龙石数据质量管理平台·社区版部署教程。

早上八点，无锡一家自动化控制企业的生产调度打开微信，消息已经攒了十几条。 "昨晚客户又改交期了，这个订单得插进来。" "BOM 还得再调一下，采购那边到货也晚了三天。" "机加工那台设备又停了，不知道什么时候能修好。" 这家企业是国内工业自动化控制阀领域的头部企业，产品覆盖石油化工、电力、冶金等行业，多个生产基地年产控制阀数十万台，客户遍布国内外大型工业集团。但规模越大，数据的"散"和"变"就越突出——订单、设计、物料、设备状态每时每刻都在变化，信息却散落在 ERP、PLM、MES 和一堆纸质流转单里。 项目启动初期，龙石顾问团队对企业的 ERP、PLM、MES、SCADA 等核心系统进行了全面调研，发现了一个典型的离散制造困局： 很多制造企业认为自己缺的是 MES，但实际上在服务离散制造客户时发现：企业最大的瓶颈往往不是系统数量不足，而是订单、工艺、设备、质量数据无法形成统一链路。尤其在按单设计、多品种小批量的模式下——订单变更会影响 BOM，BOM 变化会影响采购，采购延迟会影响排产，设备停机会影响交付。如果这些数据分散在多个系统中，管理层几乎不可能实时掌握真实情况。 当管理层想回答"某个订单现在做到哪了""为什么这个批次老出问题""那台设备到底停了多少次"时，往往要等半天甚至几天。 这不是个案。离散制造企业的数据之困，几乎都集中在四个环节。 一、四个痛点：看得见的效率损耗 计划排产难。 销售订单频繁变更交期，设计 BOM 常需修改，采购到货不准时，车间设备突发故障——任何一个环节的变动都会打乱生产计划。排产结果与实际执行严重脱节，准交率持续承压。 过程不透明。 一个控制阀要经过机加工、装配、测试、喷涂等多道工序，每道工序的在制品数量、进度、质量状态主要靠纸质流转单。管理层想知道"做到哪了"，半天也拿不到准确答案。 质量追溯慢。 客户投诉某批次产品存在泄漏，质量部门需要追溯该批次的原材料批次、加工设备、操作人员、检验记录。数据散落在不同工位的纸质记录和 Excel 中，追溯一次耗时数天，还容易遗漏。 设备管理弱。 车间数控机床、加工中心等设备众多，但运行状态、故障记录、OEE 等数据未系统采集。设备科只知道"坏了"，不知道"坏在哪、停了多久、根因是什么"，预防性维修无从谈起。 顾问的诊断很直接：离散制造的问题本质不是缺系统，而是缺一套实时汇聚全要素数据、自适应业务变化的数据底座。解决路径就是——理、采、存、管、用。 项目实施中最大的挑战，出人意料地不在技术上，而在"理"这个环节。 同一个零部件——比如一台控制阀的阀体——在 ERP 系统里用采购编码，在 PLM 里用设计图号，在 MES 里又有一套车间自编号。三个部门各说各话，同一个东西对不上。项目团队联合采购、设计、生产三个部门，把核心物料逐一拉出来对账：这个编码对应哪个图号、那个图号在车间叫啥名。前后花了近三周，最终统一形成了企业级主数据标准。 这正是龙石多年来坚持"产品+培训+陪跑"模式的原因——不是替客户做完就走，而是让客户自己具备持续治理的能力。 具体分两步： 第一步，培训。 在项目启动阶段，企业信息部门的核心团队集中学习，内容包括三个层次：理论层覆盖 DCMM 和 DAMA 框架，帮团队建立数据治理的整体认知；模拟层用沙盘案例演练"理采存管用"的完整流程；实操层直接在数据中台上手，从配置数据标准到跑通质量规则，把"听的"变成"会的"。 第二步，陪跑。 培训结束后，顾问进入客户现场，选一个真实业务域——比如这次的生产域——和客户团队一起跑。但跑法很明确：顾问指导，客户操作。从归集 MES 数据到配置在制品跟踪看板，每一步都是客户团队动手完成，顾问在旁边把关。目标不是"帮你把数据治好了"，而是"你们自己能治了"。 正是这套"先培训、再陪跑"的打法，让下面的落地过程不只是实施记录，而是企业自己逐步建立数据能力的过程。 二、落地：从统一主数据到三个核心应用 项目最先做的不是建模型，而是统一主数据。因为在前期调研中发现：同一个零件在设计部门、采购部门、生产部门可能对应三套不同编码。数据不统一，后面所有分析都会失真。团队带着三个部门的业务骨干，把订单、物料、BOM、工序、设备等核心主数据逐一拉通，制定了企业级的编码规范。针对离散制造"订单—工单—工序—设备—人员—物料"的六层结构，抽象出一套行业数据模型，让不同系统说起同一种"业务方言"。 主数据统一后，项目组开始打通 ERP、PLM、MES、SCADA、质量系统，将订单、BOM、工艺路线、工序报工、设备状态、质量检验等数十张核心业务表全部接入数据中台。基于六层主数据模型，围绕计划排产、在制品跟踪、质量追溯、设备 OEE 四个主题构建了关联模型——通过统一的订单号、物料编码、设备编号，跨系统数据首次实现了按需关联。 数据接入的同时落地治理规则：物料主数据去重与合并、工序编码标准化、质量检验项字典统一。元数据自动采集和血缘分析——遵循 DAMA 数据管理知识体系（DMBOK2）的最佳实践——让数据"从哪里来、经过了什么处理"一目了然。 在此基础上，项目组交付了三个核心应用： 在制品跟踪看板：通过集成工序报工、设备状态等数据，自动计算每个订单在各工序的完成数量、在制数量、合格数量，关联工艺路线中的标准工时，自动生成订单进度看板。管理层点击任一订单，即可下钻到该订单当前所在工序、预计完成时间、已延误原因。 质量追溯查询：建立"原材料批次—加工设备—操作人员—检验记录"的关联模型。当遇到质量问题时，通过订单号自动关联出所用原材料的采购批次、各工序的加工设备与操作人员、每个检验项目的实测值。 设备 OEE 分析：通过设备运行信号与停机记录等数据，计算每台设备的 OEE（时间开动率、性能开动率、合格品率），并按故障、换型、待料等维度分类统计停机原因。设备科据此制定预防性维护计划。 三、效果：五个可量化的改变 1. 准交率：从"靠电话催"到"看屏幕知"。 项目建设前，订单进度全靠电话和微信沟通，计划调度每天花大量时间追问车间，准交率长期徘徊在 70% 左右。在制品跟踪看板上线后，管理者点击任一订单即可看到当前工序、完成进度和预计延误风险。准交率从约 70% 提升至 86%，客户投诉率下降 40%。 2. 质量追溯：从"两三天"到"几分钟"。 过去遇到客户投诉，质量部门要翻遍纸质流转单和散落的 Excel，追溯一个批次的完整记录通常需要两到三天。现在输入订单号即可一键获取原材料批次、加工设备、操作人员、检验记录的全链路数据。质量追溯从 2-3 天缩短到几分钟，一次客户审计中 1 小时内即完成全部资料导出。 3. 设备管理：从"说不清"到"可量化"。 项目前设备科只知道设备"坏了"，停机多久、根因是什么、影响了多少产出——全凭经验估算。现在 OEE 自动计算，停机原因按故障、换型、待料等维度分类统计。设备科据此制定预防性维护计划，非计划停机时间减少 35%。 4. 数据标准：从"各说各话"到"一套语言"。 项目前，同一个物料在 ERP、PLM、MES 里各有各的编码，生产、采购、财务三套口径经常对不上。现在物料编码、BOM 结构、工序名称在全公司统一，大幅消灭了"账实不符"的差异项，跨部门沟通不再需要反复核对口径。 5. 数据资产：从"散落各处"到"持续沉淀"。 项目前，订单、设备、质量等核心数据散落在各个系统中，既不可见也不可用。现在这些数据已沉淀为企业的数字化资产，成为后续推进预测性维护、智能排产等 AI 应用的基础数据底座。 四、启示：离散制造的数字化路径 这个案例的经验可以总结为三点： 治理先行，不急于上应用。 正如 DAMA 在《数据管理知识体系指南》（DMBOK2）中反复强调的：数据治理是数据价值实现的基石。先统一主数据标准、建立数据质量规则，再谈报表和分析。很多人一上来就想做大屏看板，但数据没理清楚、标准没统一，看板上的数字再漂亮也是"假数据"。 用真实场景倒逼落地。 在制品跟踪、质量追溯、设备 OEE 这三个场景不是因为"功能列表上有"，而是因为企业每天都被这三个问题困扰。用最痛的点驱动治理，比按部就班推进更有效。 六层数据模型是离散制造的关键。 "订单—工单—工序—设备—人员—物料"这套模型，把离散制造的核心要素串成了一个可计算、可追溯的数据链。这一思路与国际自动化学会（ISA）发布的 ISA-95（IEC 62264）标准不谋而合——该标准将制造企业划分为企业层、车间层、设备层等功能层次，强调各层级数据的标准化建模与互操作。不同类型的企业需要构建自己行业的数据模型——化工行业的"批次—配方—工艺参数"，建筑行业的"项目—标段—分项"——但思路是一致的。

国际数据管理协会（DAMA International）是全球最具影响力的数据管理专业组织之一。其发布的《DAMA-DMBOK（Data Management Body of Knowledge）》被广泛视为数据管理领域的基础知识体系。 DAMA 对数据管理给出了经典定义： "Data Management is the development, execution, and supervision of plans, policies, programs, and practices that deliver, control, protect, and enhance the value of data and information assets throughout their lifecycles." —— DAMA International 即 数据管理是围绕数据和信息资产全生命周期开展规划、执行和监督的一系列制度、流程与实践活动，其目标是交付、控制、保护并持续提升数据资产价值。 在此基础上，DAMA-DMBOK 将数据管理拆解为多个知识领域，覆盖治理、架构、质量、安全、元数据、主数据等核心能力，构建了一套完整的数据管理理论框架。 但在实际项目中，很多企业都会遇到同一个问题： DAMA 告诉我们应该做什么，却没有直接告诉我们应该从哪里开始，以及具体如何推进。 尤其是在数据中台建设过程中，企业真正需要的往往不是一套知识体系，而是一套能够指导项目实施的工程化方法。 经过大量项目实践可以发现，龙石数据提出的“理采存管用”方法论，恰好能够将 DAMA 的理论框架转化为可执行的落地路径。 一、DAMA 的 11 个知识领域：一张全景图 先快速过一遍 DAMA-DMBOK 的核心领域，为后续的映射做铺垫： 领域 核心关切 在中台建设中的含义 数据治理 谁决策、谁负责、制度怎么定 治理组织和制度建设 数据架构 数据怎么组织、怎么流动 数据模型和集成架构设计 数据建模与设计 概念模型、逻辑模型、物理模型 数仓分层和模型设计 数据存储与操作 数据存在哪、怎么管 存储选型和运维 数据安全 谁能看、谁能改 权限和脱敏 数据集成与互操作 不同系统的数据怎么通 多源异构数据汇聚 文档与内容管理 非结构化数据怎么管 文档和知识库 参考数据与主数据 核心实体的统一编码 主数据管理 数据仓库与 BI 分析怎么支持 报表和可视化 元数据管理 数据从哪来、什么意思 元数据采集和血缘 数据质量 数据准不准、全不全 质量规则和监控 从内容覆盖范围来看，DAMA 已经回答了企业数据管理“应该建设哪些能力”的问题。 但对于很多企业而言，更现实的问题是： 这些能力应该如何组织？ 哪些先做？ 哪些后做？ 如何形成建设闭环？ 二、DAMA 与 DCMM：国际理论与中国标准 在国内数据治理领域，除了 DAMA，还有一个经常被提及的标准——DCMM。 DCMM（Data Management Capability Maturity Model）即《数据管理能力成熟度评估模型》，是我国首个数据管理领域国家标准（GB/T 36073-2018）。 注：DCMM 2.0（GB/T 36073-2025）已正式发布，将于 2026 年 7 月 1 日起实施。相较 1.0 版本，能力域从 8 个扩展为 9 个，新增"数据资产"能力域。本文以现行 GB/T 36073-2018 为基础论述，实际引用时建议参考 2.0 版本。 标准指出： “帮助组织运用先进的数据管理理念和方法，建立和评价自身数据管理能力，持续完善数据管理组织、程序和制度，充分发挥数据在促进组织战略达成方面的价值。” DCMM 将数据管理能力划分为八大能力域： 数据战略 数据治理 数据架构 数据标准 数据质量 数据应用 数据安全 数据生命周期 同时建立了五级成熟度评价体系： 一级：初始级 二级：受管理级 三级：稳健级 四级：量化管理级 五级：优化级 从本质上看： 体系 关注重点 DAMA 数据管理知识体系 DCMM 数据管理成熟度评价 数据中台 数据能力平台建设 理采存管用 数据治理实施路径 三者并不冲突，而是关注点不同。 DAMA 解决的是：应该建设什么能力 DCMM 解决的是：能力建设达到什么水平 而数据中台项目需要解决的是：如何把这些能力真正建设出来 三、理采存管用：DAMA 的工程化落地 如果说 DAMA 是"理论教材"，那龙石数据的"理采存管用"就是"落地手册"。 五阶方法论不是对 DAMA 的简化，而是按照工程落地顺序对 DAMA 各领域的重新编排： 可以看到，DAMA 的知识体系被系统性地分配到了五个阶段中。其中"管"阶段承载了最多的治理职能——质量、元数据、主数据、安全，多个领域在这一环节集中落地。 这不是简单的分类对应。关键在于顺序——DAMA 告诉你"要做什么"，理采存管用告诉你"先做什么、后做什么、怎么串起来"。 四、为什么顺序很重要？ 很多中台项目失败，不是因为某个领域没做，而是顺序错了。 典型错误一：在"理"之前就做"采"。 数据资产还没盘点、标准还没定、治理组织还没建，就开始写 ETL 脚本接数据。结果是接进来的数据口径不一致，后面还得返工。上海某化工企业的教训很典型——中台项目启动后直接开始接 MES 和 ERP，三个月后发现物料编码在两边完全对不上，之前的集成工作全部重来。而正确的顺序是先做"理"：统一主数据标准、建立数据质量规则，再进入采集环节。该企业调整路径后，交付及时率从不足 70% 提升到了 91%。 典型错误二：在"管"之前就做"用"。 数据标准没统一、质量没控制、元数据没采集，就开始做报表和 AI 分析。一个常见的后果是：同一个销售额，BI 页面和财务系统差了几百万，业务部门再也不敢用。 典型错误三："管"只做技术检查，不做业务治理。 DAMA 强调数据治理首先是组织治理——要有明确的权责和考核机制。如果质量规则只在技术层面跑，没有人对业务口径负责，那数据问题永远不会从源头解决。 五、AI时代，为什么更需要数据治理？ 随着大模型快速发展，越来越多企业开始建设：AI问数、AI分析助手、AI数据助手、企业知识库。但实践证明：AI效果的上限往往取决于数据质量。 近年来兴起的 Data-Centric AI 理论认为： 与持续优化模型相比，持续提升数据质量和数据治理能力，往往能够获得更大的业务收益。 原因很简单，如果指标定义不统一、主数据不统一、元数据缺失、数据质量不可控，那么AI只会把错误答案生成得更快。 因此，AI时代并没有削弱数据治理的重要性，反而进一步提高了数据治理的战略价值。对于企业而言：数据治理是AI的基础设施。 理采存管用中的"管"，本质上是在为未来的AI应用打基础。而"用"阶段中的智能问数、智能分析，则是治理成果的集中体现。 这一趋势已在政策层面得到印证。2026年，江苏省数据局统筹启动了高质量数据集建设先行先试项目，依据国家"人工智能+"部署及《江苏省发展数据标注产业建设高质量数据集实施方案（2025—2027年）》要求，全省共 147 个项目入选省级试点。龙石数据联合江苏省市场监督管理局数据中心、苏州大学共同申报的"高质量数据集智能底座"项目顺利入选平台搭建类试点——这意味着高质量数据集建设正在从政策驱动走向工程落地，而数据治理能力是这一进程的核心基础设施。 六、怎么落地？一个实操路径 结合 DAMA 框架和理采存管用方法论，建议按以下路径推进： 第一步：用 DAMA 做成熟度评估。 在启动中台建设之前，对照 DAMA 的 11 个领域做一个快速自评：哪些领域已经有基础？哪些是空白？这一步只需要一周，但能避免后面几个月的方向性错误。 第二步：用"理"阶段建治理基础。 根据评估结果，优先建立治理组织和数据标准。DAMA 讲的"数据治理"领域对应到实践，就是在这一阶段完成——明确谁对数据质量负责、统一核心主数据编码、建立变更管理流程。 第三步：采、存、管螺旋推进。 不追求一步到位。选 1-2 个高价值数据域（比如客户域、产品域），走通"采集→建模→治理"的闭环，形成可复用的模板后再扩展。 第四步："用"推动持续迭代。 治理的目的是用。把治理后的数据通过 API 共享、BI 报表或 AI 智能问数等方式推向业务端。业务使用中产生的新需求，反馈回"理"阶段，启动新一轮规划。 七、常见问题 Q1：DAMA 和 DCMM 是什么关系？ DAMA 是国际数据管理协会发布的知识体系（DMBOK），DCMM 是中国国家标准（GB/T 36073-2018）。DCMM 参考了 DAMA 的框架，但增加了成熟度等级评估（1-5 级）。两者的核心思想一致：数据治理首先是组织治理，其次才是技术治理。2026 年 7 月起 DCMM 2.0（GB/T 36073-2025）将正式实施，能力域从 8 个扩展为 9 个，新增"数据资产"能力域。 Q2：中小企业需要关注 DAMA 全部 11 个领域吗？ 不需要。建议重点关注数据治理、数据质量、主数据、元数据这四个基础领域，先把数据"管明白"再扩展。四个领域跑通后，数据仓库和 BI、数据安全的优先级自然上升。 Q3：理采存管用和 DAMA 冲突吗？ 不冲突。DAMA 是知识框架，理采存管用是工程落地方法。可以把理采存管用理解为"DAMA 的施工版"——它保留了 DAMA 的核心思想，但按照工程实践重新编排了顺序和重点。 Q4：治理能力建设需要多长时间？ 取决于起点。如果已经有一定的数据基础（系统建设、团队配置），可以在一个数据域内快速验证： 短期（3 个月）：完成一个数据域的盘点、标准和治理闭环，跑通"理→采→存→管→用"全流程，让业务看到效果 中期（6-12 个月）：将成功模式扩展到 3-5 个核心数据域，建立治理运营常态机制 长期（1-2 年）：形成全企业的数据治理文化，治理活动从"专项项目"变成"日常习惯" 关键在于不要追求一步到位。先跑通一个域，用效果争取更多资源，比一开始就铺开更有可持续性。 参考来源 [1] DAMA International，《What is Data Management?》 [2] DAMA International，《DAMA-DMBOK2 Data Management Body of Knowledge》 [3] GB/T 36073-2018《数据管理能力成熟度评估模型（DCMM）》 [4] 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 日起实施，能力域扩展至九个，新增"数据资产" [5] 国家数据局，《"数据要素×"三年行动计划（2024—2026年）》 [6] Andrew Ng 等，《Data-Centric AI Resource Hub》 [7] 中国电子信息行业联合会，《DCMM标准解读与实施指南》

前几天和一个制造企业的 CDO 聊天，他说了一句话让我愣了半天。 "我们数据中台项目做了三年，预算花了大几百万，团队扩到十几个人。上个月老板问我：效果在哪？我居然答不上来。" 不是他没做事。平台搭了，数据接了，报表出了。但你要问他——业务部门用了吗？决策效率提升了吗？数据资产能说清楚有哪些了吗？——三个问题，三个沉默。 这不是个例。过去几年我们见了太多"建了但没见效"的数据中台。表面上是"项目推进慢""业务不配合"，但根子上的问题比这些深得多，Gartner调研显示，超过三分之一的企业机构依然对数据中台的可行性和适用性感到困惑。 实际上，这个问题在国内外数据治理领域并不是新问题。国际数据管理协会 DAMA 对数据管理的定义是： "Data Management is the development, execution, and supervision of plans, policies, programs, and practices that deliver, control, protect, and enhance the value of data and information assets throughout their lifecycles." 翻译过来就是：数据管理不仅是技术建设，而是围绕数据全生命周期开展的规划、制度、组织、流程与实践活动，其目标是持续提升数据资产价值。 这意味着：数据中台只是载体，数据治理才是核心。 很多企业把顺序做反了，于是出现了下面的典型问题。 一、战略与业务脱节：中台被当成IT项目在推进 最致命的一个问题。 很多企业的数据中台，从一开始就被定义成了一个"技术平台建设项目"。立项是 IT 部门提的，预算走的是信息化预算，考核指标是"平台上线"和"系统对接完成率"。 说白了，没人问过一个关键问题：这个中台到底要帮业务解决什么？ 一个化工客户的中台建了两年，技术架构很漂亮，Hadoop 集群、数据湖、流批一体——什么都有。但一线的生产主任从来没用过。为什么？因为中台接入了 DCS 温度数据、MES 产量数据、LIMS 质检数据，却没人把这些数据翻译成"这一批次的良品率为什么下降了"这种业务价值。 技术团队觉得"数据都在那里，业务自己去看"。业务团队觉得"一堆表我根本看不懂"。双方互相等，等了三年。 根因：中台立项时没有明确的业务场景拉动，建设过程中业务部门始终是"旁观者"而非"参与者"。最终交付的是一个技术平台，而不是一个业务能力。 二、组织权责模糊：治理委员会形同虚设 这个问题比技术问题更难解决。 很多企业也意识到了"光建平台不行"，于是成立了数据治理委员会。主任一般是 CIO 或 VP 挂名，成员是各部门派来的代表。 但实际运转起来是什么样？两个月开一次会，会上各部门汇报一下"数据治理进展"，实际没有任何人有权力推动跨部门的数据标准落地。财务部说"我的科目编码用了十年不能改"，供应链说"我的物料编码跟财务对不上但我也没办法"，IT 部门说"标准定不下来我没法做数据集成"。 根因：治理委员会只有"协调"职能，没有"决策"权力。当数据标准涉及跨部门利益时，没人能拍板。结果就是标准永远定不下来，数据永远对不齐。 事实上，DCMM（数据管理能力成熟度模型）将数据治理组织、制度建设和治理沟通列为核心能力域之一。其核心思想就是： 数据治理首先是组织治理，其次才是技术治理。 很多成功企业都有一个共同特点：数据标准被纳入绩效考核。当数据标准成为经营责任，而不仅仅是 IT 要求时，推进速度往往会发生质变。 三、数据基础薄弱：地基没打好就开始盖楼 很多中台项目把 80% 的精力放在了"建平台"上，却忽略了数据本身。 一个典型的场景：平台上线了，数据也接进来了，但业务部门一查发现——同一个客户在 CRM 里叫"A 有限公司"，在 ERP 里叫"A 股份"，在 WMS 里叫"A 集团"。三套系统的销售数据按客户维度根本没法汇总。业务部门甩下一句"数据都不准"，再也不用中台了。 这就是数据标准的缺失。 再比如数据质量。字段缺失、格式错误、时间偏差——这些问题如果在数据进入中台时不发现，等到 BI 报表出错了才追溯，成本很高。更重要的是，业务部门被坑过一次就不再信任中台的数据了。 还有元数据。很多企业做完数据集成之后，没人知道每个字段是从哪个系统来的、经过了什么加工、由谁负责维护。出了问题排查半天，最后还是回到最原始的方式——挨个系统查。 根因：数据标准、数据质量和元数据管理这三件事，是数据中台能用的前提。平台是楼，数据是地基。地基不打，楼盖得再高也没人敢住。 DAMA-DMBOK 十一个知识领域中，数据质量、元数据管理、数据治理、主数据管理，都属于基础能力建设范畴。 业内有一句非常经典的话： Garbage In, Garbage Out. 垃圾数据进去，只会产生垃圾结果。 数据平台可以建设半年。但企业对数据的信任一旦丢失，可能几年都无法恢复。 四、资产目录缺失：数据有了，却没人知道有什么 接了几十个系统、上百张表之后，出现了一个尴尬的局面——只有当初做集成的几个人知道中台里有哪些数据。 业务人员想查一个数据，要么去翻几个月前的项目文档，要么直接在群里 @ 数据团队。数据团队变成了"人肉数据目录"，每天都在回复"这个字段在哪个表""那个数据从哪里来"。 一个 211 大学的信息中心主任跟我说，他们旧数据平台最大的问题不是技术不行，是"老师和学生根本不知道平台里有什么数据"。想申请一个跨部门的数据，得跑三四个部门盖章，流程走完一两周过去了。 根因：建了中台但没有建"数据资产目录"。数据进来了是进来了，但没有编目、没有检索、没有申请通道。数据资产的发现和获取成本太高，导致"有数据但找不到、找到了但用不上"。 国际上越来越多的数据治理实践认为：数据目录是数据资产化的重要入口。 因为数据资产的价值，不仅在于存储，更在于发现与使用。如果数据找不到、看不懂、申请不到，那么即使平台投入再大，也无法真正形成数据资产。 得益于人工智能的快速发展，找资源现在变得越来越方便。龙石数据的 AI 用数智能体能够帮助快速定位组织内可用的数据资源——当你提出与数据相关的需求时，智能体可以明确告知所需数据存放在哪里、业务口径是什么、使用条件如何，并指导如何进行申请。 五、效果评估缺位：没有度量，就没有持续改进 最后一个问题，也是最容易被忽略的。 数据中台建了三年，如果没人问"效果在哪"，那责任不只在执行团队，也在机制。因为没有定义"什么算见效"。 很多中台项目的验收标准是"平台功能上线""数据接入完成率 95%"。但没有人定义业务侧的指标——数据共享效率提升了多少？跨部门数据申请的时间缩短了多少？业务部门自助取数的比例提高了多少？ 没有度量，就没有反馈。没有反馈，团队就不知道下一步该优化什么。最后中台变成了一个"上线即巅峰"的项目——上线那天是最高光时刻，之后就是漫长的沉寂。 根因：中台建设缺乏分阶段的业务效果评估，导致持续优化的动力不足。最终中台从"战略项目"变成了"运维工作"。 从"建平台"转向"建能力" 经过大量项目实践后，一个越来越明显的趋势正在出现——企业开始意识到：数据治理不是一次性交付项目，而是一种持续运营能力。 这也是为什么越来越多企业开始采用"产品+培训+陪跑"的模式。原因很简单：系统可以买，能力买不来。如果企业内部没有形成数据治理组织、数据治理流程、数据治理人才，那么平台最终仍然会闲置。 在众多数据治理实践中，龙石数据提出了"理采存管用"五阶方法论—— 阶段 核心内容 理（梳理） 规划与盘点。明确战略、建立组织与制度体系，全面梳理业务、信息系统及数据资源，形成数据资源清单。 采（采集） 归集与整合。通过批量或实时方式，将多源异构数据抽取、清洗并加载至目标端，打破数据孤岛。 存（存储） 建模与存储。规划数据仓库分层架构，设计科学的数据模型，将整合后的数据规范、有序地存储。 管（管理） 治理与保障。实施元数据、数据标准、数据质量、主数据、数据安全等核心领域的管控，全面提升数据一致性与可信度。 用（应用） 价值释放。基于治理成果，通过数据查询、可视化分析、API共享、指标标签及AI智能体等方式，将数据能力赋能于业务决策与创新。 该方法论是一个完整的闭环：从规划（理）开始，经过采集（采）、存储（存）和治理（管），最终实现价值应用（用），而应用产生的新需求又会推动新一轮的梳理与优化。 与传统"先建平台再找场景"的模式相比，这种方式更强调业务价值驱动。 同时，在项目实施过程中，龙石数据并不只是提供产品平台，更多采用"产品 + 培训 + 陪跑"的服务模式——通过治理组织建设、标准体系建设、项目辅导、实战培训，帮助企业逐步培养自己的数据治理团队。真正成熟的数据治理体系，不是供应商在治理，而是企业自己具备治理能力。 写在最后 很多企业认为：数据中台没见效，是因为技术不够先进。 但过去几年行业实践反复证明，真正决定成败的往往不是技术，而是—— 有没有业务牵引 有没有治理组织 有没有数据标准 有没有资产管理 有没有效果度量 平台解决的是"能不能做"。治理解决的是"为什么做、谁来做、怎么持续做"。 数据中台建设三年仍不见效，问题可能不在中台本身——而在于企业还没有真正完成从"项目思维"向"治理思维"的转变。 FAQ Q1：数据中台和数据治理到底是什么关系？ 数据中台是技术载体，数据治理是管理体系。 没有治理的数据中台容易沦为数据仓库；没有中台的数据治理又缺少落地抓手。二者应该同步规划、同步建设。 Q2：企业应该先建设数据中台还是先做数据治理？ 建议先开展数据资产盘点和治理规划。至少明确数据现状、数据标准、主数据体系和治理组织，然后再规划平台建设。否则很容易反复返工。 Q3：中小企业需要做数据治理吗？ 需要。数据治理并不等于大投入。很多企业早期通过指标标准统一、数据目录建设、数据质量检查就能获得明显收益。关键在于循序渐进。 Q4：数据治理多久能见到效果？ 通常建议选择 1-2 个高价值场景先落地，例如经营分析、客户分析、项目管理、供应链分析。一般 3-6 个月即可看到阶段性成果。 Q5：数据治理项目为什么容易失败？ 最常见原因有五个：业务缺席、组织缺位、标准缺失、数据质量差、没有持续运营机制。技术问题通常不是第一原因。 Q6：企业如何培养自己的数据治理能力？ 实践证明，单纯购买平台很难解决问题。更有效的方式是方法论指导、产品工具支撑、专项培训、项目陪跑同步推进。最终形成企业自己的数据治理组织、制度和人才体系，实现从"供应商驱动"向"企业自主运营"的转变。 参考来源 1. DAMA International. What is Data Management? https://dama.org/about-dama/what-is-data-management/ 2.中国国际科学交流中心. DCMM 数据管理能力成熟度模型. https://www.china-isc.org.cn/pinggu/show-317.aspx 3.DAMA International. DAMA-DMBOK 数据管理知识体系指南. arXiv. Data Catalog: The Gateway to Data Assetization. https://arxiv.org/abs/2402.05211

龙石数据质量管理平台社区版现已正式开放，快来体验吧。

龙石数据质量管理平台·社区（免费）版将于明日正式上线。欢迎关注产品动态，体验企业级数据质量管理能力。

AI 时代最贵的成本，不是模型采购费用。而是在错误数据基础上的反复试错。 做 AI 之前，先看一眼你的数据。花一两周做一次数据质量体检，可能会省下半年甚至一年的试错。这可能是整个 AI 项目中投入最小、回报最高的一步。

随着重点领域行业高质量数据集的逐步建成，以及“场景—数据—模型—应用”双向循环反馈机制的形成，我国有望建立起一条完备的数据安全供给链。通过全面落实《实施方案》中的各项技术与治理举措，人工智能治理得以在数据输入端筑起坚实的合规屏障，实现技术快速演进与治理体系协同共生的新局面。

AI+数仓不是噱头，它能落地，但需要选对场景、管好预期、打好基本功。别指望AI一步到位解决所有问题，也别因为AI有缺陷就否定它的价值。用对了地方，它就是提升效率的好工具。

龙石数据联合江苏省市场监督管理局数据中心、苏州大学共同申报的“高质量数据集智能底座”项目，顺利入选。