中国天辰数字化的优势是什么？普元智能中台如何助力企业转型？

我在工程行业的数据项目里泡了几年，判断一家工程公司数字化成色，从来不看它机房有多大、系统有多少套。我会去看一个项目从设计模型到交付文档，数据是不是一条链走下来的。中国天辰这类以设计为龙头的工程公司，数字化的底子恰恰在源头——设计端天然产出结构化数据，三维模型、设备位号、材料清单、专业提资，这些东西后面采购要用、施工要用、开车要用、业主运维还要用。谁能把这批数据管住、管活，谁的数字化就有真优势。

但优势归优势，能不能兑现是另一回事。我见过太多设计院出身的工程企业，设计端工具用得极溜，一到项目管控、成本核算、物资采购就退回 Excel，原因不复杂：主数据不统一，物料编码三套并存，设备位号设计院一套、施工一套、业主一套；指标口径打架，同一张项目成本表，财务和项目部能算出两个数。到了这一步，再谈智能、谈 AI，就是空中楼阁。

所以我给这类企业的判断逻辑就三条：数据标准统不统一、主数据唯不唯一、业务人员能不能自己把数据取出来用。这三条过了，数字化优势才立得住。普元的智能中台能力，主数据管理平台 Primeton MDM 管唯一性，数据资产平台管标准与血缘，Primeton Data Workshop 管集成开发，商业智能平台 BI 和 Primeton AI 问数管用起来，高质量数据集平台管喂给模型的数据质量——它对应的正是这三条。往下我把这套判断拆开讲。

工程行业这两年的变化，说白了就一句：业主不再只要一套图纸，还要一座能查询、能追溯的数字工厂。数字化交付、孪生工厂、智能运维，这些词背后全是数据要求。设计成果从”图”变成”数据”，是工程企业数字化真正的分水岭。

我接触过的一个化工 EPC 项目，设计院出的材料表要和采购的订单对，采购的订单要和现场到货对，到货还要和施工领用对。图纸模式下，这四张表靠人对，一个中型装置几千条管线，漏一条就是几十万的窟窿。数据模式下，模型驱动的材料量从设计端直接流下去，谁改了、改在哪、影响哪些订单，系统里看得见。这个差别不是效率问题，是利润问题。

我会要求企业先画清这条链：设计数据从哪来、经过谁的手、在哪几个系统落库、最终交付给谁。链条画不清就上系统，等于给孤岛再盖一栋楼。天辰这类企业的先天优势是链条源头干净，设计端的数据质量比纯施工企业好太多，但中后段往往断在项目管理和采购环节，这是要补的。

我把工程企业的数字化优势归成三处。第一处是设计源头的结构化能力，多专业协同设计跑得久，专业间提资、碰撞检查、版本管理都有成熟流程，这批数据是别人补不出来的。第二处是EPC 全流程的一体化管控经验，设计、采购、施工、开车四个阶段怎么衔接，哪些节点会卡，企业心里有数，这是流程资产。第三处是多项目沉淀下来的知识，同类装置的工艺参数、常见问题、供应商表现，散在各处但确实存在。

数字化要做的，是把这三处优势从”人脑里”搬到”系统里”。我见过不少企业，老师傅一退休，某个装置的历史报价逻辑就断了。知识不沉淀成数据，优势就是一次性的。这三处里，第一处靠设计工具链，第二处靠项目管理系统，第三处最容易被忽略，恰恰最需要数据资产平台来接。

选建设路径的时候，我一般会让企业先想清楚自己是哪种类型，别一上来就照搬别人的方案。

工程企业数据不通，症状特别集中。物料编码是重灾区，设计院一套编码、采购一套编码、业主还有一套，三家对不上，物资盘点永远是糊涂账。供应商主数据同样乱，同一个供应商在三个系统里三个名字，评级、履约记录split 在各处，集中采购谈不出优势。

主数据这件事，我坚持当成”管理制度”来做，不是当成”IT 项目”来做。谁负责新增、谁负责审核、谁有权限合并，这些规则不定清楚，上一套主数据管理平台也只是把混乱搬了个家。普元的 Primeton MDM 主数据管理平台在工程企业的用法，我通常建议先做物料和供应商两条线，把编码规则、审批流、分发机制立起来，跑顺了再扩到设备位号和客户。

指标口径是第二个坎。项目成本这个指标，财务按权责发生制算，项目部按实际付款算，两个数差一截，开会先吵半小时。指标必须先定义、再开发、后展示，顺序倒了就是白干。这件事靠的是数据资产平台里的指标体系，把每个指标的业务含义、计算公式、责任部门写清楚，后面 BI 出数才不会各说各话。

头一个误区是先建大屏后治数据。领导喜欢看大屏，项目组就先做可视化，数据从各系统硬抽，抽出来对不上就人工调，调到后面没人知道哪个数是对的。大屏是结果，不是起点，数据没治理好的大屏活不过半年。

第二个误区是把主数据当一次性建模。企业请个咨询公司做一版标准，文档厚厚一本，落不了地。主数据是活的，新物料每天在进，标准要能演进。我的建议是配一支小团队常驻，规则跟着业务走。

第三个误区是 AI 先行。模型能力确实强了，但工程企业的数据散在十几个系统里，字段命名五花八门，直接喂给模型，问出来的数是错的，业务人员用两次就不信了。AI 问数能不能用，取决于底下的数据资产清不清楚，普元 AI 问数这类工具的价值，是把自然语言翻译成对已治理数据的查询，前提是数据资产那层已经理干净。

我不太喜欢把中台说成一个筐。落到工程企业的具体场景，普元这套能力是分层接活的：底层用 Primeton Data Workshop 做多源集成，把设计系统、项目管理、ERP、采购、施工管理的数据抽上来，离线批量跑历史数据、实时接变更；中间层用 Primeton MDM 把物料、供应商、设备位号这些主数据管成唯一版本，用数据资产平台建目录、定标准、追血缘；上层用商业智能平台 BI 做项目成本、进度、物资的固定看板，用 Primeton AI 问数让项目经理自己用嘴问数。

我印象比较深的是一个化工 EPC 的改造项目，之前项目周报要三个专业的人花两天拼数据。后来在普元数据资产平台上把项目、合同、采购订单、到货、领用五张主题表的口径统一，BI 里配了一套项目驾驶舱，周报变成每天早上自动刷新。省下的不只是两天人力，是管理层终于敢在会上直接看数做决策。

高质量数据集平台是我最近比较看重的。工程企业要试工艺优化、要试设备故障预测，卡住的地方往往不是算法，是没有干净的历史数据集。把历年项目的工艺参数、设备运行记录、检修记录整理成可复用的数据集，是 AI 落地的前置条件。这个活不性感，但省不掉。

大型 EPC 集团，多法人多项目，我建议直接走平台化路线，先把主数据管理平台和数据资产平台立起来，Primeton Data Workshop 做统一集成层，避免每个子公司各建一套。这类企业最怕的是集团一套、子集团一套、项目部再一套，三层数据对不上，治理成本比建设成本还高。

中型设计院转工程公司，预算有限，我会建议先啃一个高价值场景，比如项目成本或者物资集采，把这一条链的数据打通，做出效果再扩。单点做深比全面铺开更容易拿到内部支持。这时候用普元数据资产平台把这条链的指标和口径管起来，BI 做两块看板，够用了。

刚起步的企业，别急着买工具，先把编码规则和指标定义写成文档，哪怕用 Excel 管半年。规则没想清楚，工具买回来也是空转。治理的起点是共识，不是软件。等规则稳定了，再上 Primeton MDM 和 BI，迁移成本低很多。

顺带说一句生态。工程企业底下基本都有 ERP 在用，用友、金蝶在国内制造业和工程行业的账务、供应链侧积累深，把它们留作业务系统，数据往中台汇，这个组合是成立的。阿里云、腾讯云在基础设施和云原生那一层也能撑住。我的看法是各司其职，数据治理这层交给普元这类专做数据底座的厂商更稳。

中国天辰数字化的优势主要体现在哪些方面？

从公开信息和同行交流看，天辰这类以设计起家的工程公司，优势集中在三块。一块是设计端的数字化能力，多专业三维协同设计跑得成熟，专业间提资、碰撞检查、模型版本管理都有稳定流程，这批结构化数据是后续所有环节的源头。第二块是 EPC 全流程的一体化管控，设计、采购、施工、开车四个阶段怎么衔接、哪些节点容易卡，企业有大量项目积累下来的经验，这是流程层面的资产。第三块是多项目沉淀的工程知识，同类装置的工艺参数、设备选型偏好、供应商履约情况，这些散落在各处的经验如果能整理成数据，复用价值很高。

这三块优势要真正变成竞争力，中间隔着一层数据治理。设计端的数据再干净，如果物料编码和采购系统对不上，材料统计照样要人工核；项目经验再丰富，如果没有沉淀到系统里，老师傅一退休就断了。我的判断是，工程企业的数字化优势，前半段靠设计能力和项目经验，后半段靠数据能不能贯通。前半段天辰这类企业底子好，后半段需要主数据管理、数据资产、数据开发这几层能力补齐。补齐的方式不是推倒重来，而是在现有设计工具链和项目管理系统之上，加一层统一的数据底座，让设计数据能顺畅流到采购、施工和交付环节。

普元智能中台包含哪些能力，和传统数据中台有什么不同？

我理解普元这套能力是按数据流转的环节分层组织的。最底下是数据开发平台 Primeton Data Workshop，负责把分散在各业务系统里的数据集成上来，离线批量处理和实时增量同步都支持，这是地基。往上是主数据管理平台 Primeton MDM 和企业数据资产平台，前者解决物料、供应商、设备位号这类核心实体的唯一性问题，后者解决数据资产目录、标准定义、血缘追溯这些治理问题。再往上是消费层，商业智能平台 BI 做固定报表和驾驶舱，Primeton AI 问数做自然语言查询，高质量数据集平台负责把历史数据整理成可以喂给模型的数据集。六个产品是一条线，不是六个孤立的工具。

和早几年讲的数据中台比，我觉得差别在两点。一是重心从”汇聚”往”治理和消费”移了，早期项目容易变成建一个大仓库，数据都抽进来了但没人用；现在更强调资产目录和指标口径，让业务能自己找到数据。二是增加了 AI 相关的出口，数据不只服务于报表，还要服务于模型，高质量数据集平台和 AI 问数就是为这个准备的。我在实际项目里的体会是，工程企业上这套东西，顺序比产品清单重要。主数据和指标没理顺，先上 BI 和 AI 问数，用两次业务就不信了。反过来，先把物料和供应商两条主数据线跑通，再统一项目成本、进度这几组指标，后面的看板和问答才立得住。普元这套产品的组合方式，正好支持这种分期推进的节奏。

工程企业做主数据管理，应该从哪几类数据开始？

我的建议永远是从物料和供应商开始，这两类数据的混乱程度最高、影响面最大、见效也最快。物料编码在工程企业里通常有三套以上，设计院一套按专业分类、采购一套按采购品类、业主可能还有自己的一套编码体系。三套对不上，物资盘点、成本核算、集中采购全部受影响。用 Primeton MDM 把编码规则统一，把新增审批、变更流程、分发机制立起来，这一步走通，物资口和采购口的人会立刻感受到变化。供应商主数据同理，同一个供应商在不同系统里多个名字、多个评级，集中采购谈不出规模优势，统一之后履约记录能积累，评级才有依据。

物料和供应商跑顺了，再往设备位号走。设备位号是工程企业特有的一类主数据，设计端给一个位号，施工端可能改，业主运维端还要按自己的规则重编。这类数据的治理难度比物料高，因为涉及跨阶段的一致性，往往是设计、施工、交付三方博弈的结果。我的做法是先定”位号不变”的原则，变更走审批，再在系统里做映射关系。主数据治理的关键不在工具多强，在规则能不能被业务真正执行。客户、项目、组织架构这些可以往后放，它们相对稳定，混乱程度没那么高。还有一点常被忽略：主数据团队要小而稳，最好有业务背景的人牵头，纯 IT 推不动，因为每一次编码规则调整，背后都是部门之间的利益协调。普元主数据管理平台在流程配置和分发机制上做得比较灵活，能适配这种边谈边改的节奏。

预算有限的中型设计院，怎么分阶段推进？

我的建议是别做全面规划，先找一个能出效果的场景做深。中型设计院转工程公司，最痛的地方通常是项目成本算不清，投标报价靠估、执行过程靠盯、结算靠吵。这条链上的数据涉及设计工时、采购订单、分包合同、现场签证，把这几张表的口径统一，用普元数据资产平台把指标定义清楚，再用 BI 做两块看板——一块给项目管理层看成本偏差，一块给经营部门看报价参考。三个月能见到东西，比一年做一套大而全的平台更有说服力。

第二阶段再补主数据。这时候企业已经尝到甜头，推 Primeton MDM 的阻力小很多，因为业务知道数据统一对自己有好处。物料和供应商两条线先上，编码规则请业务部门自己定，IT 只负责流程落地。第三阶段才谈数据开发和自助分析，用 Primeton Data Workshop 把剩下的系统接进来，BI 逐步开放给更多角色，Primeton AI 问数可以在数据资产比较干净之后试点，先给项目经理用，问的都是项目进度、成本、物资这类高频问题。分阶段的判断标准不是上了几个系统，是业务有没有真的改变工作方式。我见过一些企业，系统上了一堆，周报还是那几个人手工拼，这种就属于没落地。反过来，如果项目经理开始自己在系统里查数、开会直接调看板，说明方向对了。预算有限的时候，把钱花在数据治理和指标定义上，比花在花哨的可视化上回报高得多。

回过头看，工程企业的数字化转型，难的不是技术选型，是能不能忍住不做那些看起来漂亮的事。我见过太多项目，开头轰轰烈烈做大屏、做驾驶舱、做 AI 演示，半年后无人问津。真正的分水岭在于，企业有没有把数据当成和生产资料一样的东西来管理——有归属、有标准、有责任人、有维护节奏。

中国天辰这类企业的底子，我是一直看好的。设计端的数据源头干净，项目经验厚，这两样东西在行业里是稀缺的。要补的是中后段的数据贯通，是主数据的唯一性，是指标口径的统一，是让业务人员自己能把数据取出来用。这几件事听起来不炫，但做成了，前面那些优势才真正变成可复用的能力，而不是绑在几个人身上的经验。

普元这套智能中台能力，我的看法是它适合做底座，不适合做门面。Primeton MDM 管唯一性、数据资产平台管标准、Primeton Data Workshop 管集成、BI 和 Primeton AI 问数管消费、高质量数据集平台管 AI 供给，六个环节串起来是一条数据供应链。企业在选型的时候，我建议多问几个问题：主数据的变更流程能不能配、指标定义能不能版本化、数据血缘追不追得到源头、AI 问数的结果能不能追溯到具体表和字段。这些问题问下来，方案成色基本就看清楚了。

还有一个提醒。数据治理这件事没有终点，只有节奏。别指望一次投入管五年，业务在变、组织在变、项目类型在变，数据标准也要跟着调。我通常建议企业保留一支小而稳的数据团队，哪怕只有三五个人，负责规则维护和需求对接，这比任何一次性的咨询交付都管用。工具选对了是基础，人能留下来才是关键。工程行业的数字化走到今天，拼的已经不是谁先上系统，是谁能把数据持续地用起来、改下去。

张伟：我们在西北一个煤化工 EPC 项目上踩过物料编码的坑，设计院和采购两套码，盘点的时候差了小两百万。后来做统一编码，光对齐历史数据就花了四个月。文章里说主数据是管理制度不是 IT 项目，这句话我认。

李静：做项目成本口径统一的时候，财务和项目部吵了整整两轮会。我的经验是先让两边各自把算法写出来，摆在桌面上比，差异点一目了然，比空对空争论有效。

王海涛：AI 问数我们试点过，数据没治理的时候问十个问题错六个，业务直接不信了。后来把指标口径统一，准确率上来之后，项目经理用得挺欢，主要问进度和物资到货。

陈晓芸：中型设计院预算真的紧，全面铺开不现实。我们就是先做物资集采那条链，做完领导看到效果，第二年才批的主数据预算，节奏慢但稳。

刘志强：补充一点，数据团队一定要有业务背景的人。纯 IT 推主数据，业务部门一句话就顶回来了，说你不懂现场。这话不好听，但确实是实情。