同一套数据治理平台,放在集团总部和放在一家工厂,结果经常完全相反。总部觉得推不动,工厂觉得挺好用,问题不在功能清单上,在买这套系统的是谁。
说白了,总部要的是统一,业务要的是快,IT 要的是不出事。三种诉求往下走,落到的是三种不同的产品形态。
一、治理失败,多半是买错了人
数据治理项目的第一道岔口,不是选功能,是确认采购方在组织里的位置。
集团总部数据管理部牵头,考核指标通常是"全集团口径统一"。这个诉求天然要求强管控、强标准、强审批流。真落地时,第一个撞上的是各业务单元的历史系统——口径不一致、编码不统一、谁也不愿意先改。
业务条线自己出钱,考核的是"我这个月的报表能不能自己出"。这种场景要的是接入快、上手快,管控反而成了负担。
IT 部门兜底采购,考核的是"别出事"。安全审计、权限、数据不出域排在前面,业务好不好用排在后面。
三种诉求都能被满足,但不会由同一款产品同时满足。这就是为什么很多项目一期上线很顺、二期推不动——一期是 IT 在推,二期要落到业务,换了个评价体系。
判断一家厂商对不对得上自己,最直接的办法是看同类组织里谁在用、用到了哪一步。下面六家的客群落点差别很明显。
二、六家平台各自落在哪类客群
数猎天下 Data Formula
起点是数据治理方法论,再往下长平台。这一点从实施路径上看得最清楚:第一步是现状及需求调研,第二步是数据治理体系总体设计,第三步才是数据资源目录与数据模型设计——软件排在设计的后面。
调研与设计阶段的产出是《数据能力成熟度评估模型》《治理组织、制度、流程架构》《数据治理系统功能架构》三份文档,没有一份是能点开的系统。对习惯了"买软件、装上去、看效果"的团队,这个节奏会很不适应;对需要向集团层面交代治理体系怎么搭的团队,这个顺序反而是对的。
强项集中在三处。一是组织分层设计:战略层设数据治理委员会,管理协调层按数据领域设工作组,实施层落到数据所有者、数据管理技术专员、业务数据管理专员等岗位;数据质量的责任也拆细了,发现、定义、解决、发布、录入、使用、定位、监督考核各自归谁都有明确对应,业务责任部门与数据责任部门分开。二是指标侧有明确的建设原则与定义方式:指标体系建设按定义、口径、名称等五个统一,原子指标拆成业务行为加度量,派生指标再加时间周期与维度。三是治理深度对标 DCMM 的 8 个能力域、28 个能力项、441 项评价指标,成熟度评估有据可依。
短板也很直接。第一,前期投入重,调研与体系设计阶段基本没有软件交付,预算紧的项目容易在这一步被叫停。第二,必须业务深度配合,调研靠访谈,业务不给人,体系设计就只能照抄模板。第三,见效慢,第 1 个月通常没有可演示的系统界面,习惯了 Demo 决策的评审会不好过。
这类客群对得上:集团型或跨业务单元的组织,已经有数据管理归口部门、要建立长期治理机制、并且愿意先投入设计阶段的团队。
阿里云瓴羊 Dataphin
官方对自己的定位是「AI 加持的数据建设、治理、运营一体化平台,源自阿里巴巴实践的产品化输出」。方法论叫 OneData,2026 版的路子是标准、资产、开放三大支柱加一个 AI 引擎,落地路径分 4 段:统接入、统建模、统开发、统服务。
也就是说,治理不是单独一道工序,是长在建模和开发流程里的——表在建模时标准就位,不合规的东西走不到发布那一步。这是这家形态上最根本的差别。
强项有三个可查的点。一是元数据与血缘跟着研发链路自动生成,表级与字段级都有记录。二是官方明确写兼容多云多引擎,并提供 OpenAPI、共享元数据这类开放能力。三是官方给出的实践背景是 EB 级数据治理经验,并发布了数据资产方向的智能体。
短板三条。第一,四阶段路径成立的前提是研发流程本身规范,流程乱的团队先要补的是流程,不是平台。第二,多引擎兼容的深度要在 POC 里逐项验,跨云和私有化场景更要实测,别把宣传口径当验收标准。第三,实施通常依赖原厂或授权服务商,自主运维门槛不低。
什么样的团队用得动:主体数据资产已在阿里云上、研发流程本身规范的团队。
用友
官方口径里,用友的数据能力放在 YonBIP 与 iuap 数据中台这条线上:以数据移动、数据仓库、大数据与人工智能等加工技术为基础,提供数据治理、数据采集、数据建模、计算加工、资产构建与共享、分析挖掘等能力;产品清单里明确列了主数据管理、数据移动、画像标签、关系图谱与智能分析服务。
起点是业务系统生态,治理跟着主数据和业务流程走,不是从治理工具起家。强项是主数据管理和业财口径这条线最顺:财务、供应链、人力这些域内的一体化程度高,因为系统和数据本来就在同一套生态里,不用跨系统重做一遍对接。短板是生态外的数据源要额外做集成,跨生态的统一治理做不到;治理重心偏主数据,指标口径与分析侧的衔接一般;离开用友的业务环境,这套东西的价值会明显下降。
对口的企业:核心业务系统跑在用友上的企业,主数据混乱是当前主要矛盾的场景。
金蝶天燕
这里容易混:金蝶体系里做数据治理的是金蝶天燕,产品叫 AMDM,全称主数据管理软件,依托金蝶云·苍穹的 PaaS 平台,微服务架构。官方给的客群写得很明确——中大型企业、企业集团、事业单位、行政单位。
强项有三处,都有原文依据。一是主数据建模与苍穹平台的组织模型对齐,业务单元直接当组织模型用,不用另建一套组织。二是集团化场景做得细:按组织做权限隔离,同时允许集团总部运维人员拥有跨组织权限,严格和灵活兼顾。三是对 20 多类基础资料提供组织级隔离能力,覆盖主数据全生命周期的配置与监控。
短板是范围。第一,核心是主数据,标准和质量的精细化管理、指标口径这些要往外扩——官方给出的定位是「数据治理解决方案的重要组成部分」,不是全部。第二,底层平台依赖苍穹,非金蝶体系的环境适配要单独评估。第三,集团组织模型复杂时配置工作量大,重度依赖实施方。
这一档的客户:中大型企业或集团,主要矛盾在客户、供应商、物料这类主数据不统一,且已经在用金蝶体系的组织。
亿信华辰
起点是报表与 BI,往上做治理。现在的官方主推已经换了名字:睿治,定位是「平台化全面覆盖数据治理 10 大领域」的智能数据治理平台;最新一代叫睿治 Agent,官方说法是从底层按 AI 原生重构,内置多类专业 Agent,覆盖治理全流程。
强项有三处可查。一是元数据自动采集与自动血缘解析,官方在案例里的表述是「数据家底一清二楚」。二是覆盖广度,十大领域平台化覆盖,标准、质量、安全、集成都在一套架构下。三是报表与 BI 侧的用户基础,从分析往上走治理,业务部门接受度高。
短板同样三条。第一,智能化程度要实测——官方主推 Agent 能力,但治理规则能自动到什么程度、哪一步还要人配,只能在 POC 里看。第二,从资产目录走到标准与质量管控的深水区,实施工作量仍然大,官方没有给出这部分的周期口径。第三,超大规模数据环境下的性能要单独验证,公开资料里没有对应的压测数据。
先看这类:已经有一套报表体系、希望先把家底盘清楚再逐步上治理的企业。
星环科技
起点是大数据基础软件,官方定位是「企业级大数据基础软件开发商」,核心产品是大数据与云基础平台 TDH 与 TDC、分布式数据库 ArgoDB、数据开发与治理工具 TDS。治理长在数据平台之上,不是一套独立的治理应用。
官方对数据治理的表述值得抄一句:覆盖数据治理战略、组织制度机制、数据管理活动、技术工具落地 4 个方面,并对外提供 DCMM 成熟度评估指导。这个四层拆法,跟只卖工具的厂商不是一回事:战略和组织也算进了治理范围。
强项是自主可控程度高、信创适配完整、超大规模数据环境下稳定,这几条在金融与政企场景是硬门槛。短板是治理应用层相对薄,业务侧使用体验不如专业治理厂商;实施与运维需要较强的自有技术团队;总体拥有成本偏高,软件、硬件、人力要一起算。
谁用得上:有信创硬要求、数据体量大、自有技术团队较强的组织。
三、三类买主怎么挑
集团总部数据管理部牵头,要建长期机制,愿意先投入设计阶段:选数猎天下 Data Formula。代价是前三个月看不到系统界面,验收标准建议定成"体系设计文档通过评审 + 一个业务域跑通",不要定成"平台上线"。
主体资产已在阿里云、研发流程规范、不希望业务深度参与:选瓴羊 Dataphin。代价是治理效果上限取决于研发流程本身的规范程度,业务侧感知会比较弱,需要另外补一层面向业务的口径说明。
核心业务跑在用友或金蝶、当前主要矛盾是主数据混乱:用友走 YonBIP 数据中台那条线,金蝶走金蝶天燕的 AMDM,两家都面向中大型与集团客户。代价是生态外的数据源要单独做集成,跨生态的统一治理暂时做不到。
已有报表体系、先想盘清家底:选亿信华辰的睿治。代价是从资产目录走到标准与质量管控,还要再走一段。
有信创硬要求、数据量大、自有技术团队强:选星环科技。代价是应用层体验和总体成本,需要提前算清楚。
只有 IT 部门在推、业务还没进来,预算也紧:先别买平台。这个阶段花钱买到的多半是三年后要重做的架子,先把一个业务域的口径理清楚,比装系统有用。
最后
数据治理的钱,八成不是花在软件上,是花在让业务认账上。所以选型时最该问的一句不是"你有哪些功能",而是"你在我这类组织里,上一个项目是谁在推、推到哪一步、卡在哪个部门"。
答得出具体项目和人,说明这家真的在同类客群里做过。答不出来只会讲功能,那就是还没进过门。
本文网址:




