在企业推进数字化转型过程中，数据对于企业的重要性迅速提升，已成为继土地、劳动力、资本、技术后的第五大生产要素。 数据不仅自身具有巨大的经济价值，而且能够显著改善其他生产要素的配置效率。离散制造业是现代工业的重要组成部分。 该类型企业具有产品种类多、生产过程复杂、生产计划控制难度大等特点。 为充分发挥数据这一生产要素的作用，实现数据驱动经营的目标，提升企业数据管理能力迫在眉睫。

数据管理能力是指组织和机构对数据进行管理和应用的能力。 ＧＢ／Ｔ３６０７３－２０１８ 标准定义的数据管理能力成熟度评估模型包含了数据战略、数据治理、数据架构、数据应用、数据安全、数据质量、数据标准和数据生存周期 ８ 个能力域，共 ２８ 个能力项。

数据管理是指通过规划、控制与提供数据和信息资产职能，包括开发、执行、监督有关数据的政策、计划、方案、项目、方法和程序，以获取、控制、保护、交付、提高数据和信息资产价值。 数据管理贯穿于数据的全生命周期。 图 １ 是国际数据管理协会搭建的数据管理功能框架。

图 １ DAMA数据管理功能框架

综上，企业数据管理能力是由企业在数据全生命周期的数据管理行为形成的能力项组成的。 企业对数据生命周期任一阶段管理的缺失或不规范，都会导致数据管理能力提升缓慢或停滞。

１ 离散制造业企业数据管理能力提升典型问题及原因分析

１.１ 企业数据采集质量不高

数据质量管理是数据管理的基础活动，而数据采集作为数据全生命周期的源头阶段，其采集方式会直接影响数据质量。 具有自主研发能力的离散制造业企业产品生命周期包含阶段多，数据采集具有覆盖范围有限，采集方式多元化、采集数据质量不高的特点。

离散制造业企业产品设计、工艺设计的信息化工作普遍起步早，已建设相关应用系统，数据采集方式属于线上人工采集，但常因线上线下业务流程不一致，采集的数据无法反映业务真实情况，同时，业务人员对于应用系统的不规范使用行为会导致采集数据准确性差、结构化程度低。

离散制造业企业生产过程复杂，管控要素多，制造业信息化建设开展较晚，信息化程度低，业务流程对纸质表单依赖大，数据采集方式多以传统线下人工填报为主，数据质量取决于业务人员的专业素养和工作习惯。 该类企业在生产过程中使用的设备种类多，通用性与专业性结合，多数企业尚无能力支撑多种类的复杂数据采集技术实现，导致数据采集的完整性难以保证。

物料采购及外协制造中的供应商管理，会由供应商根据自身情况决定数据采集方式，同时，由于数据在企业外部产生和采集，与企业内部数据分属于不同物理网络，内外部数据交互存在滞后性。

１.２ 数据治理工作推进难度大，收效甚微

数据治理专注于制定策略和规则，以确保数据的质量、安全性和合规性，作为数据管理的中枢，能够指导数据管理其他领域的活动，需要开展于各项数据职能工作之前。 而导致数据治理工作推进难度大，收效甚微有以下原因。

１.２.１ 数据治理工作本身复杂度高

数据治理以多种类数据为对象，覆盖数据全生命周期，治理过程要经过多个环节，是一项全局性、系统性、综合性、长期性的工作。 企业想要在短期内、局部流程中看到显著成效是不现实的。 也正因数据治理工作的复杂性，对于人力和物力的投入需求大，多数离散制造业企业很难在推进数据治理工作和保证生产交付之间寻找平衡点，频繁出现为保生产交付而延期数据治理工作的情况，导致数据治理工作无法连续、有效开展。

１.２.２ 企业数据架构不清晰

数据架构是数据管理的基础，作为数据管理重要组成部分的数据治理同样依赖数据架构。 部分企业已经将数据架构建设和管理作为数据治理工作的核心内容，数据架构与数据治理多领域工作的紧密关系表现在：数据治理的组织体系和管理体系本质上由数据架构体系决定，以数据架构指导数据认责或归口管理工作开展；数据质量管理、数据开发、数据安全管理及数据共享等工作都需要在数据架构的指导下开展。

企业数据架构主要分为数据模型、数据分布与数据流、数据标准、数据资产目录 ４ 个部分，后面三者管理的对象从本质上来说都是数据，而数据模型是对数据特征的抽象，包含了静态特征、动态行为和约束条件，是数据架构的核心组成部分。

离散制造业企业在推进信息化工作过程中，多以业务需求为牵引，以项目为依托，建设某个业务域的应用系统，来实现局部业务流程的信息化，容易出现线上线下流程并行，实际业务与应用系统“ 两张皮” 的现象，其根本原因在于企业对数据模型定义不清晰，进而导致数据分布与数据流难以梳理，无法制定统一的数据标准，形成完整的数据资产目录。 从企业架构角度来看，即业务架构与应用架构无法相互关联与支持，而数据架构作为业务架构和应用架构之间的纽带和桥梁，无法清晰描述业务架构中的数据实体和数据需求，并将其准确转化为应用架构中的物理数据对象，进而影响数据治理工作的开展，造成很多企业开展了数据治理工作，但收效甚微。

１.２.３ 未优先进行主数据治理

主数据是企业数据资产的核心部分，会出现在所有重要的业务流程和分析任务中。 离散制造业企业因为产品种类多、结构复杂，作为主数据的物料、ＢＯＭ 结构等数据种类多、体量大，同时，该类型企业开展信息化建设普遍较晚，在信息化建设初期，没有较强的数据管理意识，无法保证主数据输入源头的唯一性和主数据更改的规范性，造成物料“一物多码”、ＢＯＭ 结构多版本的问题，该类型企业主数据多具有历史存量数据多且质量参差不齐的特点，企业若未将主数据治理优先于其他数据治理工作开展，质量较差的主数据会持续流转在不同应用系统之间，进而影响多个业务流程，导致脏数据源源不断地产生，在影响业务流转效率的同时，也会进一步增加其他数据治理工作的难度。

１.３ 企业数据中台未发挥应有作用

数据中台是帮助企业管理、共享和利用数据的一整套工具和方法，可以规范数据供应链的各个环节。

企业可以基于自身信息化建设基础、数据基础、业务特点对数据中台能力进行定义。 大部分离散制造业企业采用业务应用系统与数据中台并行建设的路径，在该路径下，造成数据中台未发挥应有作用的原因有如下几点。

１.３.１ 信息化基础差

离散制造业企业信息化水平普遍较低，部分业务域的应用系统仍然处于待建设状态，数据中台可集成的应用系统有限；而可集成的应用系统对应的业务流程之间关联性不强，导致“数据孤岛” 现象仍然存在，造成业务数据碎片化，数据中台没有足够的可用数据，无法发挥作用。

１.３.２ 数据中台技术架构与企业业务需求不适配

离散制造业企业更倾向于选择直接购买封装好数据组件的成熟产品进行数据中台建设。 在数据中台选型阶段，很多企业存在调研不充分，需求收集不完整，数据管理目标不明确等问题，导致所选数据中台的技术架构可扩展性不强，没有能力管理因业务发展而新增的数据类型及数据模型。

１.３.３ 数据仓库设计不合理

数据仓库作为数据中台的重要组成部分，是一个面向主题的、集成的、相对稳定的、反映历史变化的数据集合，用于支持管理决策和信息全局共享。 其基础架构一般按照贴源层、公共层、应用层展开，但实际架构会因行业特点和企业需求而异。

离散制造业企业在进行数据开发过程中，常出现的数据问题排查困难是由于数据仓库分层设计不合理、数据血缘关系不清晰造成的；而数据重复计算多、复用率低是由于数据仓库公共层设计不符合业务特点。

１.４ 企业的数据应用能力不足

数据应用能力域包含数据分析、数据开放共享、数据服务 ３ 个能力项。 其中，数据分析能力项根据数据对业务支撑的深入程度，可以为统计分析、决策支撑、数据驱动、运营优化 ４ 个发展阶段。

大部分离散制造业企业仅具备数据应用能力域中的数据分析能力项，其数据来源和数据服务范围均限于企业内部，且数据分析结果呈现质量差、可用性低的特点，该能力项长期停滞于统计分析阶段。 造成这种情况的原因除了数据本身的问题外，还有以下原因。

１.４.１ 指标体系不完善

指标作为数据统计分析的基础，是业务对象的数字孪生和企业经营活动的度量。离散制造业企业指标问题多表现在：指标设计不科学，不具有典型性、代表性，无法真实反应业务运行情兄；指标定义不清晰，没有明确的业务属性、技术属性和管理属性，部门之间无法用指标沟通业务；指标口径不统一，同名不同义，数据源不统一，计算过程不规范，指标结果多样；企业现行指标库不成体系，指标之间关联性与逻辑性不强，无法相互支撑完整准确地描述业务现状并发现业务问题；指标缺乏迭代与更新，无法紧跟业务发展。

１.４.２ 指标统计方式低效，数据应用路径简单

离散制造业企业指标统计方式以人工统计或EXCEL 计算为主，该类统计方式在耗费大量时间的同时，无法保证统计结果的一致性与准确性。

该类企业的数据应用路径多为运用BI建设指标看板来实现统计结果的可视化，但建设效果不佳。 从形式上，看板不成体系，业务域、部门各自为政，跨部门、跨层级看板无法相互支撑和解释，对优化业务没有帮助；从内容上，看板仅限于描述业务现状，没有更深层次的分析，无法促进数据驱动业务。

１．４.３ 数据应用组织缺失，专业人才不足

离散制造业企业普遍缺失数据应用组织，业务部门与 IT部门在数据应用责任归属上常出现推诿扯皮的情况。 企业数据应用工作具有极强的专业性，负责该工作的人员需要对企业业务特点、数据分析方法、IT技术架构有深入了解，而大部分离散制造业企业缺少这类复合型人才。

２ 离散制造业企业数据管理能力提升典型问题的对策及建议

２.１ 优化企业数据采集方式

企业应该以提高数据采集自动化程度为目标，根据业务流程和数据采集对象特点，综合考虑技术难度、建设及运维成本，采集效果等要素，选择最优数据采集方式。

（１）针对现有线下人工收集方式，企业要评估该方式在业务架构中的覆盖范围，明确在应用架构中缺失的应用系统，按照先扩大信息化覆盖范围，再细化管理力度的思路，分阶段加快应用系统建设，逐步提高企业信息化程度，减少线下人工收集数据的范围。

（２）针对线上人工采集方式，企业不能过分依赖应用系统而忽略对使用情况的管理工作。 业务部门要出台应用系统使用规范，完善监管机制，定期进行检查并依据结果进行奖惩；业务人员要加强培训，明确应用系统的使用规范并严格执行；IT部门要根据业务规则和数据模型定义，完善应用系统的逻辑校验，用技术手段进行防错，提高系统采集数据的质量。

（３）针对制造装备的自动化数据采集方式，一方面，企业要系统性考虑数据集成方案，避免出现“数据孤岛” 现象；另一方面，要进行充足的技术人才储备，以支持持续、高质量的制造装备数据采集。

（４）针对在企业外部产生和采集的数据，企业可以采用数据摆渡机器人并提高数据摆渡频率来实现外部数据与内部数据的及时交互。

２.２ 提高数据治理效率

企业要从数据现状出发，确立与业务目标一致的数据治理目标，按照治理对象的业务域及数据类型进行目标分解并制定可行性计划，分阶段推进数据治理工作。

（１） 完善数据治理管理体系。 建立数据治理组织，明确组织架构、团队，岗位、数据责任等内容；规范并完善数据治理流程，推进流程透明化；提高员工数据治理意识，注重员工培训，加强员工对于数据治理的理解，全员参与数据治理；建立健全数据问题反馈机制和数据质量检验机制，将数据问题反馈和解决的及时性、数据质量纳入绩效考核；重视数据治理沟通，识别数据利益相关者，明确沟通目标并制定策略和计划，确保持续，透明、一致的沟通；制定企业数据治理工作的显性化考核指标，评估数据治理工作的阶段性进展与成效，并根据评估结果及时调整计划和策略。

（２）规范数据模型构建流程和内容。 按照需求收集、数据模型开发、符合性检查的流程构建概念模型、逻辑模型和物理模型。 在此过程中，同步形成企业元数据目录和清单。 建立数据模型变更管理机制，数据模型变更要以业务需求为输入并将变更同步给应用系统。 以数据模型为基础，梳理企业数据分布、数据流，并形成数据资产目录。

（３）建立健全企业数据标准体系，包括数据内容标准、数据格式标准、元数据标准、数据质量标准、数据交换标准、数据安全和隐私标准及行业和领域特定标准等。 数据标准制定要基于充分理解业务需求、收集现有数据问题的前提下，定义数据需求并划定标准范围。 设立专职部门负责数据标准管理、实施与优化，建立数据标准执行监管体系，定期对执行情况进行评估并根据结果完善数据标准。

（４）优先开展主数据治理，用主数据驱动数据治理。 评估历史存量主数据情况，按照业务域分类并确定责任部门进行主数据清洗和整理，优先治理投入成本小、对企业现行业务影响大的主数据；建立健全主数据标准及管控流程，对于新增主数据严格按照标准进行全生命周期管理，以保证其质量。 确保主数据生产源头的唯一性，采用集中式策略管理类型复杂的主数据，在数据中台上统一进行数据新增、变更和删除，采用分布式策略管理具有单一可信来源的主数据，在业务系统中进行主数据新增、变更和删除；确保主数据流转的一致性，禁止在主数据传递过程中对数据进行更改。

２．３优化数据中台建设思路

（１）统筹规划企业信息化建设。 企业要从业务需求出发，评估信息化现状，进行系统性规划，考虑信息化建设的覆盖面和深度，分阶段、有重点地进行应用系统建设；构建清晰的业务架构，包含业务目标、业务流程、组织结构、业务规则、业务关系等要素，用以指导数据架构及应用架构的建设；推动应用系统规范、深度使用，使业务真正融入信息化建设中。

（２）科学建设数据中台。 企业数据中台建设要综合考虑企业数据现状及未来发展需求。 企业数据中台选型要细化评价要素，除了考虑公司实力、研发团队等通用要素外，更要从技术角度，着重考察平台的兼容性、扩展性、稳定性，以及开发管理功能的完备性与易用性等。

（３）优化数据仓库设计。 弱化业务需求变更导致贴源层变化带来的影响，在提高数据复用率的同时保持相对稳定的状态向上层提供数据；公共处理逻辑要下沉到底层进行封装，且不能多处存在；公共层要面向分析与查询，进一步细分为明细层和汇总层，汇总层要对明细层进行轻度汇总；明细层和汇总层可以采用维度建模方法展开为事实表和维度表，事实表要遵循正确记录信息的准则，同一事实表保持相同的粒度，维度表要按照分析需求进行粒度定义；按照数据流向进行开发,各层级之间不允许出现反向依赖。

2.4 持续推进企业数据应用

（１）优化指标体系建设。 企业指标体系的建立要遵循自上而下的分解原则，一般分为经营层、业务层、执行层，下层指标能够支撑和解释上层指标。 企业指标库的完善应自下而上进行指标收集，挑选典型、有代表性的指标，并规范指标定义和口径。 企业指标要覆盖所有业务域，离散制造业因为其生产模式的特殊性，应重点关注制造域指标，在 ＳＱＣＤＰ 的框架下搭建制造域指标体系，覆盖制造过程的重要管控要素。 指标库与指标体系要随着企业发展及业务需求变更进行迭代更新。

（２）提高指标统计及展示效率。 企业要减少指标统计对人的依赖，借助数据中台提高指标计算自动化程度。 选择组件化、低代码的平台建立企业级指标看板，将 ＩＴ 部门角色由开发者转向规则制定者，让业务部门参与并实施指标看板开发。 ＩＴ 部门负责搭建企业看板体系和框架，并制定开发规则，各业务部门在框架和规则下进行开发，形成企业看板体系，提高企业数据可视化程度。

（３）培养企业数据应用能力。 树立数据应用驱动企业经营的目标。 培育企业数据文化，在企业运营和绩效考核中用数据说话；强化全员数据意识，让数据真正参与业务，推广运用描述性分析、诊断性分析、预测性分析、应对性分析方法优化业务；培养业务、统计、IT的复合型人才，成立企业数据管理部门负责对于数据应用的规划、管理与实现。

３ 结语

离散制造业企业在面对数据管理能力提升过程中出现的问题时，要基于企业数据管理能力现状，结合行业特点与企业条件，明确目标并制定可行性计划。 以夯实信息化建设基础为前提，设立数据管理组织机构，通过梳理企业数据资产目录、规范构建数据模型、建立并完善数据标准体系并推动实施、明确数据分布来构建企业数据架构，优先开展主数据治理，并在数据全生命周期内持续开展数据治理，提升数据质量，以数据驱动业务为目标，全方位推动企业进行数据应用，持续提升企业数据管理能力。

作者：中国航空工业集团公司金城南京机电液压工程研究中心 李旭琳