这句话我听过太多遍。多数人把它归因于软件不好用、集成没做好。做了十年实施，我的判断不太一样——系统跑不起来的头号原因，往往不在系统里，而在人身上：老员工不愿用，新流程推不动，数据从源头就是脏的。
一、先承认一个事实：抵触不是态度问题，是成本问题
一位在产线干了十几年的老师傅，对物料编码的记忆是他最熟练的技能之一。新系统要求他按规则重新录入，等于把他积累的经验清零，还额外增加了每天的操作动作。抵触的本质是：他承担了成本，却没看到收益。
所以我们在项目启动阶段不做动员大会，先做一件事——把"谁在什么时候多干了多少活"算清楚。据我们内部统计，在物料主数据治理项目中，一线录入环节的重复操作通常占操作总时长的 30% 到 40%，其中相当一部分是为了给不同系统各填一遍。把这个数字摆到桌面上，再谈"系统上线后你少填几次"，沟通的性质就变了：从"公司要求"变成"给你减负"。
二、数据质量差的账，最后都算在 AI 项目头上
很多企业是先上 AI，再回头补数据。顺序反了。
我们跟踪数据要素相关政策多年，一个反复出现的规律是：模型效果不达预期时，回溯到源头，问题大多落在数据上——同一实体多套编码、字段缺失、口径不一致、历史数据没有责任人。据我们内部统计，在启动 AI 类项目前未做数据治理的企业中，数据清洗与返工环节通常要吃掉项目周期的 40% 以上，而且这部分工作量在立项时基本没被预算进去。
这也是我们做数据治理方法论时坚持的第一条：先把数据摸清楚。摸清楚的意思是——有多少张表、多少个字段、多少个系统在产生同一类数据、每个字段的业务含义由谁定义、谁负责维护。这一步不做，后面谈数据资产入表、谈数据交易，都是空中楼阁。
三、主数据管理：先统口径，再谈平台
主数据治理的落地顺序，我们通常这么排：
第一步，定标准。选一个业务域（多数企业从物料或客户开始），把编码规则、属性字段、必填项、值域范围写成书面规范。规范要能被一线看懂，不是给检查组看的。
第二步，清存量。这一步最脏最累。我们做过的一个物料主数据治理项目，清洗后保留的有效记录是 13,559 条，清洗过程中合并的重复与冲突记录占比接近两成。这个比例在制造业不算异常。
第三步，管增量。新数据从哪个入口进、谁审批、异常怎么退回，必须有明确规则，否则三个月后又是一堆脏数据。
第四步，落到系统。ERPNext 这类平台的价值在于主数据模型可以按业务实际配置，而不是让业务去迁就软件。我们在生产环境里实跑过完整的物料主数据体系，知道哪些字段该锁、哪些该放开、审批流卡在哪一环最容易堵。
这四步走完，报表对不上的问题通常能收敛到可解释的范围内。注意是"收敛"，不是"消失"——历史遗留的口径差异，需要业务部门逐条确认，这部分工作没有捷径。
四、数据资产入表：先做可行性评估，再动手
这是客户问得最多的问题：入表能真的进资产负债表吗？
我们的回答是：有条件可以。关键在两个前提——合规确权与成本归集。
合规确权，指的是数据资源的权属要清晰，涉及数据产权登记的环节要按现行规则走通；成本归集，指的是从数据采集、清洗、治理到维护的全过程成本要能可靠计量、可追溯。这两件事都做不实，入表就缺乏基础。
所以我们的做法是先做可行性评估：盘点数据资源、判断可入表范围、梳理成本归集路径、识别合规风险点。评估结论可能是"部分数据资源具备条件"，也可能是"当前阶段不具备条件"——后者我们同样会如实出具。先评估再动手，比先立项再补窟窿的成本低得多。
五、让系统真正跑起来的三件小事
回到开头那位主任的问题。我们的经验是，推动落地靠的不是大动作，而是三件小事：
一是找一个愿意试的人。每个车间、每个科室都有那么一两个对现状不满、愿意折腾的人，先让他用起来，把他的操作时长变化记录下来。
二是把收益做成可见的。少填几个字段、少跑一趟签字、少对一次账，这些要能被当事人感知到，而不是停留在汇报材料里。
三是留出反馈通道。上线头三个月，问题清单要每周过一遍，能改的改，改不了的要解释清楚为什么。沉默的系统等于死掉的系统。
写在最后
数据治理这件事，没有一劳永逸的方案。据我们内部统计，一个中等规模制造企业的核心主数据治理周期通常在 3 到 6 个月，之后进入持续维护阶段。真正决定成败的，不是买了什么工具，而是有没有人愿意为数据的准确性负责，以及这套责任机制能不能长期运转。
如果你的企业正卡在"系统一堆、报表对不上、AI 项目推不动"的阶段，可以先做一次数据现状盘点，把家底摸清楚再决定下一步。
欢迎联系我们做一次针对性的可行性沟通：
邮箱 dzsj@weit.cn
官网 https://www.dzsjkj.cn
湖南德智数据科技有限公司（WEITGOOD），数智化转型一站式服务商，聚焦数据服务与数据安全、智慧物联、ERP 规划与实施。