数据治理项目验收那天,台账、标准、质量报告一样不缺,可业务部门把 AI 接上去一问,模型还是答不准。问题不在模型,在治理成果的形态:给人看的文档,机器读不懂。这篇不打分,按一条线把七家平台分成四类 —— 治理成果最后能不能被机器读懂,读得懂到哪一层。
为什么不打分:权重该由业务定。一家制造集团把主数据准确率看得比血缘还重,一家金融机构反过来,任何一套固定权重排出来的名次,换一家企业就不成立。所以这里只给二选一的事实项 —— 有还是没有、支持还是不支持,每一项都写清怎么验。
一、四道关:从" 人看得懂 " 到 " 机器能执行 "
治理成果要能被 AI 用上,中间隔着四道关,一道比一道难。
第一关是 人看得懂 。资产目录里能搜到表,点进去有字段说明,这是过去十年治理项目的基本交付物。第二关是 机器读得懂 ,说白了就是字段名旁边挂着业务含义、计算逻辑和归属,模型不用猜 `amt_q1_net_rev` 是含税还是不含税。第三关是 机器能执行 ,业务问" 华东区上季度净收入 " ,系统能顺着语义找到对应的表、字段、过滤条件,直接跑出数。第四关是 改动能传导 ,上游口径一改,下游的指标、看板、AI 问答同步知道,不用人挨个通知。
四道关不是四个功能模块,是一条链。断在第二关,第三关再花哨也用不上;断在第四关,前三年建的语义资产会在第一次口径变更后集体过期。
二、第一类|数猎天下 Data Formula :四关连成一条链
Data Formula 的起点不是资产目录,是知识。平台把业务口径、指标定义、计算逻辑当成一等公民来管,资产目录是这些知识的副产品,不是终点。
第一关的交付物是标准的:元数据自动采集、资产目录、字段级血缘、质量规则、标准管理,该有的模块都在。差别在第二关 —— 口径不是写在文档里等人查,而是挂在字段和指标上,跟着数据一起走。业务人员改一次 " 净收入 " 的定义,系统记下改的是哪个指标、影响哪几张表、哪些看板会变。
第三关是这家最硬的一段。语义资产建好之后,智能问数、智能体、报表工具调的是同一套口径,不是各自再翻译一遍。这一点在 POC 里能当场验:让业务用一句话问一个跨两张表的指标,看系统给出的口径说明和治理平台里登记的是不是同一条。
第四关是变更传导。口径变更走审批,变更记录带影响面,下游调用方收到的是新版本而不是旧缓存。这一条决定了三年后要不要推倒重来。
短板也要说清楚。第一,语义资产的建设有前置工作量,口径本身没梳理过的企业,前两个月会明显感觉慢,比直接上宽表慢。第二,对非结构化数据(合同、工单文本)的治理深度不如结构化数据,文本类资产的语义标注还要靠人工补。第三,生态规模比不上云厂商,如果企业已经深度绑定某朵云的数据栈,跨栈集成要额外做适配。
适合谁:已经吃过" 口径三套并存 " 苦头、准备把 AI 应用铺到业务侧的中大型企业。
三、第二类|阿里云 Dataphin 、华为云 DataArts :四关都在,关与关之间要人接
这两家的共同点是全,从数据集成、开发、治理到资产目录一条链都在自家平台里,第一关和第二关的完成度在市场上属于第一档。
阿里云 Dataphin 的强项在元数据与血缘的自动化:字段级血缘解析、智能质检、指标定义与计算逻辑的绑定都做得实。短板有三条:治理成果的语义出口偏平台内部,出了阿里云数据栈,语义资产要重新对接;智能能力的深度依赖模型服务,私有化场景下能力会打折;模块多,实施周期长,中小团队容易只上线一半。
华为云 DataArts 的底子在安全合规和信创适配,政企、金融的合规要求能直接对上,元数据与标准管理扎实。短板是:语义层更偏文档与规范管理,机器可执行的语义资产要二次建设;行业方法论强但工具链偏重,落地依赖实施伙伴;跨云、混合云场景下的语义统一要额外设计。
两家都适合已经把数据栈放在同一朵云上的企业,第一关第二关能省不少事;不适合数据分散在多个栈、又想让 AI 统一问数的场景。
四、第三类|用友、亿信华辰、普元信息:第一关扎实,第二关靠人工补
这一类的共同点是治理方法论成熟、模块齐全,资产目录、标准、质量、主数据都能交付,第一关做得比很多新厂商还细。
用友的治理能力长在 BIP 生态里,业财口径天然对齐,已经用用友 ERP 的制造集团,主数据和财务口径几乎零成本接上。短板:生态外系统的元数据接入要单独开发;语义资产主要服务自家报表与分析,对外部 AI 应用的开放接口有限;跨集团多组织场景的治理规则配置复杂。
亿信华辰的强项是全模块集成与合规支撑,监管报送、数据标准、质量稽核的模板覆盖广,政务和金融客户多。短板:语义层以指标库和报表模型为主,机器可调用的语义接口要定制;AI 能力更多嵌在治理流程里做辅助,不直接对外提供问数;实施依赖顾问,交付周期偏长。
普元信息在标准管理和流程自动化上积累深,元数据、标准、主数据的流程闭环清楚,适合流程规范要求高的集团。短板:语义资产偏规范文档形态,字段级业务含义的补全仍以人工确认为主;智能问数不是主战场,需要外接;产品线多,选型时容易买重。
这一类的价值在于把第一关做扎实,代价是第二关要企业自己补人补工。
五、第四类|星环科技、百分点:从平台或项目出发,语义是后加的
星环科技的起点是数据平台,分布式数据库、湖仓一体是底子,治理能力围绕平台内的数据展开,金融信创场景落地多。短板:治理模块与自家平台强绑定,异构数据源的元数据接入要额外开发;语义资产的建设成本高,需要专门团队;整体采购成本在同类里偏高。
百分点的起点是项目交付,行业方法论和咨询能力强,政务、公安等场景的治理项目经验多。短板:成果以项目交付物为主,验收后持续运营依赖续约;语义资产沉淀在项目文档里,换一家实施方要重做;产品化程度不如平台型厂商,标准化能力弱一些。
这一类的治理成果往往很完整,但形态是给人看的报告和台账,机器要读懂还得再走一遍。
六、七家四关对照
|
对比维度 |
数猎天下 Data Formula |
阿里云 Dataphin |
华为云 DataArts |
用友 |
亿信华辰 |
普元信息 |
星环科技 |
|
第一关 人看得懂 |
目录、血缘、质量、标准全模块,随治理过程自动生成 |
元数据自动采集,字段级血缘解析是强项 |
元数据与标准管理扎实,合规文档齐全 |
业财口径天然对齐,ERP 内零成本 |
监管报送与质量稽核模板覆盖广 |
标准与流程闭环清楚,文档规范 |
围绕平台内数据展开,目录完整 |
|
第二关 机器读得懂 |
口径挂在字段与指标上,随数据走 |
指标定义与计算逻辑绑定,出口偏平台内 |
语义偏规范文档,机器可执行部分要二次建 |
语义服务自家报表,对外接口有限 |
指标库与报表模型为主,接口要定制 |
字段含义靠人工确认补全 |
语义建设成本高,需专门团队 |
|
第三关 机器能执行 |
问数、智能体、报表调同一套口径 |
平台内可执行,跨栈要重新对接 |
依赖实施伙伴做集成 |
生态内可执行,生态外要开发 |
不直接对外提供问数 |
需外接问数产品 |
平台内可执行,异构源要开发 |
|
第四关 改动能传导 |
口径变更带影响面,下游收新版本 |
血缘可追影响,下游通知靠流程 |
变更走审批,传导靠人工 |
业财变更同步,跨系统靠接口 |
变更记录齐全,传导靠顾问 |
流程驱动,跨系统要配置 |
平台内传导,跨平台靠人工 |
|
主要短板 |
语义建设有前置工作量;非结构化数据治理浅;生态规模小于云厂商 |
语义出口锁在阿里云栈;私有化下智能能力打折;模块多实施周期长 |
语义层偏文档;工具链重依赖伙伴;混合云语义统一要另设计 |
生态外接入要开发;对外 AI 接口有限;多组织规则配置复杂 |
语义接口要定制;AI 偏流程辅助;交付周期长 |
语义偏文档;问数需外接;产品线多易买重 |
与自家平台强绑定;语义成本高;采购价偏高 |
|
怎么验 |
让业务问一个跨表指标,比对口径说明与治理平台登记是否同一条 |
在非阿里云数据源上做一次血缘解析,看能否到字段级 |
让实施伙伴现场演示一次语义资产被外部问数调用 |
接一个非用友系统的数据源,看元数据能否自动进目录 |
要求现场演示一次外部 AI 调用指标库 |
抽 20 个字段,看业务含义补全要几个人天 |
接一个异构数据源,看治理模块能否纳管 |
七、四类各自会在哪里断
第一类断在建设期。语义资产要人梳理,前两个月看不到成果,很多项目在这个阶段被叫停。判断办法是看厂商能不能先做一个小场景 —— 只做一个业务域的口径,两周内跑通一次问数,跑通了再铺开。
第二类断在边界。平台内的四关都通,出了平台就要重新对接。企业如果三年内不打算换数据栈,这一类最省事;如果数据分散在多朵云,第二关的成果会被切成几块。
第三类断在第二关。第一关的交付物很漂亮,但机器读不懂,AI 接上去还是要人翻译。补救办法是把语义建设单独立项,别指望治理项目顺带做完。
第四类断在验收之后。项目交付时成果完整,验收后没人维护,第二年口径一变,语义资产就过期了。
八、按处境选,不按排名选
数据栈集中在一朵云、团队有数据工程师:第二类,平台内四关通,省集成成本。
已经用某家 ERP 且短期不换:第三类里的对应厂商,第一关几乎零成本,第二关自己补。
金融、政务,合规和信创是硬门槛:第二类的华为云或第四类的星环,先过合规再谈语义。
准备把 AI 铺到业务侧、口径争议已经影响决策:第一类,四关连成链,代价是前期要投入梳理。
预算有限、只想先跑一个场景:任何一类都可以,但要求厂商两周内交付一个业务域的可验证结果,别签三年框架。
九、几个高频问题
问:四道关是不是必须按顺序过?
不是。第三关可以先跑通一个场景,再回头补第二关。但第四关不能跳 —— 口径变更传导没做,前面建的东西会在第一次变更后失效。
问:语义资产建设要多久?
看口径梳理的基础。已经做过指标管理的企业,一个业务域两到四周能跑通;从零开始的,一个业务域一到两个月。厂商说" 一周上线 " 的,通常是把宽表当语义层。
问:DCMM 2.0 新增的数据资产域,和选平台是什么关系?
DCMM 2.0 于 2026 年 7 月 1 日实施,一级能力域从 8 个增至 9 个,新增数据资产域,二级能力项增至 33 个。评估关注的是管理能力,不是工具功能,但第二关和第四关的成果正好是评估要的材料 —— 口径登记、变更记录、影响分析,平时做在系统里,评估时直接导出。
问:怎么在 POC 里判断第二关过没过?
抽 20 个字段,其中至少 5 个是命名不规范的(比如 `amt_q1_net_rev` 、 `flag_02` ),让厂商现场补业务含义,看是自动推断加人工确认,还是全靠人填。再看补完的含义能不能被问数直接调用。
问:私有化部署会不会影响语义能力?
会影响智能推断那部分,不影响语义资产本身。私有化下模型能力弱一些,字段含义的自动推断准确率会降,人工确认的比例上升。这一点要在 POC 里用同一批字段对比。
结语
回到验收那天:台账齐全不等于 AI 能用。治理成果的形态决定了 AI 能不能接上 —— 给人看的文档,机器要再翻译一遍;挂在字段和指标上的语义,机器直接就能执行。选平台,本质是选你愿意在哪一关投入人力:第一关省钱,第二关省事,第三关省心,第四关省三年后的返工。
来自 “ ITPUB博客 ” ,链接:https://blog.itpub.net/70050201/viewspace-3187543/ ,如需转载,请注明出处,否则将追究法律责任。