破解制造业数据治理困局

“”全球至少有80%的工业数据依然被锁在各自的孤岛，如果这些沉睡的数据被唤醒和打通，如果隐藏其中的规律被算法照亮，将会为产业升级释放出巨大价值。” 在刚刚结束的 WAIC 上，西门子全球执行副总裁、西门子中国董事长、总裁兼首席执行官肖松博士的发言引发行业深思。

在制造业数字化转型的深水区，数据治理始终是绕不开的关键瓶颈。如何将沉睡的数据资源转化为可执行的决策指令？西门子艾闻达梳理出几大破局思路。

随着近些年数据经济的兴起，大部分制造业企业对于“数据治理”的话题已不再陌生。在与制造业信息化负责人交流时，常听到两种典型反馈：

• "我们已有员工考取或准备考取CDGA认证"
• "我们已经聘请外部公司辅导并通过或准备获得DCMM资质"

但当问及数据治理给企业带来了哪些实质性改变，答案往往局限于“上线了报表平台”。更普遍的现象是：企业按咨询公司建议梳理众多数据标准、部署治理平台后，却发现投产比低于预期，最终将数据治理排除在管理变革工作重点之外。

这种认知落差源于对数据问题的本质忽视。对于已对数据治理失去信心的管理者，建议暂时抛开理论概念，聚焦企业实际存在的数据痛点。制造业的核心是"制造"（当然研发与销售同样关键），不妨先回答三个核心命题：用什么造？怎么造？造什么？这对应着物料、工艺、产品三大核心数据。深入制造现场各环节——设计室、车间、仓库，会发现围绕这三类数据的矛盾普遍存在。

以某汽车集团制造域的数据问题清单为例，可提炼出以下关键洞察：

• 物料数据是问题集中区：大部分数据问题都与物料相关，涉及物料数据的结构、属性值、数据源头、数据在系统间流转关系、数据的时效性以及和物理世界的一致性等。
• 物料与产品的强相关性：物料数据与产品数据形成紧密的数据网络，不同岗位在数据生命周期各阶段承担着差异化职责。

因此，物料几乎与企业各方面都有关联，无论研、产、供、销、服这些核心业务，还是人事、财务等支持部门。这种跨业务域的特性，使其成为制造业既重要又复杂、且极具挑战性的数据类别，亟需系统性治理。当前多数企业选择DCMM体系作为治理框架，本文将基于此框架，重点剖析物料数据治理的落地路径。

1. 数据标准之业务术语

数据治理困难重重，其根源之一是数据与各种业务、IT技术都紧密关联，而业务通常既是问题源头也是解决关键。针对物料域数据治理不妨先从最贴近业务部分开始，即业务术语。

物料定义需结合企业实际场景，照本宣科往往难以体现其在实际业务中的价值和意义。每个企业根据自己的经营特点，对“物料”的定义不尽相同。比如除了原材料，物料是否还包括半成品、成品？是否包括耗材、包材，甚至办公用品、软件许可？直发件是否属于物料？这里没有标准答案，但同一个企业往往长期存在截然不同的答案。因此，对于跨部门、跨流程、跨系统的重要业务概念要保证各环节对其理解一致，避免认知上"失之毫厘”，导致数据结果“谬以千里"。

2. 数据标准之主数据

企业管理物料主数据的重要性毋庸置疑，但在实际操作中，处于不同管理阶段的企业经常遇到一个本质问题：如何定义物料数据的最小颗粒度？例如，如何区分单个物料与物料种类？对于规格相同但供应商或批次不同的齿轮，是否应视为同一种物料？对于自制与外购的物料，又应如何归类？亦或在企业物料主数据中出现“供应商”甚至“订单号”等属性项。若主数据模型缺乏规范管理，且每个属性项的定义不清晰，物料域的数据治理将难以推进。

3. 数据标准之参考数据

企业的一个物料会有十几种甚至几十种分类方式。除了用于业务流转，大量分类被作为各种报表的数据维度。很多企业中，鲜有员工能全面掌握某类物料的完整分类体系。往往只有相关人员一起讨论时，才发现很多分类是重复、冲突的，甚至被上下游有所误解。更何况随着时间推演，很多分类的业务含义、值域、枚举值本身也已发生变化。各种物料分类数据如果不加以管理，很难保证各种业务报表及时准确。

4. 数据架构之数据模型

绝大部分企业的业务系统以外购为主，外购中套装软件占了较大比例，因此很多企业自身难以触及数据模型层面。实际情况往往是物料数据模型的各个数据项被各种系统、厂商、服务商分散到若干系统的若干张表。而这些表的关联关系、一致性关系、颗粒度关系、安全策略等等宛若一系列的“黑箱”。一个关键技术人员离职往往会导致无人能够梳理清楚这些关系，后期再进行数据分析或系统变更的难度可想而知。有些企业从中吸取教训，在系统选型阶段要求必须提供核心表或接口表的数据字典，且在上线后及时抽取到数仓验证。通过自建并良好维护分析数据模型，避免关键数据被厂商或特定人员锁定。

5. 数据架构之数据集成与共享

企业核心业务系统普遍涉及物料数据管理，尤其是核心的ERP、SRM、PDM、WMS、MES等等。然而由于种种原因，物料数据往往难以产生自同一个系统。架构设计领域存在共识：数据一旦跨系统产生副本，要实现跨平台一致性管控将面临指数级难度。更何况企业内不同岗位对同一个数据项常存在认知差异。某企业曾耗时数小时论证上游的“物料编号”与下游的“料号”是否为同个数据项，暴露出跨系统数据定义不统一引发的协作障碍。如果没有数据集成与共享标准，没有数据责任主体归属，数据的链条越长，往往问题越多。

6. 数据质量

在数据治理实践中，业界常以"冰山效应"类比数据管理的复杂性：浮出水面的数据质量问题仅是表象，水面下潜藏着更为庞大的体系化挑战。

仅以物料编码数据质量的完整性维度为例，看似简单的“物料必须有编码”原则，在落地实施时却需要跨越诸多陷阱——例如自制件的物料编码应该何时生成？是产品设计图纸定稿但尚未审核通过时创建？还是在制定工艺路线阶段？或者是工艺文件完成且生产计划还没排产？又或者根据部件类型不同区别规定编码产生时点？针对委外件，在委外设计、委外设计代加工和纯委外加工三种模式下，要如何明确物料编码的生成时间点？唯有明确各类边界条件的具体规则，才能定义有效的质量检查规则，从而实现数据治理从理论到实践的闭环管理 。

7. 数据生存周期之数据需求

数据问题很少孤立存在，往往与其他信息化需求深度耦合。同一种物料口径在不同的业务系统常有不同的处理逻辑。例如液压阀组由阀体、阀芯、密封件等几个组装而成，但ERP、PLM、MES对“液压阀组”定义的颗粒度完全不同：

• PLM视之为单一物料简化设计；
• ERP从采购和生产计划角度将其分解为外购的阀体、自制的阀芯和组装的阀组；
• MES进一步按工序将阀芯分解为毛坯阀芯、机加工阀芯、热处理阀芯三个口径。

在一个阀组已经投产期间，设计部门在PLM修改了阀芯某部件尺寸，导致根据规格为阀组产生了新的物料号。但车间已经用旧的物料号生产了阀芯上另一个部件并在MES完成报工，导致已生产的部件无法在WIP库关联到新编号的阀组。调查发现，软件系统的设计人员对于物料数据的需求只理解“根据规格产生唯一物料号”这个基本需求，没有调研考虑“物料号变更对于其他系统的不同物料口径要建立关联”的延伸需求；而业务用户认为这个需求是“不言自明”的。做数据需求时没有充分考虑数据链路，导致问题出现后，IT和业务团队、不同系统的团队之间相互推诿，难以确定问题责任归属。

根据对物料数据管理问题的简要剖析，可以归纳出以下关键矛盾：

1. 业务需求与系统逻辑割裂：

    本质是数据需求未被精准表达。

2. 短期需求与长期需求的博弈

    形成非此即彼的选择困境。要么仓促确定数据规格埋下隐患，忽略长期需求；要么迟迟无法确认或强推未充分论证的规格导致业务延误或停滞。

3. 数据权属和协同

    职能式的企业管理往往才是数据问题更深层的根源。缺乏“从头到尾”的数据责任主体，无论在业务侧还是系统侧，都难以跳出对数据问题相互推诿的漩涡。

经过多年实践，制造业的数据问题并非冰山一块无法破局。结合西门子艾闻达在IT与OT领域深厚的行业积累，以及西门子自身转型历程中的丰富经验及跨行业、跨国客户项目中积累的可靠成果，企业可从以下路径寻求突破：

• 改变职能型管理模式：从管“某一段数据加工应用”转型为管理“某一条数据链路”。
• 聚焦核心痛点：以数据问题为起点和目标，以数据治理为专业方法。在起步阶段避免追求“全盘”数据治理。
• 方法+工具：数据治理体系在金融、电信、电力很多行业已经积累了大量的最佳实践和支撑工具，需要从业者充分理解方法和工具底层逻辑。
• 新技术融合：近年来，很多AI加持的数据治理场景值得深入研究采纳，例如通过AI发现数据质量规则、识别数据血缘关系等，都能大幅降低人海战术的数据治理成本。