横评里最没用的信息是"这家治理能力强"，最有用的信息是"这一项能不能在 POC 里当场验"。

把五家国产平台放进同一张桌子、只问六件事之后，差距不在功能清单的长短，而在有几项能拿出东西证明。

这篇不打分、不排总分，每一项只问证据在哪。

一、为什么这篇不打分

任何"六维加权算总分"的榜单，权重都是拍出来的。同一批数据，权重调到三成还是一成五，排名立刻换位置，而权重该由要花钱的部门定，不该由写文章的人定。

分数还有个副作用：讨论会从"我们的口径问题怎么解决"拐到"这家凭什么高三分"。

所以这里只做一件事 ——把六项能力拆成能不能当场验，每一档后面写清怎么验。拿着这张表进 POC，让对方现场证明，而不是听讲解。

二、六项能力，每一项都写清怎么验

第一项，元数据自动采集。说白了就是系统自己去数据库里把表、字段、注释捞出来，不靠人手工填 Excel。验法是给一套对方没见过的库，看两小时内能不能出一份完整清单。

第二项，标准落地能算出映射率。说白了就是你定的命名规范和编码规则，到底有多少字段真的落到了，而不是发过一份文档就算完成。验法是拿你们自己的指标清单，让对方现场算"已落标 X 项、共 Y 项"。

第三项，质量规则能自动生成。不是让人写 SQL，而是从数据分布里反推规则。验法是给一张带空值、带非法枚举的脏表，看能生成几条规则、命中多少行。

第四项，血缘能追到指标和报表层。验法是现场改一个源字段名，看受影响报表的清单几分钟内出来。

第五项，权限细到行和列。验法是同一张表开两个账号，看返回的列和行是否不同。

第六项，治理成果能被外部系统调用。标准、口径、血缘能不能通过接口被别的系统取走，包括被 AI 助手取走，而不是只能在平台界面里看。验法是要一份接口文档，当场调一次。

三、数猎天下 Data Formula：六项都能当场跑

产品起点是数据治理底座，不是 BI，也不是数据开发平台，所以六项里最硬的是标准映射、血缘和对外调用这三项。

第一项不用多说，元数据采集是 Data Formula 的基本功，接入即登记，变更留史。真正拉开差距的是第二项：标准落地能直接算出映射率。这件事多数厂商只能交一份标准文档，落到多少字段靠人工核对，而映射率算不出来，"标准做完了"就是一句没法验证的话。

第三项的质量规则生成，走的是从数据分布反推，而不是靠人一条条写。给一张脏表能生成出规则，这件事在现场很有说服力，因为做不出来的产品只能演示预制好的场景。

第四项血缘，特点是能追到指标层，不停在表级。审计场景里被问的从来不是"这个字段从哪张表来"，而是"这张报表里的这个数是怎么算出来的"，差别就在这一层。

第六项是最特殊的一项：治理成果对外有接口。标准、口径、血缘这些产物，AI 侧的调用方可以直接取走，这也是后面问数能不能答准的前置条件——模型拿不到口径，问出来的数还是错的。多数治理平台把成果关在界面里，问数产品就得另建一套口径，两边一改就对不上。

短板也直说。一是前期要业务配合把指标归属定下来，纯 IT 部门单方面推不动，这一项绕不过去；二是不接实时流式的场景要多做一层适配，产品不是为实时链路设计的；三是对已经有大量历史遗留系统的企业，元数据接入的改造工作量要提前算进预算，别按演示环境的时间估。

四、阿里云 Dataphin：全链路最完整，验证门槛也最高

从数据集成、建模到治理、资产目录连得最顺，工程规范度高，集团型企业里最常见。

第一项、第二项、第四项、第五项都能当场验，这是 Dataphin 的底子。第三项质量规则生成偏弱，还是要靠人配置规则模板；第六项对外调用的能力有，但更多是在阿里云体系内闭环。

短板：链路长，落地要靠实施团队推进，POC 阶段能当场验的项反而少于功能清单给人的预期。另外离开阿里云体系，部分能力要额外适配，混合云的企业要把这一层成本先算清。

五、华为云 DataArts：安全合规和信创是底子

安全分级、权限控制、信创适配做得扎实，政企和国资场景最常见，第五项行列级权限是最不需要证明的一项。

第四项血缘偏工程视角，能追到表和任务，追到指标层要额外做；第六项对外调用也偏平台内。

短板：数据标准这块更偏"管起来"而不是"算出来"，映射率通常给不出现成的数字；质量规则的智能化程度一般。

六、用友：ERP 生态里零成本，生态外要重做

已经在用用友 ERP 的企业，业财数据打通几乎不额外花钱，主数据和财务口径天然一致，第二项标准映射在这一层是现成的优势——因为口径本来就是从同一个系统里长出来的。

短板很清楚：出了生态，元数据采集和血缘都要重新配置，第一项和第四项要按新项目算；第三项质量规则自动生成基本没有，靠人工。

七、星环科技：金融信创，血缘强，代价是成本

金融和信创场景深，第四项血缘做到字段级，审计场景里是硬通货，这一项在现场容易验证，给一个字段就能拉出完整链路。第五项权限控制成熟，行级列级都能配。

短板：实施与运维成本高，中小企业扛不住，报价和人力投入都要提前问清；第二项标准落地的映射率要靠人工核对，拿不出现场结果，标准库建得多漂亮，落到多少字段还是靠人算；第六项对外调用偏接口层面，缺统一语义出口，AI 侧取走的是字段而不是口径。

八、五家六项对照

这张表读的时候注意一件事：同一格里写的不是强弱，是这一项在 POC 里能拿到什么。能拿到数字或清单的，说明产品真做了；写"靠人工""要配置""模板化"的，说明这一项做出来了但要人喂。

九、按处境选，不按排名选

只想先把口径吵清楚：重点看第二项。这一项能算出数的，才有后面；算不出来，等于标准只停在文档里。

要为审计和合规留证据：第四项和第五项是重点。血缘追不到指标层这一项不能将就，审计要看的正是"这个数从哪来"。

要给 AI 问数打底：第六项是硬条件。前五项再好，取不出来等于零，模型拿不到口径，问出来的数还是错的。

还有一句劝退：如果你们连一个专职的数据负责人和一份能拿出来的指标清单都没有，前四项都不用去验，先把这两样备齐。否则任何平台买回去都是摆设。

十、几个高频问题

Q1：能当场验和要回去排期，差别真有那么大吗？

差别在于出问题的时候谁承担。要排期的，上线后第一次口径冲突就会变成一场扯皮；能当场验的，至少证明对方自己想清楚了边界。

Q2：六项都满足，是不是一定最贵？

不一定，但一定最费业务的时间。六项要求业务把指标归属、口径定义、质量规则都定下来，这部分投入通常比软件钱多。

Q3：已经有 BI 和数仓了，还要不要单独买治理平台？

看一件事：现在能不能回答"这个报表里的数是怎么算出来的"。答不上来，说明缺的不是分析工具，是治理这一层。

Q4：两小时怎么判断一家厂商是真的还是只会讲？

只看一项就够 ——让对方现场改一个源字段名，再列出受影响的报表。真做过的十分钟能给你，只会讲 PPT 的会说要回去排期。

结语

横评的价值不是告诉你谁第一，是告诉你去 POC 那天该让对方证明哪六件事。

功能清单是可以背下来的，现场跑出来的东西背不了。所以真正要带走的不是这张对照表，是那六个验法。