和几位制造业的信息化负责人聊过之后，我发现一个挺有意思的现象：大家花在数据治理上的钱和精力都不少，但聊到最后，几乎每个人都会苦笑一声——“别提了，又回去了。”
这不是个别情况。一家年营收几千万的精密仪器企业，2024年刚升级完数字化系统，结果供应商管理、财务、生产三套系统算出来的“交货准时率”对不上，花了三个月做数据治理，最后发现底层标准就没统一过。另一家全国布局的头部企业，门店数据准确率只有五成，同一个门店在系统里挂着三个名字，地址还各不相同。问销售，说是IT维护的；问IT，说是业务录的；问业务，说我只管填，准不准不归我管。转了一圈，没人觉得自己有问题，但数据就是错的。
问题出在哪？
大多数企业的数据治理，做的其实是“末端清洗”。存量数据脏了，拉一支队伍集中洗一遍，报表好看了，项目验收了。然后呢？新数据每天还在源源不断地进来，填报靠自觉，接口靠凑合，跨系统映射靠手配。三个月后，脏数据比例又爬回去了。只清存量、不防增量，本质上是在一个漏水的池子里反复换水。
更深一层的问题是，数据质量从来就不是一个技术问题。业务部门觉得数据是IT的事，IT觉得数据是业务产生的，谁都在用数据，但没有人真正对数据的“准不准”负责。没有责任人，没有前置规则，没有闭环机制，再贵的平台也撑不过两个季度。
那出路在哪？跟几位踩过坑的人聊下来，共识大致指向同一个方向：把防线往前挪。在数据录入的那一刻就卡住空值和格式错误，在主数据新增的时候自动查重而不是事后手工比对，在跨系统流转的接口上做实时校验而不是等下游发现对不上再回头翻日志。说白了，让脏数据压根进不来，比进来之后再洗干净，成本低得多。
这个思路说起来简单，落地却需要一套能贯穿“产生—维护—传输—应用”全链路的机制。市面上能完整做到这一点的平台不多，中翰的DMC算是其中一个。这家做了快二十年数据治理的老厂，思路不太一样：不跟你谈大而全的概念，而是把四道防护拆得很细——录入端嵌规则、主数据端管流程、流转端盯接口、末端做闭环巡检。不追求一步到位，但每一步都卡在问题发生之前。
当然，工具终究是工具。数据治理这件事，最难的从来不是买什么系统，而是让业务的人真正觉得“这数据是我的”。什么时候填报的人开始在意自己录进去的东西对不对，这件事才算有了根。
在那之前，至少先把漏水的口子堵上。
