。 把"摸家底"落到操作层面，可以拆成四步： 第一步，全量扫描。 借助元数据自动采集能力，系统自动抓取各业务系统的表结构、字段类型、数据量、更新频率，先回答"有什么数据、在哪里"。这是来源追溯的起点——扫描结果就是后续归属界定的底稿。 第二步，业务规则筛选。 不是所有数据都具备资产属性。用业务规则划定资产边界，剔除日志类、临时性、重复备份等非资产数据，识别出真正具备登记条件的核心数据资源。 第三步，权属与血缘厘清。 逐项确认每类数据由谁持有、谁加工、谁运营，梳理加工链与血缘关系，形成权属清单与来源追溯记录。这一步回答"数据是谁的、从哪来的"，是产权登记直接对应的部分。 第四步，形成资产目录与质量评价。 将前三步成果沉淀为《数据资产目录》，并按 GB/T 36344-2018《信息技术 数据质量评价指标》的框架开展质量评价——该标准定义了规范性、完整性、准确性、一致性、时效性、可访问性六个维度，其中前五个维度直接影响数据应用效果[5]。目录加质量报告，构成登记时可提交的"一本清账"。 盘点之后并非终点，还要接续"管"的环节：质量评价、标准统一、元数据维护，让家底持续更新。放在入表全景中看，从资产盘点、资产登记、质量评价、合规审核、价值评估到会计入表，六个环节环环相扣、成果相互印证，其中前三个环节本质上都是数据治理工作，与会计分录关系不大。 在工具层面，市场上已有部分数据中台产品（如龙石数据中台）将元数据自动采集、资产盘点与标签管理、权属维护、血缘追踪、质量评价沉淀为平台能力[6]，盘点过程可以不再依赖人工逐个系统翻阅，AI 辅助盘点也在减少人工梳理的工作量。对尚未建立这类能力的企业，从核心业务域的人工台账起步，同样可以启动家底梳理。 五、案例验证：一家国企的盘点先行实践 华东某交投集团是一家负责城市数字化运营的主体企业，汇聚了城市交通、支付、用户服务等大量数据资源。随着数据资源入表政策落地，集团希望将符合条件的自有数据集纳入企业资产负债表，但面临的挑战很典型：上千张业务表散落在多个数据库，缺乏统一资产目录，无法界定入表范围；数据从未做过系统性质量评估，会计师事务所要求的可审计质量依据拿不出来；资产盘点、合规审核、质量评价、价值评估、会计确认等多个专业领域，单一团队难以统筹。 集团的推进路径是盘点先行。先借助自动化扫描与业务规则筛选，识别充电订单、支付流水、用户档案、对账记录等核心数据资源，划定入表边界，形成《企业数据资产目录》；随后对接数据登记服务机构，完成数据产品挂牌或确权登记，获取《数据资产登记证书》；再以 GB/T 36344 为框架开展全量自动化质量评价，发现并修复订单状态不规范、时间字段偏差、支付渠道不一致等问题，最终质量评价总评分达 99.53 分（满分 100）；此后依次完成合规审核、价值评估与会计入表，成为当地首批完成数据资产入表的国有企业。 这个案例有两个细节值得注意。其一，登记和入表能走通，不是因为会计处理精妙，而是资产盘点和标准统一先走扎实了，这一步没人能代劳，也没人能跳过。其二，入表之后还有流通环节——在数据交易市场，数据产品挂牌交易通常需要第三方《数据质量评估报告》作为入场凭证，江苏某数据交易所的数据产品正是从预估 85 分修复至 99 分以上后才完成挂牌。盘点与质量评价的成果，在确权、入表、流通三个阶段都会反复用到。 六、FAQ Q1：产权登记和数据资产入表是什么关系？先做哪个？ 政策层面的次序是先确权、再入表、后流通，登记是入表的前置确权环节。从多数企业实践看，行动次序则是先盘点、再登记、入表自然接续——第二节的家底五要素和第四节的盘点路径，就是具体做法。 Q2：数据资产盘点一定要全量铺开吗？中小企业怎么启动？ 不需要。从一到两个核心业务域先跑通"盘点—目录—登记—入表"的闭环，比全量铺开更稳妥；盘点与企业规模关系不大，关键是先把家底摸清。如果缺乏工具支撑，可以关注数据中台或数据质量管理平台自带的盘点与评测能力。 Q3：资产盘点和数据治理应该先做哪个？ 从多数实践来看，盘点先行、治理跟进。还不知道自己有什么数据就开始定标准、建模型，容易做出一堆没人用的规范；先把家底盘出来，治理工作才有对象和优先级。 结语 登记、入表、流通，每一步都以清晰的数据家底为前提：盘得清、查得到、说得清归属、追得到来源。盘点不是为政策做的一次性准备，而是企业把数据当资产经营的第一项基本功。 参考来源 [1] 中共中央、国务院，《关于构建数据基础制度更好发挥数据要素作用的意见》（"数据二十条"），2022年12月。https://www.gov.cn/zhengce/2022-12/19/content_5732695.htm [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），2023年8月。 [3] 国家数据局，《"数据要素×"三年行动计划（2024—2026年）》，2023年12月。 [4] 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。 [5] 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》。 [6] 龙石数据官网，数据中台产品页。https://www.longshidata.com/products/government.html
某制造企业的数据治理团队花了近三个月时间，梳理了核心业务系统的数据字段，配置了上百条质量校验规则。规则上线后，系统每天自动扫描出数千条告警——空值、重复、格式不规范，各种问题被逐一标记。 半年后，团队负责人复盘时发现了一个尴尬的局面：告警数量在涨，但真正被修复的问题并没有同步增加。治理团队大量时间花在了"判断哪些告警值得处理"上，业务部门觉得这些告警和实际业务问题关系不大。一位业务主管的反馈很直白："我们知道数据有问题，但你们发的那个报表我们看不懂，也不知道这些问题对我们的业务到底有什么影响。" 这个场景引出了一个数据治理领域容易被忽视的问题：配了规则就等于做好了数据质量管理吗？ 国家标准 DCMM 2.0（GB/T 36073-2025）[1] 给出了不同的视角。在其九大能力域中，数据质量域包含四个能力项：数据质量需求、数据质量检查、数据质量分析和数据质量提升。注意，"检查"只是四个环节之一。这意味着标准在意的不仅仅是"能否检测到问题"，更是"发现问题之后有没有一套持续改进的机制"。 一、当"发现问题"本身成了新的问题 在许多企业的数据治理实践中，质量管理的推进路径高度相似：选一个核心业务域 → 梳理数据资产 → 配置质检规则 → 产出问题报告。到这里为止，逻辑是通的。但问题的分岔出现在下一步——报告产出了，然后呢？ 较为常见的情况是，规则越配越多，但闭环始终没建起来。具体表现为三种典型症状： 规则数量在涨，但实际被修复的问题没有同步增加。 规则从几十条扩展到几百条，每天产出的告警从几百条升到几千条，但真正被修复、被验证、被归档的问题占比很低。治理团队在"发现"这个环节投入了大量资源，但在"解决"这个环节上缺乏对等的投入。 治理团队变成了"告警分类员"。 当告警量超过一定规模，治理团队大量时间消耗在判断哪些告警值得处理上——优先级排序、影响范围评估、与业务部门反复沟通确认。这些工作有价值，但它们本质上是在弥补"问题管理流程缺失"带来的手动成本。 业务部门对质量告警逐渐麻木。 同类告警反复出现，每次处理后过一段时间又冒出来。业务部门最初的配合意愿在一次次的"反复"中被消耗——"反正都是那些问题，修了还会再出现"。 从 DCMM 2.0 的视角审视这种状态，实质上是把"数据质量检查"从数据质量域四个环节中孤立了出来——做了检查，没做需求定义、根因分析和流程提升。行业观察显示，大量企业数据质量项目因缺乏闭环管理机制而难以达到预期效果。这个判断的指向很明确：单点检测和闭环管理之间的差距，才是数据质量能力真正的分水岭。 二、DCMM 2.0 数据质量域到底在要求什么 DCMM 2.0（GB/T 36073-2025）在第 11 章专门定义了数据质量管理能力域，包含四个能力项。这四个能力项之间的顺序关系和逻辑关联，恰恰是理解"为什么不能只做检测"的关键。 能力项 核心问题 如果缺失会怎样 数据质量需求 什么算"好数据"？质量标准在哪？ 没有统一的判断依据，每个系统各自定义，跨部门口径不一致 数据质量检查 数据是否符合既定标准？ — 数据质量分析 问题的根因是什么？影响范围多大？ 同类问题反复出现，无法从源头根治 数据质量提升 怎么防止问题复现？流程怎么改进？ 治理停留在发现-修复-再发现-再修复的循环中 DCMM 2.0 将这四个能力项放在同一个能力域中，不是偶然。它们构成了一条逻辑链：先定义标准，再检查合规性，然后分析问题根因，最后推动流程改进。 这是一条完整的质量管理链路，缺少任何一个环节，整个链条都会断裂。 从实践中观察，最容易出问题的两个断裂点分别位于"检查之后"和"分析之后"。检查之后——很多企业的质量工作到"出了报告"就停止了，缺少问题认领、责任指派和修复跟踪机制。分析之后——即使做了根因分析，也缺少将分析结论转化为流程改进动作的推力，导致同类问题在下一次业务操作中再次出现。 这可以类比为医疗场景：量体温只是诊断的起点，真正的治疗需要结合化验分析、开处方、用药、复查，以及根据疗效调整方案。量了体温但不开药，或者开了药但不复查——这个医疗过程是不完整的。 作为补充参照，GB/T 36344-2018《信息技术 数据质量评价指标》[2] 从数据本身的特性出发，定义了六个质量评价维度：规范性、完整性、准确性、一致性、时效性和可访问性。在制定数据质量需求（首个能力项）时，这个六维框架可以作为定义"好数据"标准的起点。 三、从检测到闭环：八个关键环节 DCMM 2.0 数据质量域的四个能力项提供了顶层框架，但落地到日常运营中，还需要更细颗粒度的操作步骤。从企业实践来看，较为有效的做法是将四环节展开为八个可操作的关键步骤： 标准定义 → 规则配置 → 评测 → 发现 → 认领 → 整改 → 复核 → 改进 这八个步骤环环相扣，以"改进"节点反馈到"标准定义"，形成持续优化的闭环。逐一来看每个步骤的定位： 标准定义是整个闭环的起点。它回答的是"什么是好数据"——哪个字段不能为空、哪个取值范围是合理的、哪些跨表数据需要保持一致。标准不是凭空制定的，需要基于业务规则、行业规范和监管要求来确立。行业实践中，业务规则的显式化定义也普遍被视为质量管理的首要步骤。 规则配置将标准转化为可自动执行的质检规则。这一步的关键在于让业务人员能够参与配置而非全部依赖 IT——业务部门对"什么是异常数据"有最直接的经验，但如果没有低门槛的配置工具，这个经验就无法转化为规则。 评测是运行质量扫描、生成问题报告的环节。采用旁路监测模式（数据正常入库，质量检查在旁路并行扫描）可以确保不阻断业务流程。DAMA-DMBOK2[3] 将数据质量评估分为初始评估和持续监测两类，评测环节承担的正是在不中断业务运行前提下的常态化监测职能。 发现将扫描结果提炼为可操作的问题项——不仅要标出"哪张表有异常"，还要精确到"哪个字段的哪些记录有问题"，标记字段级根因，为后续的认领和整改提供明确目标。 认领将问题推送到责任部门或责任人，明确整改期限。这一步在整个闭环中看似简单，却是最容易断裂的环节。如果问题没有明确的责任归属，前面的检测工作就全部悬空。 整改是对问题数据的实际修复。这一步经常是整个闭环中最脆弱的环节——涉及跨部门协同、业务系统操作权限和生产环境影响评估。如果整改动作长期未被跟踪和督促，闭环就是名义上的闭环。 复核在整改完成后自动复扫，确认问题确实被修复，而非被临时遮盖。这是对整改质量的验证，也是闭环"闭"起来的标志。 改进将高频问题归类，追溯系统性根因，反向优化质量规则和业务规范。例如，如果某类格式错误在三个月内出现了二十余次，不仅需要修复当前数据，还需要检查录入界面的校验逻辑是否缺失。 观察这八个步骤可以明显看到：检测（评测 + 发现）只是八步中的两步。后面的认领 → 整改 → 复核 → 改进才是质量闭环的核心价值所在。 单纯追求检测规则的覆盖率，而忽视闭环的完整性，从长期来看是投入产出比不高的做法。 市场上已有部分数据治理平台将这八个环节整合为可在线流转的闭环体系。以龙石数据质量管理平台为例，它将标准管理、规则配置、质量评测、问题分析和整改闭环串联在同一系统中——从标准到规则、从规则到扫描、从扫描到工单、从工单到复验归档，每一步都在同一平台上完成，避免了"系统A发现问题→线下沟通→系统B处理"的信息断裂。 四、以华东某电子制造企业为例 闭环的价值，在实际业务场景中看得更清楚。 华东一家中大型电子制造企业，日常运转依赖 ERP、MES、WMS 等多个业务系统。随着业务规模扩大，三个环节的数据问题逐步暴露：一是跨部门协同——同一个物料在研发、采购、仓库三个部门的系统中有不同的编码和名称，每次跨部门对账都是一场"翻译"；二是经营指标口径——财务和运营部门对"产值"的计算逻辑不同，月度经营会上管理层经常要先确认"以哪个数字为准"；三是报表周期——经营分析报表依赖人工从多个系统取数、手工汇总，一个完整的月度报告需要数天时间。 从数据层面看，根因集中在三个方向：主数据缺少统一编码和管理机制、数据标准缺失、以及数据质量问题缺乏闭环——业务人员虽然经常发现数据错误，但缺乏系统化的规则配置和问题追踪机制，同类问题反复出现。 企业在明确方向后，分四个阶段推进数据治理建设： 第一阶段：摸清家底。 从物料、客户、供应商等核心业务对象入手，逐一盘点各系统中的存量数据，识别重复、缺失和不一致问题。这一阶段产出了一份完整的数据质量评估报告，让管理层第一次看清了数据治理的起点在哪里。 第二阶段：建标准、立规则。 统一了多类核心主数据对象的编码规则，制定了数十项校验规则，明确了数据录入、审核和维护的权责边界。 第三阶段：系统对接与质量治理。 将核心业务系统的数据接入统一数据底座，配置质量检核规则，对已识别的百万级物料数据进行清洗去重。 第四阶段：服务化落地。 建设经营指标看板和数据服务门户，覆盖多个业务部门。在这个阶段，数据质量的闭环机制初步成型——系统自动扫描质量问题，定位责任部门，生成整改工单，修复后自动复验。 闭环带来的效果是直接的：核心物料数据重复率大幅压降，采购、生产和财务终于用上了"同一本账"；经营报表的生成周期从数天压缩到小时级；跨部门数据口径差异基本消除。更重要的变化在组织层面——各部门开始主动关注数据质量，不再把"数据不准"当作别人的问题。 这个案例的一个关键启示在于：质量规则要配闭环。发现数据问题不是终点——配置规则、自动检核、推动责任部门整改、跟踪处理结果，这个闭环跑通了，数据质量才能持续改善。企业最初面临的问题并非"检测不到问题"，而是"检测到了问题却没有有效的处理机制"。 五、从"能做到"到"能持续" DCMM 2.0 的五级成熟度模型为质量闭环的推进提供了一个清晰的进阶参照。 在 L2"受管理级"，数据质量管理通常在部门层面推进，规则是配了，但修复主要靠人工协调和催促。在 L3"稳健级"，组织建立了统一的质量管理体系，问题能被系统地发现和记录，修复有流程支撑。在 L4"量化管理级"，闭环数据可量化——平均修复时长、问题复发率、规则有效覆盖率等指标成为衡量质量能力的关键参数，标准要求在此阶段"引入人工智能等先进技术"[1] 驱动效能提升。 从大多数企业的实际情况来看，较为稳妥的做法是先从核心业务域做起。选三五个最痛的数据表，配十几条核心规则，把"发现 → 认领 → 整改 → 复核"的闭环先跑通，再根据运行数据逐步扩展覆盖范围和改进节奏。这种方式投入可控、见效快，也更容易获得业务部门的认可和支持。 对于那些希望先摸清数据质量现状再决定投入规模的企业，市场上已有免费可用的数据质量工具。例如，龙石数据质量管理平台·社区版覆盖了 GB/T 36344 标准定义的核心评价维度，支持空值检查、唯一性检查、值域检查、一致性检查等十余类质检规则，可以通过一次快速的部署获得一份系统化的数据质量体检报告。 截至 2025 年 11 月，全国已有超过一万家企业完成了 DCMM 贯标评估[4]。在贯标实践中，数据质量域往往是差距最大的能力域之一——不是因为企业没有质量规则，而是因为规则和闭环之间仍然存在断裂。从"能做到检测"到"能持续改进"，这一步的距离，正是 DCMM 2.0 数据质量域的核心关切所在。 六、FAQ Q1：我们已经有几百条质量规则了，为什么 DCMM 评估还是说我们的质量域不够？ DCMM 2.0 的评估看的不只是规则数量，而是质量管理的闭环机制。数据质量域的四个能力项——质量需求、质量检查、质量分析、质量提升——需要每个环节都有可验证的证据链支撑。有规则但缺少需求定义文件、有问题记录但缺少根因分析和提升记录、有整改但缺少复核验证，这些都会影响评估得分。换句话说，评估关注的是"管理"而非"工具"。 Q2：旁路监测会不会导致问题数据已经流入下游才被发现？ 旁路监测的执行延迟取决于数据量、调度频率和数据库性能，可根据业务时效要求配置执行频率。对于时效性要求极高的场景，可以在关键链路上配合前置强校验。在实际部署中，大多数企业场景下旁路监测的延迟在可接受范围内——质检结果在下一次调度周期（通常为数分钟到数十分钟）即可产出，不影响正常的业务数据流转。 Q3：闭环管理需要多大的组织投入？ 闭环的核心是责任机制，不是人力投入。关键是把三步跑通：问题能推送到具体责任人、整改有明确期限、修复后有复验确认。在平台支撑下，不一定需要新设独立的数据质量团队——但必须明确质量负责人、数据责任人和整改流程。从组织角度来看，把质量责任嵌入现有的数据管理和业务操作流程中，比新建一个专职团队更为可持续。 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 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 [2] 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》 [3] DAMA International,《DAMA数据管理知识体系指南（第二版）》(DAMA-DMBOK2) [4] 中国电子信息行业联合会，DCMM 贯标统计数据，第四届数据治理年会（2025年11月） [5] 龙石数据，数据质量管理平台产品介绍，https://www.longshidata.com/products/quality.html
2026年7月1日，GB/T 36073-2025《数据管理能力成熟度评估模型》（DCMM 2.0）正式实施，替代运行数年的GB/T 36073-2018[1]。DCMM 2.0最直观的变化是能力域从8个扩展为9个——新增"数据资产"域，评估指标从441项增至486项[2]。但在这些结构性的变化背后，一个更值得关注的信号是：在L4量化管理级的评估要求中，明确提出了"引入人工智能等先进技术"[1]。 这不仅仅是对评估标准的一次升级。DCMM 2.0的发布与实施，恰逢企业AI应用从试点走向规模化的关键窗口期。当越来越多的企业开始将大模型和AI能力嵌入业务流程，数据治理的命题也在发生深刻变化——高质量数据支撑AI应用，AI技术反过来也可以重塑数据治理，这两者之间的双向关系正在成为数据能力建设的新焦点。那么，在DCMM 2.0的框架下，企业需要重点补齐哪些能力？ 一、DCMM 2.0的核心变化，不只是多了一个能力域 DCMM 2.0形成了九大能力域的结构：数据战略、数据治理、数据架构、数据资产（新增）、数据标准、数据质量、数据安全、数据生存周期、数据应用流通（由原"数据应用"更名并扩展）[1]。能力项从28个扩展为33个，评估指标从441项增至486项。 从版本迭代看，几个关键变化值得关注： 第一，数据资产域作为独立能力域被纳入评估框架，包括权属管理、价值评估和资产运营三个能力项。这一变化与近两年企业数据资产入表、数据要素市场化等政策方向形成呼应，标志着数据资产管理不再只是IT部门的"内部工作"，而是进入了企业级能力评估的核心视野。 第二，原"数据应用"域更名为"数据应用流通"，能力项扩展为数据应用、外部数据管理、数据开放和数据服务四项。这反映出标准对数据流通和共享能力的重视程度显著提升。 第三，也是最容易被忽略的一个信号——在L4量化管理级的评估要求中，DCMM 2.0明确提出"引入人工智能等先进技术"[1]。注意标准用的是"引入"而非"强制"，这意味着AI能力并非L4的硬性前置条件，但它是评估体系中首次出现的对先进技术应用的明确预期。AI不再是数据治理的"外部变量"，而是被正式纳入了国家标准的评估视野。 二、AI对数据治理提出了新要求：从"业务可用"升级为"AI可理解、可调用、可追溯" Data-Centric AI的理念被越来越多实践所验证——数据质量的上限往往决定了AI应用效果的上限[3]。但与传统的BI和数据仓库场景不同，AI应用对数据治理提出了三个层面的新要求： 可理解。业务人员能看懂一张报表上的数字，大模型却需要元数据告诉它"这个字段代表什么业务含义"。当大模型跨系统关联分析时，两个系统中同名字段指向不同业务实体——比如ERP里的"客户编码"和CRM里的"客户编码"可能并不一致——这种数据口径的不统一会在模型推理中被放大。华东某流程制造企业部署大模型辅助经营分析时曾遇到一个典型问题：模型将财务系统中的"收入确认金额"和生产系统中的"出库金额"视为可比指标进行关联分析，但由于确认时间基准不同，导致输出的分析结论出现偏差。 可调用。AI应用不只是"看"数据，还需要"调用"数据。如果数据标准不统一、接口不规范，模型无法稳定地获取到所需数据。数据资产目录是否完善、数据服务是否标准化，直接影响AI应用的数据供给效率。 可追溯。当大模型基于数据做出的分析结果被用于业务决策时，"这个结论是怎么得出的"必须能够回答。如果在"训练数据来源和加工过程"被问到的时候，无法说清数据从哪来、经过了哪些加工步骤，那么AI输出的可信度就难以保证。元数据管理在此场景下的价值从"数据管理工具"升级为"AI可解释性的基础设施"。 这三个新要求指向同一个结论：在AI应用加速落地的背景下，数据标准、数据质量和元数据管理不再是数据治理的常规动作，而是决定AI应用能否从"跑通"走向"跑好"的三个关键能力域。而这三个能力域，恰好是DCMM 2.0框架中与AI应用质量关联最紧密的核心评估维度。 三、重点能力一：数据标准——让AI在统一语言下工作 数据标准缺失在企业中是一个普遍但容易被低估的问题。同一个业务概念在不同系统中以不同的编码、口径和分类方式存在——物料编码在ERP中是一套规则，在MES中是另一套，在采购系统中又不同。在传统BI场景下，这个问题通常表现为报表对不上、跨部门开会"对口径"。但在AI场景下，问题的严重性被放大了：模型在进行跨系统关联分析时，面对同名字段指向不同实体，其输出的偏差会传导到多个下游业务环节。 DCMM 2.0将数据标准域的能力项扩展为五项：业务术语、主数据、参考数据、数据元、指标数据[1]。这个扩展本身就说明标准制定者认为，仅仅统一字段格式已经不够——还需要从业务术语到指标口径，形成完整的语义一致性体系。 从实践来看，数据标准的建设有两个容易被忽视的要点。一是标准的生命周期管理——制定标准只是起点，标准在业务系统变更后能否同步更新、新旧标准之间的兼容如何处理，才是长期运行的保障。二是业务术语的统一——不同部门对同一概念的不同称呼（如"客户""用户""消费者"），在AI应用中会成为理解偏差的来源。市场上已有部分数据中台产品将数据标准管理作为平台的基础能力，提供术语字典、主数据管理和标准稽核等功能，帮助企业在标准制定之后持续跟踪标准的执行情况。 华东某大型化工企业的实践提供了参考[4]。该企业ERP、MES、CRM等多个系统之间物料和产品编码长期不统一，导致产销协同依赖人工对账。在数据中台建设过程中，企业首先建立了企业级数据标准管理机制，编制了跨部门的业务术语和指标说明书，统一了物料、产品、工序和能耗口径。标准落地后，库存周转率提升28%，订单交付及时率提升至91%，经营分析从依赖多部门反复对账被大幅压缩[4]。 四、重点能力二：数据质量——从"体检式"到"持续闭环" 传统的质量管理往往是"体检式"的：阶段性做一次数据质量评估，发现问题、整改、出报告，然后等待下一次评估。这种模式在BI场景下勉强够用，但在AI应用场景下面临两个困难。 一是质量问题的"污染半径"被放大。大模型在处理复杂推理任务时，会基于同一批数据反复调用和关联分析，一条脏数据可能被多次引用，影响范围远超传统的报表误差。二是时效性要求更高。AI应用通常要求实时或准实时的数据供给，事后发现质量问题再进行整改的模式，跟不上AI应用的数据消费节奏。 DCMM 2.0数据质量域定义了四个能力项：数据质量需求、数据质量检查、数据质量分析和数据质量提升[1]。这四个能力项组成的质量闭环，核心是让质量管理从"发现问题"延伸到"持续改进"——先明确什么是"好质量"（需求），再检查当前数据是否达标（检查），分析偏差原因（分析），最后推动系统性改进（提升）。 在工程实践中，旁路监测是一种较为成熟的质量闭环实现方式：数据正常入库，质量检查在旁路并行扫描，发现问题后打标记、告警、生成工单，不影响业务流程的正常运行。这种模式解决了"数据质量管控要不要阻断业务"的长期纠结——保障业务流程连续性的同时，让质量问题能够被及时发现和跟踪。 江西某国控集团的实践验证了这一思路的有效性[5]。该集团下属十余套业务系统（OA、财务、投资、产权等）数据分散、标准缺失、质量不可控。在数据中台建设过程中，集团建立了涵盖完整性、准确性、一致性、及时性、唯一性的质量稽核规则体系，实现了数据自动检测、异常告警、问题定位、整改跟踪的闭环管理。数据质量的可信度提升后，业务报表自动生成、无需人工汇总，穿透式监管得以真正落地[5]。 五、重点能力三：元数据管理——让AI可解释、数据可追溯 如果说数据标准解决的是"AI能不能读懂数据"，数据质量解决的是"AI读到的数据对不对"，那么元数据管理解决的是"AI为什么读到这些数据、这些数据是怎么来的"。 元数据是数据的"使用说明书"——记录数据的来源（从哪里采集）、加工过程（经过了哪些转换）、业务含义（代表什么业务事实）、关系网络（和其他数据什么关系）。在传统数据管理场景下，元数据的核心价值是帮助数据团队理解数据资产、定位数据问题。但在大模型和AI应用场景下，元数据的价值发生了跃迁：它从"数据团队的工具"变成了"AI可解释性的基础设施"。 DCMM 2.0将元数据管理作为数据架构域的核心能力项之一[1]。从实践角度看，有三个关键动作值得企业重点关注。首先，元数据的自动采集能力——人工梳理元数据的覆盖率和更新频率都有限，自动化工具可以持续扫描数据库、ETL任务和BI报表，动态更新元数据图谱。其次，血缘关系的构建——不仅记录数据"是什么"，更要记录数据"从哪里来、经过了什么加工、流向哪里"，这是支撑AI模型可追溯性的基础。第三，业务元数据的持续标注——技术元数据（表名、字段名、类型）是骨架，业务元数据（业务含义、计算口径、责任主体）才是血肉，后者需要数据管家和业务人员持续投入。 六、AI反哺治理：当治理遇上人工智能 DCMM 2.0在L4级别提出的"引入人工智能等先进技术"[1]，不应被理解为单向的要求——它同时揭示了一个正在发生的趋势：AI技术正在重塑数据治理本身。两者的关系是双向的：治理为AI提供高质量数据，AI为治理提供效率工具。 从当前的工程实践来看，AI在以下几个方向已经开始反哺数据治理工作： AI辅助元数据发现与血缘构建。传统模式下，数据团队需要人工梳理各业务系统的表结构、字段含义和数据流向，工作量大且容易遗漏。AI可以通过自动扫描数据库日志、ETL任务配置和SQL语句，自动发现元数据并推断数据血缘关系，减少人工梳理工作量。 AI辅助数据质量检测。质量规则的配置通常依赖数据工程师的经验，需要逐字段判断应该设置哪些校验规则。AI可以基于字段名称、数据类型和样本数据特征，自动推荐质量规则——比如识别出"手机号"字段并推荐格式校验规则，识别出"金额"字段并推荐非空和值域校验规则——经人工确认后应用，效率提升明显。 AI辅助业务语义识别。不同业务系统对同一实体可能有不同的命名方式，比如"神仙水"和"SK-II精华露"。AI可以基于数据内容的模式匹配和上下文分析，自动识别这类同义异构现象，辅助数据管家完成业务术语映射。 AI辅助数据资产盘点。传统的数据资产盘点需要人工逐系统、逐表进行，周期长、覆盖面有限。AI可以通过自动扫描数据目录和元数据仓库，批量生成资产标签和分类建议，将数据管家的精力从"盘点"转移到"审核确认"。 江苏某国企数科的实践提供了一个有参考价值的案例[6]。该企业运营的数据要素流通平台汇聚了大量公共数据和市场化数据资源，但用户"找数难、用数难"的问题突出——资源丰富却难以定位，平台功能完备但缺乏智能引导。引入AI用数智能体后，用户通过自然语言即可完成资源查询，系统基于语义理解主动推荐相关数据产品。用数门槛显著降低，用户检索耗时大幅缩短，基础咨询工单量显著下降[6]。这个案例说明，AI能力不仅能够提升治理效率，更关键的是能够降低数据消费的门槛——让治理的成果真正被业务人员消费和使用。 部分AI数据中台产品已经将上述能力作为平台的基础模块，如自然语言问数使业务人员直接消费治理成果、智能质量规则推荐减少人工配置工作量、自动元数据发现降低数据管家维护成本。DCMM 2.0将AI纳入评估框架，某种程度上是在推动这种"用AI提升治理、用治理支撑AI"的正向循环。 七、从能力清单到落地路径：理采存管用在DCMM 2.0框架下的定位 DCMM 2.0告诉企业"要达到什么水平"，但并没有回答"怎么建起来"。对于大多数企业来说，将九大能力域和33个能力项直接转化为可执行的建设项目，中间存在较大的衔接空白。 龙石数据在实践中总结的"理采存管用"五阶段方法论[7]，可以看作DCMM 2.0评估框架在工程落地层面的操作化表达。两者之间的对应关系大致如下（表1）。需要说明的是，以下对应关系为方法论层面的示意，并非严格的一一对应——"理"阶段的战略制定、组织建设和制度设计具有全局性，覆盖范围超出了数据战略域的范畴；而"存"阶段侧重数据开发和数仓建设，与数据架构域的侧重点也存在差异。 DCMM 2.0能力域（核心相关） 理采存管用五阶段 关键动作 数据战略、数据治理 理（定战略、建体系、摸家底） 制定数据战略目标，建立治理组织与制度，盘点核心数据资产 数据架构（集成与共享） 采（聚数据） 多源异构系统数据归集，打通数据链路 数据架构（数据模型、元数据） 存（绘模型） 数据模型规划与设计，数仓分层存储 数据标准、数据质量、数据安全 管（管数据） 制定与执行标准，质量监控闭环，安全保障 数据资产、数据应用流通 用（促共享、重应用） 资产服务化，数据共享与API服务，AI应用支撑 表1：DCMM 2.0能力域与理采存管用对应关系示意（并非严格一一对应，"理"阶段具有跨域全局性，"存"阶段侧重开发层面） 在具体落地路径上，建议采用三阶段推进策略： 第一阶段：以"理"为起点，建立基线。系统梳理核心业务系统（如ERP、CRM、MES）的关键数据表与核心字段，形成数据资产清单；针对最关键的实体（如物料、客户、供应商），制定统一的主数据编码标准；为核心字段定义最基本的数据质量规则（非空约束、值域范围、格式校验），建立可量化评估的数据质量基线。这一阶段的核心产出不是"把数据治好"，而是"看清现状、管起规则"。 第二阶段：以"采、存、管、用"跑通闭环。选择一个业务痛点最明显的数据域，利用数据中台完整跑通数据价值生产的全链路——按需归集多源数据（采），规划数据模型并规范存储（存），嵌入执行数据质量规则（管），基于治理后的数据构建1-2个业务价值明确的AI应用场景（用）。这一阶段的核心目标是验证方法论和平台的有效性，形成可复制的样板。 第三阶段：以"用"促"治"，螺旋扩展。将第二阶段验证的模式复制到更多业务域，横向扩展覆盖范围；基于业务反馈持续迭代数据标准和质量规则，纵向深化治理能力；逐步完善元数据管理、数据安全、资源目录编目等管理体系。这一阶段的核心目标是形成常态化、制度化的数据运营能力。 从行业实践来看，以龙石数据中台为代表的部分平台产品，已围绕"理采存管用"方法论构建了完整的能力模块，同时配合"产品+培训+陪跑"的服务模式——不只交付工具，而是通过集中培训帮助客户建立理论和操作基础，再通过驻场陪跑在真实业务场景中完成能力转移，最终让企业团队具备自主运营数据中台的能力。这种"工具+赋能"的组合，对于正在准备DCMM 2.0评估、需要快速补齐治理能力短板的企业来说，是一条值得关注的路径。 八、FAQ Q1：DCMM 2.0的L4 AI要求是"强制"的吗？企业必须上AI才能评L4？ DCMM属于推荐性国家标准，企业申请相应等级需按该等级适用要求准备能力证据。标准用词是"引入人工智能等先进技术"[1]，而非"强制"。企业可以通过在数据质量检测、元数据管理、资产盘点等环节引入AI工具来满足这一要求，并非必须自研大模型。DCMM 2.0关注的是能力存在，而非自研程度。 Q2：企业已通过DCMM 1.0评估，需要为2.0重新准备吗？ 1.0的评估结果仍具参考价值，但2.0新增的"数据资产"域和"数据应用流通"域（含数据服务、外部数据管理）是新的评估维度。建议优先补齐这两个域的能力，同时关注L4及以上对AI能力的预期。值得留意的是，2.0的能力项名称和结构也有调整——如数据安全域的能力项已从1.0的"分类分级、策略、管理、审计"重组为"合规管理、安全防护、审计"[1]，在准备证据时需对照新版标准重新组织。 Q3：数据治理和AI应用，应该先做哪个？ 不需要等治理做完再上AI。较为务实的做法是：选取一个业务价值最高的用数场景先跑起来，AI用数的需求会反向暴露治理短板——比如模型跑不准时，团队自然会去追问数据口径是否一致、元数据是否完整。这种以用数需求牵引治理的方式，比自上而下的纯粹推动更容易获得业务配合。具体路径可以参考第七节的三阶段推进思路。 Q4：小企业没有专门的AI团队，怎么满足DCMM 2.0的AI能力要求？ AI能力不等于自研大模型或自建AI团队。目前市场上已有一些成熟的AI数据治理工具——如自动化的元数据发现、智能质量规则推荐、自然语言问数——直接采用这些工具同样体现了"引入先进技术"。DCMM 2.0关注的是能力存在，而非企业是否自行研发。对于中小企业而言，选择成熟的商业化工具或平台产品来满足这一要求，是比自研更加经济高效的方式。 参考来源： [1] 国家市场监督管理总局、中国国家标准化管理委员会，《数据管理能力成熟度评估模型》（GB/T 36073-2025），2026年7月1日实施 [2] 中国电子信息行业联合会，DCMM贯标统计数据，第四届数据治理年会，2025年11月 [3] Andrew Ng et al., Data-Centric AI: "Rather than focusing on the code, companies should focus on developing systematic engineering practices for improving data in ways that are reliable, efficient, and systematic." [4] 华东某化工企业数据中台建设案例，库存周转率提升28%、订单交付及时率提升至91% [5] 江西某国控集团数据中台建设案例，穿透式监管数据治理 [6] 江苏某国企数科AI用数智能体案例，数据要素流通平台智能入口 [7] 龙石数据，"理采存管用"数据治理方法论与实践，https://www.longshidata.com/products/government.html
龙石数据中台 V3.9.3 聚焦元数据管理、实时归集、任务执行与数据质量等核心能力升级，完善血缘分析与元数据自动接入，增强实时任务重置与异常处理能力，并优化质量评测及清洗转换配置，进一步提升平台治理与数据处理效率。
公共大模型的能力在过去两年中飞速提升，但一个矛盾正在企业端越来越明显：模型换了、算力加了，AI问数、知识问答和智能决策仍然不够稳定。真正短缺的往往不是更强的模型，而是能够持续、可信地供给AI的数据。 企业AI竞争正在从"模型能力竞争"，转向"模型能力与数据供给能力的协同竞争"。以下从六个角度展开这一判断。 一、大模型很强，但企业的数据问题不会自动消失 模型可以理解和计算，但它至少有以下五件事解决不了。 第一，不能替企业确定指标的权威口径。"销售额"是含税还是不含税？"回款率"的分母是对账金额还是签约金额？模型不知道答案——这些定义需要业务和技术团队共同确认。 第二，不能自动判断哪套系统是可信数据源。同一个物料编码在ERP、MES、WMS中各不相同，模型无法判断以哪个为准。 第三，不能凭空补全缺失的业务术语和元数据。数据库字段叫"F_STAT_CD"，模型不知道它代表"订单状态"还是"客户等级"——除非有人告诉它。 第四，不能保证源数据的准确、及时和完整。录入错误、同步延迟、字段缺失——这些是数据生产环节的问题，不在模型的能力范围内。 第五，不能代替企业制定数据权限和安全规则。谁能看什么数据、哪些字段不能展示给AI——这些是治理规则，不是模型推理。 一句话概括：模型可以生成答案，但数据治理决定这个答案是否建立在正确的数据、口径和权限之上。 二、三个趋势，让数据治理从外围工作进入AI核心链路 趋势一：AI进入核心业务，错误代价被放大。 当AI从"帮写周报"走向"帮做排产计划"和"帮评估供应商风险"，数据错误的后果就从"报表数字对不上"变成了"生产、采购和风控决策出现偏差"。同样的数据问题，在BI报表时代是恼人，在AI决策时代是危险。 趋势二：高质量数据集从政策概念进入建设阶段。 2026年，江苏省共有147个项目入选高质量数据集建设先行先试名单，覆盖制造、医疗、交通等多个领域。数据供给正在从企业内部的一项IT工作，升级为有政策牵引和标准规范的基础设施工程。 趋势三：AI应用与数据治理形成双向循环。 这不是"先治理完再上AI"或"先上AI再补治理"的二选一。实践中的有效路径是：AI应用上线后，业务人员问出的"错误答案"往往恰好暴露了指标口径不一致、元数据标注缺失、数据时效不匹配等问题——这些信号反过来为治理工作提供了精准优先级。治理改善AI效果，AI暴露治理短板，两件事互相推动。 三、AI时代，治理发生了什么变化 AI没有让传统数据治理过时，但它深刻改变了治理的对象、要求和方式。 治理对象变了。 过去的数据治理主要面向结构化数据库中的表和字段。今天，企业的AI应用同时消费数据库、文档库、知识库、向量数据和训练推理数据集。治理的范围不再局限于"那张表"，而是覆盖了AI消费数据的所有入口。 治理要求变了。 过去的数据质量目标是"字段正确、报表一致"。今天的标准升级为"机器可理解、语义可映射、结果可解释"。数据不仅要准确，还需要被AI正确地找到、正确地理解、正确地引用——这对元数据、业务术语和指标口径提出了远高于传统BI时代的精细度要求。 治理方式变了。 过去的数据治理通常以项目制推进——立项、实施、验收、结项。但在AI持续迭代的场景中，数据、模型和业务需求都在不断地变化。治理需要从阶段性项目升级为随数据、模型和业务场景持续迭代的闭环运营。 四、企业需要升级哪些治理能力 面向AI场景，企业可以从六个维度审视自身的数据治理准备度。 数据准确。 源数据真实、完整、符合业务规则。如果源表数据本身有误，AI给出的答案从一开始就是错的。 口径统一。 核心指标拥有唯一或明确适用范围的定义。"销售额"到底含不含税、"准时交付率"按哪个时间节点计算——这些定义需要跨部门达成共识并落地到系统中。 语义完整。 字段、表、指标和业务术语之间能够正确映射。业务人员说"帮我看下回款情况"，AI需要知道去哪张表的哪个字段查什么算——这中间的所有映射关系都是治理需要沉淀的资产。 时效可控。 明确每个数据集的更新频率和可用时间范围。财务以月结为准，生产需要实时——AI需要知道"最新的数据"对不同场景意味着什么。 全程可追溯。 AI给出的每一个数据结论，应能追溯到数据源、加工过程和数据版本。当业务人员质疑"这个数为什么和财务对不上"，追溯能力就是排查的起点。 安全可控。 AI只能访问和展示当前用户获得授权的数据，既不能因权限范围不足导致答案失真，也不能越权展示敏感字段。 五、沿着"理采存管用"建设AI数据供给能力 以上六个维度不是彼此孤立的检查项。龙石数据在实践中提炼的"理、采、存、管、用"五阶段方法论，为面向AI的数据供给能力建设提供了一条可操作的实施路径。 在"理"阶段，明确AI应用场景，盘点和梳理涉及的数据资产、业务术语和核心指标口径——先搞清楚"AI需要什么数据、这些数据在哪、怎么定义的"。 在"采"阶段，将ERP、MES、CRM、文档库等多源异构数据接入统一的数据底座，解决"数据散落在哪"的问题。 在"存"阶段，对归集的数据进行清洗转换和编码统一，形成标准化的数据基础——这一步决定了后续AI消费的数据是否有统一的"语言"。 在"管"阶段，系统性地开展数据标准、元数据管理、质量检测、安全脱敏、血缘追踪和权限控制——六个维度中的大多数能力在这一阶段集中落地。 在"用"阶段，将治理成果以数据集、API、知识库和智能问数服务的形式发布和交付，让AI真正消费到经过治理的可信数据。 龙石数据中台按照这一链路，将数据盘点、归集、标准、元数据、质量、安全和数据服务连接起来，为AI应用持续提供可信、可理解、可追溯的数据供给。 六、企业从哪里开始 不必追求一步到位地完成全公司范围的数据治理，更务实的方式是"选场景、盘数据、跑闭环"。 先选择一个价值明确、数据边界清晰的AI应用场景——例如智能问数中的"经营分析"场景或"客户回款"场景。然后盘点该场景涉及的数据源、核心指标、业务术语和已知的质量问题。最后打通一条从"治理→应用→反馈→再治理"的小闭环，验证效果后再逐步扩展到更多场景。 这个闭环的核心价值在于：它让治理的优先级由真实的AI应用需求驱动，而不是由治理团队凭经验排期。当业务人员在AI问数中发现"这个指标口径不对"时，治理团队就有了明确的下一个工作目标。 FAQ Q1：模型能力一直在提升，数据治理的投入会不会过时？ 不会。模型提升的是"怎么算"，数据治理解决的是"算什么、算哪个"——两个问题的性质不同。模型越强，越需要准确、一致、可理解的数据输入，否则更强的推理能力只是把数据中的问题放大得更快。从行业实践来看，数据治理不是AI热潮中的过渡性投入，而是AI能力持续发挥价值的基础条件。 Q2：是不是必须先完成全公司的数据治理，才能上AI应用？ 不必。全公司范围的治理工程周期长、投入大，容易在治理完成前AI项目就失去了业务窗口。比较务实的策略是从一两个核心AI场景切入，先治理场景涉及的数据范围，跑通小闭环后再扩展。AI应用本身也会反向暴露治理问题，为后续的治理规划提供真实需求优先级。 Q3：企业想快速判断自己的数据能否支撑AI，可以先检查什么？ 可以从六个问题入手：数据在哪些系统中、核心指标口径是否统一、关键字段能否被业务人员理解、数据质量是否做过基线评估、数据更新周期是否符合AI应用场景的要求、不同岗位的数据权限是否清晰。这六个问题不需要完美答案，但至少能让企业清楚自己和"AI就绪"之间的距离有多远。 参考来源 [1] 江苏网信办，《2026年江苏省高质量数据集建设先行先试项目入选名单》 [2] Andrew Ng, Data-Centric AI — 业界关于AI开发中数据准备重要性的广泛讨论 [3] GB/T 36073-2025《数据管理能力成熟度评估模型》（DCMM 2.0），全国信息技术标准化技术委员会 [4] 龙石数据，数据中台，https://www.longshidata.com/products/government.html
