20年过去了，主数据为什么还这么火

一家年营收数百亿的制造企业，主数据系统里存了42万条供应商记录，数据准确率超过98%。从KPI看，这是一个漂亮的成绩单。

可去年，一家供应商突然暴雷，导致产线停工三天，直接损失超过两千万。

事后复盘发现：这家供应商的资质文件、工商信息、历史交易记录全都在系统里，合规、完整、没有明显错误。

问题出在哪里？

数据是对的，但系统不知道这些数据意味着什么。它把风险信号静静地躺在那里，等有人来查——可没有人来查。

这就是主数据管理（MDM）20多年来一直被讨论的原因：它解决了一半的问题，另一半始终悬在那里。

而今天，AI正在把那另一半接上。

一、20年四幕戏：从"兼职管"到"AI锻造"

主数据管理不是新概念。如果从上世纪90年代算起，它已经走了30年。如果从21世纪初概念正式成型算起，也有20多年了。

这20年，可以分成四幕戏。

第一幕：ERP兼职管（1990s—2000s初）

90年代，企业开始大规模上ERP。SAP、Oracle带着物料主数据、客户主数据、供应商主数据的模块走进企业。

那时候的问题很简单：一个系统内，数据要统一。

ERP自带的主数据模块，兼职管管够用了。反正企业就那么几个系统，数据在ERP里维护好，大家从ERP取数，天下太平。

但好日子没过多久。

第二幕：多系统混战（2000s中—2010s初）

CRM来了，SCM来了，MES来了，PLM来了，财务共享来了。一家大型集团突然发现自己在运行十几个甚至几十个业务系统。

同一个供应商，在采购系统里叫"上海XX科技有限公司"，在财务系统里叫"XX科技（上海）"，在CRM里只留了个缩写。税号版本不一致，联系人三套，银行账户还有两个历史版本混在里面。

没有人知道哪个是对的。

这不是极端案例。这是绝大多数中型以上企业数字化转型深入到一定程度后，必然碰到的同一堵墙。

数据乱了，而且越乱越快。

ERP自带的模块只能管本系统，跨系统打通能力为零。数据仓库解决的是分析层问题，管不了主数据的全生命周期。人工加Excel？数据量小还能应付，规模一大，错误呈指数级增长。

第三幕：专业MDM崛起（2010s—2020s初）

2010年后，需求催生了独立的主数据管理系统。SAP MDG、Informatica MDM、IBM InfoSphere MDM先后进入中国市场，国产厂商如亿信华辰、三维天地、数通畅联也快速跟进。

这一阶段，MDM的核心使命是建立企业级的"单一可信数据源"（Single Source of Truth）——让每个业务系统调用的都是同一份被验证过的数据，从根上切断数据混乱的源头。

建模、清洗、重复记录合并、质量检测、版本管理、发布与同步——一套完整的全生命周期管理体系逐渐成型。

到2020年前后，大量大型集团完成了主数据系统的建设，基本实现了"黄金记录"的目标。数据终于有了一个统一、准确、完整的版本。

但问题也正是在"基本完成"之后，才悄然浮出水面。

第四幕：AI重塑（2020s—现在）

2026年4月，石化盈科发布工业物料主数据治理智能产品——盈码AI。该产品采用石化盈科自主研发的国内工业物料领域专属大模型，构建“智能体+大模型+高质量数据集”三位一体认知中枢，覆盖物料全生命周期管理，提供智能创建、智能清洗、智能审核、智能检索、知识问答五大开箱即用的智能应用。

盈码AI可实现主数据运营人工成本降低60%以上、效率提高80%以上、单人单日物料代码处理量增加4倍以上，大幅释放企业内部生产力，全面赋能ERP、MES、SRM等核心业务系统，打通设计、采购、制造、维保等全链条，全面重塑新型工业化引擎。

2026年7月，三维天地发布AI原生的智乾主数据管理平台V14（MDM GenAI），从七个核心环节重新定义了MDM的底层逻辑。

这不是一次功能叠加，而是一次范式跃迁。

我用一张表概括这次跃迁：

前四个变化，解决的是高质量主数据怎么建起来；后两个变化，把主数据从"被动记录"推向"主动决策"。

从"黄金记录"到"智慧决策"——这是主数据管理下一个二十年的方向。

二、为什么20年了还这么火？三个结构性原因

很多人会问：一个搞了20年的东西，为什么还在被反复讨论？为什么市场还在快速增长？

因为需求不是在缩小，而是在扩大。三个结构性原因：

原因一：系统越来越多，数据越来越乱

20年前，一家企业可能只有ERP和财务系统两个核心系统。今天呢？ERP、CRM、SCM、MES、PLM、WMS、OA、财务共享、BI、数据中台、AI平台……大型集团动辄几十个甚至上百个系统并存。

系统越多，数据孤岛越多，主数据混乱的面积就越大。这不是管理不善导致的偶发问题，而是多系统并存时代的结构性矛盾。

只要企业还在增加新系统——云原生、微服务、SaaS化只会让系统更多——主数据管理的需求就不会消失，反而会持续放大。

原因二：数据要素市场化，主数据成了"资产身份证"

2026年，数据资产入表政策深化实施，DCMM 2.0国标7月1日正式生效，数据产权登记有了操作指引。

主数据是什么？它是客户、供应商、物料、组织、人员、产品这些核心业务对象的唯一权威标识——换句话说，它是企业数据资产的"身份证"和"身份根目录"。

数据要入表，你得先搞清楚你有哪些数据资产。数据资产要估值，你得先确保数据的准确性和一致性。数据要流通交易，你得先有可被验证的标准化数据源。

这一切的起点，都是主数据。

没有干净的主数据，数据资产入表就是一笔糊涂账。没有标准化的主数据，数据产权登记就没有可登记的"标的物"。

原因三：AI要可信，主数据是"地基"

这是最新也是最强的一个驱动力。

大模型要产生可信的推理结果，必须建立在单一、准确的主数据源之上。如果AI从一个充满重复、矛盾、过时数据的"数据沼泽"里取数，那它的输出一定是垃圾进、垃圾出。

MDM正在从"后台数据管理工具"升级为"企业AI战略的底层推动者"。

反过来，AI也在重塑MDM本身：

传统MDM靠人工规则配置做实体匹配，AI用语义向量自动识别"圣约翰医院"和"St. John's Hospital"是同一实体

传统MDM出质量报告等人处理，AI直接给补全建议和置信度

传统MDM需要数据管理员专业技能，AI让业务人员用自然语言就能查询和管理主数据

传统MDM只能处理结构化数据，AI原生MDM连PDF合同、扫描件、邮件都能自动抽取实体和属性

需求在扩大，技术在升级，政策在推动——三重合力，主数据管理想不火都难。

三、市场数据说话：MDM是增长最快的软件赛道之一

直觉归直觉，数据归数据。来看看市场到底有多火：

几个关键信号：

第一，增速远超企业软件平均水准。全球企业软件市场年均增速大约7-8%，MDM的16%以上增速是平均水平的两倍多。这意味着主数据管理不是在随大盘增长，而是在加速渗透。

第二，云化部署成为绝对主流。65.5%的云部署占比意味着MDM正在从"重实施、长周期"的定制化项目，转向"开箱即用、快速迭代"的SaaS模式。中小企业导入门槛大幅降低。

第三，国内渗透率仍有巨大空间。58.3%的中大型企业上线率看似不低，但意味着还有超过四成的中大型企业尚未建设专业MDM。加上中小企业几乎空白，增量市场非常可观。

第四，亚太是全球增速最快的区域。中国和印度的数字化进程是核心驱动，亚太地区增速领跑全球。

一个赛道能火20年还保持16%以上的增速，在企业软件领域极为罕见。这本身就说明了主数据管理的刚需属性——它不是可选项，而是基础设施。

四、国产化浪潮：中国企业的四重约束

如果说全球MDM市场是一盘大棋，那中国市场就是其中最特殊的一局。

对于中国企业，尤其是央企、金融、政务、医疗等关键行业，MDM选型不只是技术选择，而是四重约束下的战略决策：

这四重约束不是软性的"偏好"，而是硬性的"入场券"。

数据显示，国产MDM厂商的市场份额正在持续攀升，信创生态适配已经从"可选项"变成了"入场条件"。亿信华辰连续四年位居中国数据治理解决方案市场份额第一，被Gartner列为数据资产管理、数据治理及数据编织技术代表厂商。三维天地从2002年推出自主MDM平台，二十余年迭代到AI原生的V14。

这不是情怀驱动的国产替代，而是约束驱动的必然选择。

当然，客观来说，在全球化多语言支持、超大规模跨国企业场景、与国际主流云平台的生态集成上，国际头部产品仍有积累优势。对于跨国运营、深度绑定Salesforce/Workday生态的企业，国外产品可能是更优选择。

但对于绝大多数中国企业来说，方向已经基本锁定。

五、从"黄金记录"到"智慧决策"：MDM的下半场

回到开头那个案例。

42万条供应商记录，准确率98%，可一家供应商暴雷就损失了两千万。数据是"对的"，但系统没有"理解"这些数据。

传统MDM被设计成一个"记录系统"——把数据管准、管全、管一致，就算完成任务。至于这些数据意味着什么、正在释放什么信号、下一步该提醒谁、推动谁行动，传统架构并没有真正覆盖。

这就是主数据管理20年来始终"还差一口气"的根本原因。

而AI原生架构正在补上这一口气。具体体现在三个层面：

层面一：从"质量合格"到"权威可信"

数据质量的合格不代表数据内容的可信。一个字段可以不为空、格式正确，但如果来源从未被验证，它仍然不应该被无条件采信。

AI原生MDM引入"权威数据体系"——追踪每个数据来源是否可靠、变更是否可追溯、外部权威源是否持续对齐。不是"格式对了就行"，而是"来源可信才算数"。

层面二：从"提供数据"到"支撑判断"

一份高度可信、完整可追溯的黄金记录，如果只是放在那里等人查询，价值仍然是潜在的。

AI原生MDM在主数据标准模型之上建立一层领域知识模型（本体论），让系统获得推理的基础。系统不再只是"提供数据"，而是理解变化背后的业务含义，把这种理解转成面向不同角色的行动建议。

业务团队收到的，不再只是"请审核"的主数据申请工单，而是一份已经带有风险定级、影响范围、证据链和建议动作的决策简报。

层面三：从"专家工具"到"全员参与"

传统MDM是"少数专家的工作"——需要数据管理员配置规则、编写脚本、执行清洗。

AI原生MDM让自然语言接口成为可能。业务人员不需要技术知识，直接问系统"查一下华东区所有A类供应商的最近一次审核时间"，就能得到实时准确的答案。

数据治理从"IT部门的工程"变成"全员参与的实践"。

这三个层面的变化，让主数据管理的价值释放路径从"数据管准→业务可用"延伸到了"数据可信→主动决策→价值创造"。

六、给企业的四条行动建议

聊了这么多，落到实操层面，企业该怎么做？四条建议：

第一条：从一个域开始，别贪多。

MDM项目失败的原因，十有八九不是技术问题，而是范围过大、推进过慢、业务参与度低。优先从数据混乱最突出、业务影响最大的域入手（通常是客户或供应商），在3-6个月内跑通一个完整的治理闭环。

第一个域能不能跑通，基本决定整个项目的命运。跑通了，后续推广顺水推舟；跑不通，整个项目大概率搁置。

第二条：业务部门必须参与，不能只是IT项目。

主数据的定义、审批流程、数据标准，需要业务主管作为"数据Owner"深度参与。如果上线后没人维护，数据很快又会乱回去。

第三条：关注AI能力路线图，而非只看当前功能。

选型时不要只看今天的产品功能列表，要问厂商三个问题：你们在AI实体匹配上的准确率是多少？你们的NLQ支持哪些中文业务场景？你们的AI能力是自研的还是贴牌的？

AI能力不是"有就行"，而是"能不能真正用起来"。

第四条：评估三年TCO，别只看软件报价。

软件许可费、实施服务费、二次开发费、年度维保费、扩容费用——全部加起来算三年总账。很多项目初始报价看着不高，三年下来翻了两三倍。要求厂商提供包含所有费用的三年TCO方案，而非只看软件报价。

最后的话

主数据管理为什么20多年了还这么火？

因为企业系统的数量在增长，数据混乱的面积在扩大，数据要素市场化需要标准化的资产身份证，AI大模型需要可信的数据底座。

因为需求不是在缩小，而是在结构性放大。

20年前，主数据管理的使命是建立"黄金记录"——把数据管准、管全、管一致。

20年后的今天，AI正在把使命推向下一段——从"黄金记录"走向"智慧决策"，从被动记录走向主动判断，从IT后台走向业务前台。

主数据管理的终点，不是数据整洁。

而是让每一个业务决策，都能站在可信数据的肩膀上。

*本文数据来源：Fortune Business Insights、Gartner、IDC、Coherent Market Insights等机构公开报告，及行业公开资料。文中案例为行业典型场景综合整理。

本文来自微信公众号“数据驱动智能”（ID：Data_0101），作者：王建峰，36氪经授权发布。