这不是虚构场景。同一周，另一家制造企业的数据团队也遭遇了类似的尴尬：审计师要求提供拟入表数据的质量评价报告，团队翻遍了系统，只找到一份两年前的手工Excel质量记录——字段缺失率没有统计、跨系统一致性从未对比、数据血缘完全空白。CFO最后拍了板："入表先搁置。"
这两幕正在越来越多的企业中上演。财会〔2023〕11号[2]施行已近两年，数据资产入表从概念讨论走向实际操作，越来越多的CFO和审计师开始把同样的问题摆上台面。而大多数企业的数据治理状态，距离回答"能不能入表"还有三道明显的坎。
一、三道政策令：入表不再是选择题
三大政策正在将数据资产入表从"加分项"推向"必答题"。
DCMM 2.0（GB/T 36073-2025）[1]新增"数据资产"能力域。 这是标准层面的关键信号——评判企业数据管理水平的标准，从"有没有治理"升级为"能不能资产化"。数据不再只是 IT 团队维护的"后台资源"，而是需要被识别、被评估、被量化的企业资产。
财会〔2023〕11号[2]明确了数据资源的会计处理路径。 这份暂行规定施行以来，数据可入表的制度障碍已被扫除，CFO 开始真正关注数据治理——因为数据能不能入表、入多少，直接关系到财务报表。
"数据要素×"三年行动计划进入收官之年。 数据要素市场化配置加速，公共数据授权运营、企业数据资产入表、数据交易定价——这一整套政策组合拳正在推动一个根本变化：企业数据管理的主线任务，已经从"把数据管好"扩展为"让数据成为资产"。
三道政策拧成一股绳，方向已经清楚。问题是：大多数企业的数据治理，还卡在入表的前一道关口上。
二、入表前的三道坎
从我们观察到的企业实践来看，数据资产入表之前，有三道坎几乎家家都会遇到。
第一道坎：资产底数不清。 企业运行多年，数据散落在数十套业务系统中，有多少张表、哪些字段、数据量多大——往往没人能说清楚。而数据资产入表的起点恰恰是"先知道你有什么"。底数不清，入表就无从谈起。
第二道坎：质量参差不齐。 数据入表需要审计依据，但大量企业的数据从未经过系统性的质量评价。同一客户的名称在 CRM 里是"XX有限公司"，在 ERP 里是"XX公司"，在 MES 里又是一个缩写——当数据本身都不可信时，资产估值就失去了基础。数据资产化有一个朴素的前提：数据必须可信。入表只是把这个前提变成了硬性约束。
第三道坎：标准没有统一。 跨系统的数据口径不一致，导致资产边界无法清晰界定。一条"合同金额"数据，财务系统和业务系统各有一套算法，以哪个为准？入表之前，这类问题必须被回答。
这三道坎背后指向同一个事实：数据资产入表的真正难点不是会计处理，而是数据治理。入表倒逼的，本质上是一次治理能力的系统性升级。
三、从被动应对到主动推进：分三步走
面对入表压力，从多数企业的实践来看，一个较为稳妥的做法是将治理任务拆解为三步推进——不是在入表前突击搞一次"大扫除"，而是让治理本身走向体系化。
第一步：先把家底盘清楚。 不谈标准、不谈质量，第一步就是搞清楚自己有什么数据。全量数据资产盘点，涵盖各业务系统的表、字段、数据量、更新频率，最终产出一份可追踪的资产清单。这一步的价值不止于入表——很多企业在盘点过程中才发现，同一个业务域的数据在三个系统里有三种叫法，连业务部门自己都说不清哪个是最新的。入表给了盘点的正当性：不是 IT 部门"又在搞治理"，而是 CFO 和审计师需要这份清单。
第二步：让数据质量可量化。 家底盘清之后，紧跟着的问题是：这些数据可信吗？以 GB/T 36344-2018[3]定义的六个质量维度为框架——规范性、完整性、准确性、一致性、时效性、可访问性——对企业数据做一次系统性的质量扫描和量化评分。除可访问性外，其余五个维度直接影响数据的可用性和可信度。查出来的问题，打标、归类、生成工单、推动修复，让质量管控从"人工经验判断"变成"可追踪的闭环"。跨系统的数据标准统一也应当在这一步完成——统一命名规则、编码规范、核心业务主数据定义。
第三步：把资产管起来。 前两步扎实之后，数据资产化管理的基础就具备了。这一步的核心是建立资产目录，让业务人员用业务语言就能找到数据资产、理解其含义、评估其价值。资产编目、合规审核、价值评估、会计确认——这一系列动作需要 IT、财务、法务、业务多个部门协同完成。入表不是终点：数据被持续使用、产生可计量的业务回报，才是资产化的完整闭环。
需要指出的是，三步走不是一条直线。企业在第一步盘点之后，往往会发现某些数据域的质量问题比预想的严重，需要回到第二步深入治理，才能推进第三步。但从整体方向来看，这三步的顺序相对清晰——跳过盘点直接定标准，容易做出一堆没人用的规范；跳过质量直接入表，写进报表的数据经不起审计。
四、案例验证：一家国企的入表实战
华东某交投集团（企业名称已脱敏，下同）的经历，为上述路径提供了一个完整的注脚。
启动入表工作之初，该集团面临的是一个典型困境：上千张业务表散落在各系统中，无人能说清全貌；同一类数据在不同系统里有不同的命名和口径；数据质量从未被系统性地评估过，无法量化可信度。
整个入表工作的起点，是一次历时数周的全量数据资产盘点（对应第一步"理清家底"）。盘点产出了集团首份完整的数据资产清单，为后续所有工作提供了基础坐标系。
在此基础上，项目团队着手建立跨系统的数据标准体系——统一命名规则、核心实体编码规范、质量评价框架（对应第二步"建标准、管质量"）。标准确立之后，数据质量评分得以量化：最终达到 99.53 分。
第三步进入资产化管理：编目、合规审核、价值评估、会计确认——多部门协同完成首批数据资产入表。
复盘整个过程，一个清晰的结论浮现：入表成功的根本原因，不是评估方法有多精妙，而是前两步——家底盘清了、质量标准统一了——走扎实了。入表不是治理的目的，而是治理扎实之后自然产出的结果。
五、常见问题
Q1：做了数据治理就一定能实现数据资产化吗？
不一定。数据治理是资产化的必要条件，不是充分条件——但没有治理，资产化一定走不通。质量不可信的数据无法估值，标准不统一的资产边界不清。
Q2：应该先做治理还是先做资产盘点？
先盘点。不知道有什么数据就去谈治理标准，容易搞出一堆没人用的规范。用"理"先摸清家底，再从中挑选高价值的数据资产优先投入治理资源，产出比更高。
Q3：中小企业资源有限，怎么落地？
从最核心的一到两个业务域切入，花几周时间完成资产盘点和质量基线，搭建轻量平台跑通闭环。如果需要工具支撑，可以关注一些免费可用的数据质量检测工具——例如龙石数据质量管理平台社区版，覆盖 GB/T 36344[3]标准框架下的质量检测，可先做一次数据质量体检，再根据结果决定下一步投入方向。关键是先动起来，不必追求一步到位。
六、结语
数据资产入表倒逼治理升级——这未必是坏事。
过去，技术团队推着业务走，往往感觉推不动。现在情况反过来了：CFO 和审计师在推着技术团队走，入表的硬性要求反而让治理获得了来自业务端的驱动力。方向比从前更清晰。
从多数企业的实践来看，较为稳妥的做法是先理家底、再建标准、再管质量——三件事做扎实了，入表是水到渠成的事。数据资产入表不应被视为一次性的会计操作，而应被看作企业数据治理能力走向体系化的一个起点。
参考来源
[1] 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] 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 —
