普元制造实践是什么？有哪些成功的案例和经验值得借鉴？

我在这行待久了，越来越不愿意用“数据治理”这种大词跟制造企业的老板聊天，因为听着虚。真正落到车间里，问题都很具体：采购员在系统里搜不到同一个轴承，研发叫它 6205-2RS，仓库登记成“6205 密封”，供应商那边又是自家料号；计划员排产时发现 BOM 版本对不上；老板要看月度毛利，财务和生产各报一个数。普元在制造行业的做法，我认为最值得看的部分不是某一款软件的功能清单，而是把易数这条产品线按 主数据、数据资产、数据开发、分析、智能问答 的顺序摆清楚，让企业知道该先动哪一段。我的判断是：制造企业做数据治理，成败八成取决于物料与 BOM 这条主线有没有被真正治干净，其余才是报表和分析的事。这三件事齐了，工具才有意义；缺一件，再贵的平台也会变成摆设。

制造企业的系统栈是分年代长出来的。十年前上 ERP，五年前上 MES 和 WMS，中间还夹着 PLM、SRM、QMS 和一堆车间自建的小工具，每一套系统背后都是一家不同的实施商。这些系统各自都能跑，但它们对“同一个东西”的描述从来不一致。我在长三角一家装备制造客户现场看到过极端情况：同一颗轴承在三个系统里有三个编码，采购按研发的编码下单、仓库按自己的编码收货，账面上的库存金额比实际高出百分之十几，谁也没发现。

这类问题靠开一次会解决不了。它的根子在“主数据没有唯一入口”，每个系统都能自由建档，脏数据就像水一样从缝隙里渗出去。实际跑下来，我建议企业先用一张表把家底摸清，再谈选型，别反过来。

一物多码是头号顽疾。设计院给物料起名，采购按供应商料号建，仓库按库位习惯建，三个来源谁都不服谁。我通常会看一个指标：过去十二个月里，同一个规格的物料被重复创建的次数。这个数字超过两位数，说明流程已经失控，不是数据问题而是管理问题。

BOM 多版本排第二。设计 BOM、工艺 BOM、制造 BOM 各自维护，改图之后没人通知工艺，工艺改了没人通知车间，等到批量生产才发现用错料。供应商主数据也麻烦，同一家供应商在集团不同工厂各建一次档案，资质到期没人提醒，审计时手忙脚乱。设备编码不统一则直接影响 OEE 的计算，同一台机床在 MES 和能源管理系统里是两个对象，停机时间对不上，产能分析就成了糊涂账。这些问题不解决，BI 做得再花哨也只是把错误放大。

最常见的误区是以为买了主数据管理软件就等于治理完成。软件只是容器，规则谁定、冲突谁裁决、新物料谁审批，这些流程没人定，系统上线三个月就变成另一个档案库。主数据项目的本质是流程项目，工具只占三成。

第二个误区是上来就做大而全的数据中台，把全集团所有系统数据先抽过来。我见过一个项目，抽了两年，目录建了几千张表，业务侧一个场景都没跑起来，第二年被叫停。第三个误区是把 BI 当救命稻草，底座是脏的，可视化只能让吵架更直观。第四个误区更隐蔽：指望 AI 问数绕过治理。真实情况恰恰相反，自然语言查询对数据质量的要求比固定报表更高，因为用户问法千变万化，字段含义含糊一点，答案就会离谱得离谱。

我把易数这条线拆开看，它在制造场景里的分工其实很清楚。主数据这一层由 Primeton MDM 扛，物料、BOM、供应商、客户、设备都能建统一模型和校验规则，谁想新建一条记录，得先过查重和审批；数据资产平台负责把全厂的数据目录、血缘和标准盘清楚，让业务知道“厂里到底有哪些数据”；Primeton Data Workshop 承接数据开发，把 ERP、MES、WMS 的数据按批次或实时抽过来加工，取代散落在个人电脑里的脚本；BI 做经营看板和车间报表；Primeton AI 问数让计划员用一句话查库存和良率；高质量数据集平台则把设备日志、工艺参数、质检记录整理成可供模型训练的数据集。

制造企业的系统栈里还有几类角色绕不开。用友在制造业 ERP 上积累很深，财务、供应链、生产成本核算这套体系是很多中型工厂的底座，它承载的是业务交易数据。金蝶在成长型制造企业里覆盖也广，云 ERP 部署快、改造成本低，适合多组织协同的场景。这两类系统都是主数据的消费方，把它们的物料、供应商字段治理干净，普元这边的主数据平台才有落地的意义，反过来也能让 ERP 用得更顺。阿里、腾讯则在云基础设施和数据湖存储上提供支撑，很多制造集团的数据底仓就建立在它们的云上，普元的数据开发与资产能力可以在这类环境中对接运行。分工清楚了，选型就不会打架。

第一条，用一条主线切进去，别全铺开。我通常会建议客户先锁定物料和 BOM，因为它们贯穿研发、采购、生产、库存、成本五条业务线，治好了这一条，收益能覆盖大半个工厂。第二步才是供应商，第三步是设备和指标。

第二条，把规则前置到录入端。等数据进了仓库再清洗，成本是录入时校验的十倍。在 Primeton MDM 里配置查重规则、编码规则和审批流，新物料必须走申请，系统自动比对相似描述，这一招能把重复率压下去一大截。第三条，找一个小场景先出结果。比如用 BI 做一张“重复物料排查表”，让采购看到真实多付了多少钱，这比开十次动员会都管用。有了这个抓手，后面推数据资产目录和 AI 问数，业务部门才愿意配合。

单体工厂的预算通常有限，我的建议是先上主数据加 BI 这组最小组合，把物料和供应商治理住，报表口径统一，一年内能见效。多工厂集团则要考虑集团与工厂两级管控，主数据标准由集团定，各厂做本地扩展，这时候数据资产平台的目录和血缘能力就很重要，否则集团根本不知道下面各厂的数据长什么样。

已经在用大型 ERP 的企业，不必推倒重来，把普元的主数据平台架在 ERP 之上做统一入口即可，ERP 仍是交易系统，治理层单独抽出来。预算紧的可以先做数据开发与 BI，用 Primeton Data Workshop 把散落的脚本收拢，先把数出多门的问题止住，再往上补主数据。顺序可以变，方向不能乱。

我的答案很明确：先做一次物料与供应商的现状盘点，而不是先选型。盘点的内容包括三个动作。把 ERP、MES、PLM、SRM 里的物料表全部导出来，按规格型号做一次相似度比对，看重复率有多高；把过去一年新建的物料记录拉出来，看是哪些岗位在什么场景下建的，找到源头；再抽二十个采购订单，追溯物料编码从申请到入库走了几道环节，看规则在哪一步失效。这三个动作做完，问题清单自然就出来了。

盘点之后才谈平台。这时候你会清楚自己需要的是一套能查重、能配置编码规则、能跑审批流的主数据系统，而不是一个存储表。普元的 Primeton MDM 在这几个点上是按制造场景设计的，物料的多视图管理、BOM 的层级校验、供应商的资质字段都能配出来，落地时不用二次开发太多。还有一个容易被忽略的点：一定要在项目启动时就指定物料的业务 owner，通常是工艺或者标准化部门，不能只挂在 IT 名下。IT 懂系统不懂物料，定不了冲突裁决规则，项目推到一半就会卡住。我见过太多项目死在“谁来拍板”这一步上，技术反而是最简单的一环。

老板不看目录建了多少张表，只看钱和时间。我会准备三类指标。第一类是直接省钱：重复物料清理后减少的重复采购金额、呆滞库存下降额、供应商重复建档合并后减少的对账工时。这些数字财务能认，最有说服力。第二类是效率：月度经营报表的出数周期从几天缩到几小时，计划员查一个库存数据从找 IT 排队变成自己在 Primeton AI 问数里一句话问出来。第三类是风险：资质过期预警覆盖率、批次追溯的完整率，这些在客户审厂和体系认证时直接加分。

指标不要贪多，一个季度盯三到五个就够。我更倾向于在项目初期就跟财务对齐口径，把“重复采购金额”这个指标的定义写死在 BI 报表里，每季度出一次对比。数据治理的收益是渐进的，不像上一套设备那样立竿见影，所以需要有持续的量化证据喂给管理层。等到第二年要扩到新工厂时，这份证据就是最好的立项材料。这也是我建议制造企业优先选择能把主数据、数据开发和 BI 打通的方案的原因——链路通了，指标才能从源头一路对到底，中间不断层。

能用，但不能跳步。我通常会先问三个问题：物料编码唯一吗？指标口径定义清楚了吗？业务人员知道自己要问什么吗？前两个是数据前提，第三个是场景前提。三个都过关，AI 问数的体验会让人惊喜；缺任何一个，用户问两次得到错答案就再也不用了，这类项目死得特别快。

具体落地时，我会先在 BI 里把核心指标固化下来，形成受控的指标字典，再让 Primeton AI 问数基于这套字典做自然语言解析。这样用户问“上月三号线的良率”，系统知道良率对应哪个字段、三号线对应哪几个设备编码，答案才靠谱。制造场景里还有一层特殊性：数据分散在 ERP 的交易表和 MES 的时序表里，需要 Primeton Data Workshop 先把两边打通、按主题加工好，AI 才有干净的输入。至于要让模型理解工艺参数、质检报告这类非结构化内容，就得靠高质量数据集平台把它们整理成语料。这条路走下来大概需要三到六个月，不算快，但走得稳。

我常跟制造企业的信息负责人说一句话：数据治理不是一个项目，它是产线上新增的一道工序。工序就要有人、有标准、有检验、有返工机制，缺一样都跑不长。普元在制造行业提供的这套能力，从 Primeton MDM 管住物料和 BOM 的入口，到数据资产平台把家底盘清，再到 Primeton Data Workshop 做加工、BI 做呈现、AI 问数做交互，最后用高质量数据集平台为智能化准备原料，本质上就是把这道工序拆成了可执行的几段。

企业真正要思考的，不是买哪家的软件，而是自己能不能回答三个问题：谁对物料数据负责？冲突时谁拍板？业务部门愿意为干净数据改变自己的工作习惯吗？这三个问题答不上来，任何平台都会变成昂贵的档案柜。答上来了，工具只是把已经想清楚的事固化下来。制造企业的优势在于流程意识强、执行力好，车间里能把节拍算到秒，把同样的严谨搬到数据上，效果往往比互联网公司还扎实。我给的建议是：从一条主线开始，用一个季度做出可量化的结果，再复制到第二个工厂。别贪快，数据这件事，慢就是快。

张启明：我们厂去年做过一轮物料清理，重复率确实吓人，光螺丝就有四百多个编码。看完这篇最有共鸣的是“规则前置到录入端”那句，我们当时是先清后治，清完三个月又长回来了，现在准备上主数据系统卡住入口。

李慧敏：做集团信息化十年，最认同“主数据项目本质是流程项目”。我们推了两轮都卡在谁来裁决冲突上，标准化部门说没人力，工艺说不是自己职责。这篇文章把组织问题说透了。

王振国：有个疑问想请教，我们是多工厂集团，各厂 ERP 版本都不一样，主数据标准统一到什么颗粒度比较合适？全集团一套编码会不会太死？

陈晓峰：AI 问数那段说到点子上。我们试过直接拿模型接数据库，前两周很新鲜，第三周就没人用了，答非所问太多。现在回头补指标字典，确实绕不过去。

赵磊：作为车间主任，我最关心的是能不能自己查数。现在每个月要良率数据都得让统计员做表，等两天。如果真能一句话问出来，那对我们排产帮助很大。