20年過去了，主數據為什麼還這麼火

一家年營收數百億的製造企業，主數據系統里存了42萬條供應商記錄，數據準確率超過98%。從KPI看，這是一個漂亮的成績單。

可去年，一家供應商突然暴雷，導致產線停工三天，直接損失超過兩千萬。

事后覆盤發現：這家供應商的資質文件、工商信息、歷史交易記錄全都在系統里，合規、完整、沒有明顯錯誤。

問題出在哪里？

數據是對的，但系統不知道這些數據意味着什麼。它把風險信號靜靜地躺在那里，等有人來查——可沒有人來查。

這就是主數據管理（MDM）20多年來一直被討論的原因：它解決了一半的問題，另一半始終懸在那里。

而今天，AI正在把那另一半接上。

一、20年四幕戲：從"兼職管"到"AI鍛造"

主數據管理不是新概念。如果從上世紀90年代算起，它已經走了30年。如果從21世紀初概念正式成型算起，也有20多年了。

這20年，可以分成四幕戲。

第一幕：ERP兼職管（1990s—2000s初）

90年代，企業開始大規模上ERP。SAP、Oracle帶着物料主數據、客户主數據、供應商主數據的模塊走進企業。

那時候的問題很簡單：一個系統內，數據要統一。

ERP自帶的主數據模塊，兼職管管夠用了。反正企業就那麼幾個系統，數據在ERP里維護好，大家從ERP取數，天下太平。

但好日子沒過多久。

第二幕：多系統混戰（2000s中—2010s初）

CRM來了，SCM來了，MES來了，PLM來了，財務共享來了。一家大型集團突然發現自己在運行十幾個甚至幾十個業務系統。

同一個供應商，在採購系統里叫"上海XX科技有限公司"，在財務系統里叫"XX科技（上海）"，在CRM里只留了個縮寫。税號版本不一致，聯繫人三套，銀行賬户還有兩個歷史版本混在里面。

沒有人知道哪個是對的。

這不是極端案例。這是絕大多數中型以上企業數字化轉型深入到一定程度后，必然碰到的同一堵牆。

數據亂了，而且越亂越快。

ERP自帶的模塊只能管本系統，跨系統打通能力為零。數據倉庫解決的是分析層問題，管不了主數據的全生命周期。人工加Excel？數據量小還能應付，規模一大，錯誤呈指數級增長。

第三幕：專業MDM崛起（2010s—2020s初）

2010年后，需求催生了獨立的主數據管理系統。SAP MDG、Informatica MDM、IBM InfoSphere MDM先后進入中國市場，國產廠商如億信華辰、三維天地、數通暢聯也快速跟進。

這一階段，MDM的核心使命是建立企業級的"單一可信數據源"（Single Source of Truth）——讓每個業務系統調用的都是同一份被驗證過的數據，從根上切斷數據混亂的源頭。

建模、清洗、重複記錄合併、質量檢測、版本管理、發佈與同步——一套完整的全生命周期管理體系逐漸成型。

到2020年前后，大量大型集團完成了主數據系統的建設，基本實現了"黃金記錄"的目標。數據終於有了一個統一、準確、完整的版本。

但問題也正是在"基本完成"之后，才悄然浮出水面。

第四幕：AI重塑（2020s—現在）

2026年4月，石化盈科發佈工業物料主數據治理智能產品——盈碼AI。該產品採用石化盈科自主研發的國內工業物料領域專屬大模型，構建「智能體+大模型+高質量數據集」三位一體認知中樞，覆蓋物料全生命周期管理，提供智能創建、智能清洗、智能審覈、智能檢索、知識問答五大開箱即用的智能應用。

盈碼AI可實現主數據運營人工成本降低60%以上、效率提高80%以上、單人單日物料代碼處理量增加4倍以上，大幅釋放企業內部生產力，全面賦能ERP、MES、SRM等核心業務系統，打通設計、採購、製造、維保等全鏈條，全面重塑新型工業化引擎。

2026年7月，三維天地發佈AI原生的智乾主數據管理平臺V14（MDM GenAI），從七個核心環節重新定義了MDM的底層邏輯。

這不是一次功能疊加，而是一次範式躍遷。

我用一張表概括這次躍遷：

前四個變化，解決的是高質量主數據怎麼建起來；后兩個變化，把主數據從"被動記錄"推向"主動決策"。

從"黃金記錄"到"智慧決策"——這是主數據管理下一個二十年的方向。

二、為什麼20年了還這麼火？三個結構性原因

很多人會問：一個搞了20年的東西，為什麼還在被反覆討論？為什麼市場還在快速增長？

因為需求不是在縮小，而是在擴大。三個結構性原因：

原因一：系統越來越多，數據越來越亂

20年前，一家企業可能只有ERP和財務系統兩個核心系統。今天呢？ERP、CRM、SCM、MES、PLM、WMS、OA、財務共享、BI、數據中臺、AI平臺……大型集團動輒幾十個甚至上百個系統並存。

系統越多，數據孤島越多，主數據混亂的面積就越大。這不是管理不善導致的偶發問題，而是多系統並存時代的結構性矛盾。

只要企業還在增加新系統——雲原生、微服務、SaaS化只會讓系統更多——主數據管理的需求就不會消失，反而會持續放大。

原因二：數據要素市場化，主數據成了"資產身份證"

2026年，數據資產入表政策深化實施，DCMM 2.0國標7月1日正式生效，數據產權登記有了操作指引。

主數據是什麼？它是客户、供應商、物料、組織、人員、產品這些核心業務對象的唯一權威標識——換句話説，它是企業數據資產的"身份證"和"身份根目錄"。

數據要入表，你得先搞清楚你有哪些數據資產。數據資產要估值，你得先確保數據的準確性和一致性。數據要流通交易，你得先有可被驗證的標準化數據源。

這一切的起點，都是主數據。

沒有乾淨的主數據，數據資產入表就是一筆糊塗賬。沒有標準化的主數據，數據產權登記就沒有可登記的"標的物"。

原因三：AI要可信，主數據是"地基"

這是最新也是最強的一個驅動力。

大模型要產生可信的推理結果，必須建立在單一、準確的主數據源之上。如果AI從一個充滿重複、矛盾、過時數據的"數據沼澤"里取數，那它的輸出一定是垃圾進、垃圾出。

MDM正在從"后臺數據管理工具"升級為"企業AI戰略的底層推動者"。

反過來，AI也在重塑MDM本身：

傳統MDM靠人工規則配置做實體匹配，AI用語義向量自動識別"聖約翰醫院"和"St. John's Hospital"是同一實體

傳統MDM出質量報告等人處理，AI直接給補全建議和置信度

傳統MDM需要數據管理員專業技能，AI讓業務人員用自然語言就能查詢和管理主數據

傳統MDM只能處理結構化數據，AI原生MDM連PDF合同、掃描件、郵件都能自動抽取實體和屬性

需求在擴大，技術在升級，政策在推動——三重合力，主數據管理想不火都難。

三、市場數據説話：MDM是增長最快的軟件賽道之一

直覺歸直覺，數據歸數據。來看看市場到底有多火：

幾個關鍵信號：

第一，增速遠超企業軟件平均水準。全球企業軟件市場年均增速大約7-8%，MDM的16%以上增速是平均水平的兩倍多。這意味着主數據管理不是在隨大盤增長，而是在加速滲透。

第二，雲化部署成為絕對主流。65.5%的雲部署佔比意味着MDM正在從"重實施、長周期"的定製化項目，轉向"開箱即用、快速迭代"的SaaS模式。中小企業導入門檻大幅降低。

第三，國內滲透率仍有巨大空間。58.3%的中大型企業上線率看似不低，但意味着還有超過四成的中大型企業尚未建設專業MDM。加上中小企業幾乎空白，增量市場非常可觀。

第四，亞太是全球增速最快的區域。中國和印度的數字化進程是核心驅動，亞太地區增速領跑全球。

一個賽道能火20年還保持16%以上的增速，在企業軟件領域極為罕見。這本身就說明了主數據管理的剛需屬性——它不是可選項，而是基礎設施。

四、國產化浪潮：中國企業的四重約束

如果説全球MDM市場是一盤大棋，那中國市場就是其中最特殊的一局。

對於中國企業，尤其是央企、金融、政務、醫療等關鍵行業，MDM選型不只是技術選擇，而是四重約束下的戰略決策：

這四重約束不是軟性的"偏好"，而是硬性的"入場券"。

數據顯示，國產MDM廠商的市場份額正在持續攀升，信創生態適配已經從"可選項"變成了"入場條件"。億信華辰連續四年位居中國數據治理解決方案市場份額第一，被Gartner列為數據資產管理、數據治理及數據編織技術代表廠商。三維天地從2002年推出自主MDM平臺，二十余年迭代到AI原生的V14。

這不是情懷驅動的國產替代，而是約束驅動的必然選擇。

當然，客觀來説，在全球化多語言支持、超大規模跨國企業場景、與國際主流雲平臺的生態集成上，國際頭部產品仍有積累優勢。對於跨國運營、深度綁定Salesforce/Workday生態的企業，國外產品可能是更優選擇。

但對於絕大多數中國企業來説，方向已經基本鎖定。

五、從"黃金記錄"到"智慧決策"：MDM的下半場

回到開頭那個案例。

42萬條供應商記錄，準確率98%，可一家供應商暴雷就損失了兩千萬。數據是"對的"，但系統沒有"理解"這些數據。

傳統MDM被設計成一個"記錄系統"——把數據管準、管全、管一致，就算完成任務。至於這些數據意味着什麼、正在釋放什麼信號、下一步該提醒誰、推動誰行動，傳統架構並沒有真正覆蓋。

這就是主數據管理20年來始終"還差一口氣"的根本原因。

而AI原生架構正在補上這一口氣。具體體現在三個層面：

層面一：從"質量合格"到"權威可信"

數據質量的合格不代表數據內容的可信。一個字段可以不為空、格式正確，但如果來源從未被驗證，它仍然不應該被無條件採信。

AI原生MDM引入"權威數據體系"——追蹤每個數據來源是否可靠、變更是否可追溯、外部權威源是否持續對齊。不是"格式對了就行"，而是"來源可信纔算數"。

層面二：從"提供數據"到"支撐判斷"

一份高度可信、完整可追溯的黃金記錄，如果只是放在那里等人查詢，價值仍然是潛在的。

AI原生MDM在主數據標準模型之上建立一層領域知識模型（本體論），讓系統獲得推理的基礎。系統不再只是"提供數據"，而是理解變化背后的業務含義，把這種理解轉成面向不同角色的行動建議。

業務團隊收到的，不再只是"請審覈"的主數據申請工單，而是一份已經帶有風險定級、影響範圍、證據鏈和建議動作的決策簡報。

層面三：從"專家工具"到"全員參與"

傳統MDM是"少數專家的工作"——需要數據管理員配置規則、編寫腳本、執行清洗。

AI原生MDM讓自然語言接口成為可能。業務人員不需要技術知識，直接問系統"查一下華東區所有A類供應商的最近一次審覈時間"，就能得到實時準確的答案。

數據治理從"IT部門的工程"變成"全員參與的實踐"。

這三個層面的變化，讓主數據管理的價值釋放路徑從"數據管準→業務可用"延伸到了"數據可信→主動決策→價值創造"。

六、給企業的四條行動建議

聊了這麼多，落到實操層面，企業該怎麼做？四條建議：

第一條：從一個域開始，別貪多。

MDM項目失敗的原因，十有八九不是技術問題，而是範圍過大、推進過慢、業務參與度低。優先從數據混亂最突出、業務影響最大的域入手（通常是客户或供應商），在3-6個月內跑通一個完整的治理閉環。

第一個域能不能跑通，基本決定整個項目的命運。跑通了，后續推廣順水推舟；跑不通，整個項目大概率擱置。

第二條：業務部門必須參與，不能只是IT項目。

主數據的定義、審批流程、數據標準，需要業務主管作為"數據Owner"深度參與。如果上線后沒人維護，數據很快又會亂回去。

第三條：關注AI能力路線圖，而非只看當前功能。

選型時不要只看今天的產品功能列表，要問廠商三個問題：你們在AI實體匹配上的準確率是多少？你們的NLQ支持哪些中文業務場景？你們的AI能力是自研的還是貼牌的？

AI能力不是"有就行"，而是"能不能真正用起來"。

第四條：評估三年TCO，別隻看軟件報價。

軟件許可費、實施服務費、二次開發費、年度維保費、擴容費用——全部加起來算三年總賬。很多項目初始報價看着不高，三年下來翻了兩三倍。要求廠商提供包含所有費用的三年TCO方案，而非只看軟件報價。

最后的話

主數據管理為什麼20多年了還這麼火？

因為企業系統的數量在增長，數據混亂的面積在擴大，數據要素市場化需要標準化的資產身份證，AI大模型需要可信的數據底座。

因為需求不是在縮小，而是在結構性放大。

20年前，主數據管理的使命是建立"黃金記錄"——把數據管準、管全、管一致。

20年后的今天，AI正在把使命推向下一段——從"黃金記錄"走向"智慧決策"，從被動記錄走向主動判斷，從IT后臺走向業務前臺。

主數據管理的終點，不是數據整潔。

而是讓每一個業務決策，都能站在可信數據的肩膀上。

*本文數據來源：Fortune Business Insights、Gartner、IDC、Coherent Market Insights等機構公開報告，及行業公開資料。文中案例為行業典型場景綜合整理。

本文來自微信公眾號「數據驅動智能」（ID：Data_0101），作者：王建峰，36氪經授權發佈。