制造业数据治理的三个阶段

问题的本质

很多企业数字化投入不小，但数据质量差：

• 同一个指标，不同部门算出来不一样
• 报表数据没人敢用（因为不准）
• 追溯查不到完整链路

根因不是技术，是数据治理缺失。

三个阶段

阶段一：可采集（数据有没有）

目标：把该采的数据采上来。

工作重点：

常见问题：有些数据根本没采；采集手段落后（纸质 + 事后录入）；没有标准（同一个东西不同人填法不同）。

判断标准：该有的数据都有，且能及时获取。

阶段二：可信（数据准不准）

目标：数据是准确的，可以被信任。

工作重点：

关键动作：对账机制。

对账是判断数据是否可信的最直接方法：

• 库存系统账 vs 实物盘点
• MES 产量 vs 手工统计
• MES 消耗 vs ERP 消耗

不一致就要查原因，而不是忽略。

判断标准：数据准确性有量化指标，且达到目标。

阶段三：可用（数据用得上）

目标：数据能支持决策和改善。

工作重点：

判断标准：管理者真的在用数据做决策，而不是凭感觉。

三个阶段的递进关系

不可跳过。

很多企业卡在阶段一：采了一堆数据，但从不校验，也不知道准不准，自然不敢用。

各阶段的工作量占比（经验值）

"可信"阶段最容易被低估。 它不是一个项目阶段，而是一个持续的过程——只要业务在变，数据就可能漂移，需要持续维护。

数据治理的组织

数据治理不是 IT 一个部门的事：

"数据所有者"这个概念很重要：每个数据域都要有明确的业务责任人。

比如物料数据由物料/工艺部门负责、设备数据由设备部门负责、质量数据由质量部门负责。

IT 只负责技术实现，不负责数据内容的正确性。

实务建议

从一个域开始

不要全面铺开。先选一个数据域（比如物料）做透：定义标准 → 清洗存量 → 建立规范 → 建立校验 → 定期核对。

一个域做成了，再推广到其他域。

用工具支撑

定义可量化的质量指标

容忍不完美

数据治理是持续过程，不要追求一次做到 100%。

先做到 90%，再逐步提升。 追求完美会导致项目无法推进。

一个关键认知

数据质量是管理问题，不是技术问题。

技术能提供工具（校验、对账、监控），但不能强制人认真录入。

要让数据准确，必须有制度：谁录入、谁负责、错了怎么办。

没有制度约束，再好的系统也拦不住敷衍了事。

数据治理的具体方法需要结合企业现状设计。百华实施团队在项目实施中包含数据治理环节，[待补充：数据治理实施方法]。