泪人痣数据要素已上升为国家核心生产要素，企业数智化转型进入深水区。2025 年以来，国家层面密集出台数据要素相关政策，从基础制度、市场培育、安全流通到融合应用形成全链条部署 ——《“数据要素 ×” 三年行动计划（2024—2026 年）》明确 2026 年底数据产业年均增速超 20% 的目标，国家数据局 2025 年 12 月部署的 2026 年重点工作将 “培育全国一体化数据市场” 列为核心任务，数据工作正从企业内部的 “单点优化” 转向产业生态的 “系统协同”，成为企业不可回避的战略必答题。

　　本文基于用友BIP数智平台团队多年在千行百业大型数据项目的建设运营经验，结合最新政策导向，从产业视角展望 2026 年企业数据工作的五大核心趋势，为企业决策者及数据从业者提供参考。

　　企业数据工作是什么？是主数据管理、数据分析？还是数据质量管理和数据存储计算引擎？在经历了众多数据工作实践后，企业更应当以一个完整视角看待数据工作，这样才更有利于抓住数据工作的本质。 比如，只关注数据应用却忽视了数据治理，而导致复杂数据应用场景落地失败；或者只关注了数据平台建设，却没有清晰地阐述对数据应用的支撑；亦或者是全面开展数据治理项目时，不能场景化地说明原因而得不到业务部门的全力支持等现象，都是只关注了局部工作而忽视了整体工作所导致的问题。

　　管理学大师彼得・德鲁克 (Peter Drucker) 的名言：“无法测量，就无法管理”。可量化的评估模型也代表了一件事物的成熟度。 从数据管理体系成本视角构建评估模型，观察传统人工为主的数据传递体系与以大数据技术为基础的数据管理体系的成本效能对比； 从数据供给角度，观测数据管理体系建设完成后对业务数据需求的满足程度进行评估模型构建。

　　用友BIP已沉淀众多企业数据工作评估模型，并在实际应用中取得了良好效果。 如企业数据供给度评估模型，企业数据供给成本效率对比模型等

　　企业数据工作，无论是按照数据治理、数据平台、数据应用这样的粗线条，还是按照DCMM的八大能力域视角，数据工作的建设都不应当是先BI、再主数据、再数据平台，再数据治理这样的线性推进过程，而是应当说明整体都有什么，哪个先做，做多少，哪个再做，做多少，每项内容根据情况如何逐步多次建设，各项工作如何协同作战。此种建设模式可以有效保障数据价值的线性产出，获取业务部门的最大支持。

　　我们经常把企业的数据工作比喻成为城市修建自来水厂，无论前期规划得多么合理，建设过程又是多么细致严谨，如果不能正常运营，数据工作就是失败的。

　　用友BIP在提供数据平台产品以及丰富的数据管理解决方案基础上，将数据运营体系建设也作为一项重要工作。以业务部门满意、运营高效为核心目标，帮助客户规划数据运营组织、规划工作职能并进行岗位设定，撰写运营制度流程以及考核评估指标体系。运营过程一方面满足业务部门数据使用需求，另一方面兼顾基础能力建设与治理工作长效运转。

　　数据与业务的融合，已从企业内部 “单点赋能” 升级为产业业务链 “全流程渗透”，这与十七部门《“数据要素 ×” 三年行动计划》中 “推动数据要素与实体经济深度融合” 的核心要求高度契合。政策明确提出在工业制造、现代农业、商贸流通等领域打造 300 个以上示范场景，推动 “数据要素 × 产业链” 协同创新。

　　我们可以把企业数据工作分解成两个部分： 一方面数据管理体系的建设与数据供给 ，另一方面是业务部门获取到数据后的应用和业务价值产出。但是，在很多企业中，这两个部分之间始终存在间隙，没有形成爆发式的双向驱动。

　　在当前竞争激烈的市场环境下，企业内众多业务域都有丰富的业务工作发展计划。比如财务领域的智能会计，业财一体化，覆盖全面的企业管理报表体系建设，全面预算管控及精细化的日成本分析；比如人力领域的精细化人效核算、干部智能考评；国资监管领域向上自动化报送和对内的穿透式监管；供应链领域的供应链控制塔等等。这些业务管理诉求，都需要建立在完备的数据管理体系建设和充分的数据供给之上。

　　基于用友BIP数据平台，用友为企业提供了一系列细分领域、行业的数据应用主题以及财务数据平台、财务数据治理、人力数据平台和治理等细分领域数据解决方案。在传统数据方案下，进一步融入企业具体业务场景，真正激发价值。

　　人工智能发展如火如荼，数据工作成为连接业务流程与智能应用的关键枢纽。国家数据局 2026 年重点工作将 “强化数据赋能人工智能发展” 列为核心任务，提出实施高质量数据集建设 “6 大专项行动”，要求形成一批满足 AI 就绪度的标杆型数据集。这意味着多模态数据治理已从企业智能支撑升级为产业智能基石。

　　用友BIP“无数据、不智能”的理念，以及“AI X 数据 X 流程原生一体”的架构模式，获得企业广泛认可。这其中，数据治理工作起到了关键的承上启下作用：

　　一方面说明了企业应当有什么数据；另一方面说明了企业当期有哪些数据。通过两项工作成果的对比，可以清晰地知道还有哪些业务不在线，这些不在线的工作则是数据分析的盲点区域，可以作为业务流程在线工作的驱动来源之一。

　　非结构化数据的梳理、治理方案，知识库知识图谱的建设方案，高质量数据集建设方案有效支撑企业智能工作开展。

　　当前，用友BIP已服务钢铁、能源、电力等行业的众多大型项目，基于“AI X 数据 X 流程原生一体”架构，打通业务流程，击破数据孤岛，为智能化应用筑基，形成良好的价值闭环和正反馈。

　　数据工作 “高成本、高门槛” 已制约企业数智化普及。当前企业的数据工作本质上还是一项知识密集型和人力密集型工作。 从企业业务梳理、数据模型设计和数据资源盘点，到数据采集、数据汇聚、数据全面治理，再到数据应用。每个过程中都需要不同岗位的专业数据顾问深度参与。智能技术的普及应用，为企业数据项目实施带来规模化降本成效。

　　标准与内容就是数据工作的“预制菜”，让客户做选择题的效率要远远高于问答题。广泛的客户覆盖与多年的业务经营使得我们可以将过往的知识以数据的方式进行深度沉淀。

　　数据平台并不仅仅是一个工具型产品，数据平台所承载的丰富数据内容，所拥有的agent数量都应当成为关键衡量指标。同时数据平台还应当尽可能地支撑更多的数据管理和运营工作在线上开展，比如数据质量工作的全面线上处理，数据共享借用的线上操作等等。未来，数据平台在企业中一定是一个全员应用的平台。

　　AI是提升知识密集型工作效率的利器。在数据工作的全流程场景中，至少有上百个场景能够让AI深度参与。DataAgent的广泛使用正在让众多的数据工作者工作大幅提效。

　　数据在企业内部的循环逐步展现出巨大的商业价值。当数据能够在企业之间、产业链上下游及社会级进行流转的时候，可能会产生数倍于当前业务价值的商业价值。 《数据二十条》、《数据资产入表》、《数据要素定位》、《数据交易体系和数商体系的建设》都在为这个大循环做铺垫。虽然当前收获不及预期，但是数据要素价值的序幕正在徐徐展开。

　　数据对于大多数人而言，是一种抽象存在。数据模型、数据属性，一条具体的记录都可以笼统地称为数据。但只有将数据细化至属性级别的颗粒度，才能够更好地支撑数据产品设计和交易。我们经历的多个项目都因为数据模型颗粒度不足而导致进展缓慢甚至失败；

　　数据要素流转过程中依然面临场景不足、前期投入高、企业担心数据安全合规等问题。 此种情况下，通过数据目录、标准数据集的模式快速规划数据应用场景； 通过一个更为广泛的懂业务的专家团队进行数据要素的价值挖掘与展现都是比较可行的方法。

　　广大传统企业信息化服务商，可以尝试“数据经纪人模式”实现增值服务，同时也完成数据交易的“最后一公里”问题，助力企业实现数据从资源转向资本的商业价值转换。

　　在企业AI应用浪潮下，数据工作成为企业数智化转型的核心担当之一。从《“数据要素 ×” 三年行动计划》到国家数据局 2026 年 “数据要素价值释放年” 部署，再到财政部数据资产入表新规，推动数据要素成为产业高质量发展的核心引擎。

　　2026 年，深化数据工作已经成为企业必答题，企业唯有积极布局，才能在数据要素驱动的新赛道中抢占先机，在AI时代打造高质量发展的核心竞争力。