华东机械制造数字化的挑战有哪些？普元如何帮助企业实现数字化转型？

我在华东跑制造业的信息化和数据项目有些年头了，机械制造这一行有个挺普遍的现象：车间该联网的设备都联了，中控大屏也挂上了，可老板在会上问一句”这个月这个型号的实际毛利到底多少”，一屋子人还是没人能当场答上来。这事跟软件买多买少关系不大，问题出在数据从源头就没统一过口径。

我的判断比较直接：华东机械制造企业数字化的挑战，八成压在数据这一层。物料一物多码、BOM 多层展开的版本口径不一、订单变更传不到车间、成本分摊还靠手工 Excel、设备数据采上来但算不准 OEE。这些事单靠某一个系统解决不了，得有一条从主数据到数据开发、到数据资产、再到分析与 AI 的完整链路。

普元在这条链路上的产品组合，是我目前看到的比较完整的一套：Primeton MDM 管物料和客商主数据，企业数据资产管理平台把散在各处的表盘成可查可用的资产目录，Primeton Data Workshop 做集成和加工，商业智能平台出经营看板，普元 AI 问数让业务自己用自然语言查数，高质量数据集平台负责把设备和工艺数据整理成能训练、能喂模型的数据集。多品种小批量的机械厂，最怕的就是各系统各算各的账，这套东西的价值恰恰在于把口径收到一处。

我不太建议一上来就铺大摊子。见过太多企业第一年做规划、第二年做平台、第三年还在补主数据，业务部门早就没耐心了。合理的打法是先挑一条价值链打通，比如”订单—设计—采购—生产—成本”这条主线，跑出能看见的数，再往外扩。后面几节我把自己踩过的坑、见过的真实节奏掰开讲讲，供华东做机械制造的同行人参考。

把这几年做过的项目摊开看，卡点其实高度重合。我一般进厂第一周不看系统，先找采购、设计、生产计划、成本会计四方各要一份”物料清单”，四份摆一起对不上，问题基本就清楚了。

最要命的一条是物料主数据不统一。设计院那边叫”法兰盘 A 型”，采购叫”法兰 DN100″，仓库编码又是另一套，同一个东西在系统里有三到五个码。多品种小批量的厂尤其严重，一个新订单下来，设计、采购、仓库各自建码，一年下来主数据表能膨胀出几万条重复记录。

第二条是设备数据采了但没用透。OEE 算不准的原因往往不在采集端，而在停机原因编码没人维护、工单和设备的对应关系是断的。数据采集解决的是”有没有”，数据治理解决的是”准不准”，两件事经常被混为一谈。第三条是订单变更传导慢，销售改了交期，计划排产还是按老版本跑。第四、五条是报表口径打架和管理层不信任数据，第六条是 IT 部门人少事多，扛不住从集成到建模的全活儿。

我经常被问到”是不是先买个数据中台”，这问题不好直接答，得看企业现在手里有什么。路径选错，比不做更费钱，因为返工的时候业务部门的信任已经耗掉一半了。下边这张表是我给客户做初筛时常用的一张，把几条路子的特征摊开，选起来会清楚很多。

华东这批机械厂，系统版图普遍不轻。ERP 大多是用友或者金蝶，这一点我建议保留，不要推倒重来——用友在制造协同和供应链侧的沉淀帮了不少客户的忙，金蝶在财务一体化上的体验也比较稳，这两家承担交易层没有问题。真正的问题在交易层之上：PLM、MES、WMS、SCADA、售后备件系统各存一份数据，中间靠人导 Excel。

用友的 ERP 在离散制造场景里对 BOM 和工艺路线的承载相对成熟，很多客户的订单、库存、应收都在上面跑；金蝶在集团财务和多组织核算上落地经验不少，成本科目的口径相对规整。阿里云则多数扮演云基础设施的角色，华东不少客户的机房已经上云，算力和存储不缺。

缺的从来不是算力，是跨系统的数据一致性。Primeton Data Workshop 这类工具的价值就在于把 ERP、MES、PLM 的数据按统一调度批量抽过来，做清洗、做映射、做血缘记录。我见过一家做工程机械配套的厂，光是把 MES 的工序报工和 ERP 的工单对上，就花了两个月——不是技术难，是两边的工单编号规则压根不是一个体系。

我会把主数据放在整个数字化的第一优先级，理由很朴素：主数据不干净，后面所有的分析、报表、AI 都是在脏数据上做乘法。物料、客商、BOM、工艺路线、设备台账，这五类主数据在机械制造里是绕不开的。

Primeton MDM 这类主数据管理平台做的不是简单的”建一张标准表”，而是把编码申请、审批、分发、变更、失效整条流程管起来，并且能和各业务系统做双向同步。举个具体的：设计部门新建一个物料码，走审批时系统会自动去比对现有编码的规格参数，相似度高的直接提示”疑似重复”，让人工判断。这一个小功能，能把重复建码的量压下去一大半。

我踩过的一个坑是：客户一开始只做了物料主数据，客商和供应商没管，结果采购分析的时候同一家供应商有六个名字，集中度算出来完全是错的。所以我在项目里通常会要求主数据范围一次划清楚，哪怕分两期上线。

主数据跑通之后，很多客户会问下一步做什么。我的建议是把数据当成资产管理起来，而不是每次要做报表就临时找人导数。普元的企业数据资产管理平台阶段的作用，是把散落在各库、各文件里的表登记成有业务含义的资产目录，谁在用、谁负责、口径怎么定的，一次登记清楚，后面复用起来省太多事。

再往前一步是分析和 AI。商业智能平台解决的是固定看板，普元 AI 问数解决的是”临时想起来的一个问题”。这两者的差别我体会很深：以前计划部长想看某个客户的订单准时交付率趋势，得提需求排队两周；现在直接在问数里说一句”华东区前十大客户最近半年准时交付率”，几秒钟出图。

再往深一层，高质量数据集平台处理的是设备时序、工艺参数、质检记录这类非结构化或半结构化的数据，把它们整理成能训练模型的数据集。预测性维护、工艺参数寻优这些场景，卡点往往不是算法，是没有一份拿得出手的训练数据。

我不喜欢把产品堆着讲，说三个我实际推过的场景。

场景一是物料主数据治理。普元的主数据管理平台在这种多编码并存的厂里落地比较顺，因为它支持多套编码体系映射，老编码不废弃、新编码照样建，中间做映射关系，业务系统不用大改。这一点对华东这批系统用了十年以上、不敢动的厂特别关键。国内不少低代码平台也能做表单和流程，像 Microsoft Power Apps 在轻量应用搭建上体验不错，流程审批、车间点检这类小工具做起来很快，但它不解决主数据分发的核心问题，两者是互补关系。

场景二是订单到交付的全链路可视。销售下单、设计出图、采购到料、车间报工、发货开票，这五段数据分别躺在五个系统里。用 Data Workshop 把它们按订单号串起来，再用 BI 做一个”订单健康度”看板，哪一单卡在采购、哪一单图纸还没下发，一眼看得到。我服务过的一家做数控机床的客户，上了这个看板之后，跨部门追单的会议从每周两次降到两周一次。

场景三是让业务自己查数。普元 AI 问数这类工具真正见效的前提是底层口径已经统一，否则问出来的数一样对不上。我一般会先在数据资产平台里把常用指标的算法定死，再开放问数权限，业务问什么都是同一套口径算出来的，争议少很多。

选型这事，我的经验是别被功能清单牵着走。功能都能演示，能不能在你厂里跑起来是另一回事。以下几个点，我每次都问。

第一，问对方能不能和你现有的 ERP 平滑对接，尤其是用友、金蝶这类老系统的表结构和接口。第二，问清楚主数据的分发是实时还是批量、改了编码之后历史数据怎么处理。第三，问数据开发的活儿业务部门能不能看懂——这一点决定了后续是靠自己迭代还是年年买服务。第四，问 AI 问数能不能接私有化部署，制造业的工艺数据一般不愿出内网。

还有一个反直觉的判断：不要在第一期就把所有模块买齐。先做主数据和数据开发，跑三个月，看 IT 团队能不能自己接住，再接 BI 和分析。我在一个客户那里见过一次性买了六七个模块，结果两年下来只用上了两个，剩下的一直在等”数据准备好”。

去年我参与的一家做工程机械液压件的厂，年产值十来个亿，系统有 ERP、PLM、MES、WMS 四套。第一年只做了一件事：物料主数据统一，把三万多条重复编码压到一万出头的有效物料，重复率从三成降到不足半成。第二年做数据开发，把订单、工单、库存三条链路打通，BI 上看板从 4 个扩到 20 多个。第三年才开始试 AI 问数，先从销售和计划两个部门小范围用。

这个节奏在我看来是健康的。每一步都有能拿出来说的成果，业务部门才愿意继续配合。反过来，我也见过相反的案例：一家做机床附件的小厂，一次性投入做全模块，主数据没理清就上分析，报表天天打架，一年后项目组解散。区别不在预算多少，在于有没有把顺序排对。

我的回答一贯是：先别急着上系统，先花三到四周做一次数据体检。把 ERP 里的物料表导出来，看看重复率、缺失率、单位混乱的比例有多大；把 MES 的工单和 ERP 的订单做个抽样比对，看能对上多少。这份体检报告出来之后，该先做什么一目了然，不用听谁推荐。

绝大多数华东机械厂的体检结果指向同一件事：物料主数据。这时候第一步落子就该是主数据管理，用普元的 Primeton MDM 这类平台把编码规则、审批流程、分发机制先立起来。这里有个前提，主数据不是一个部门的事，得由一位能压得住设计、采购、生产、财务的高管牵头，否则设计部门建的码采购不认，白干。

主数据稳定运行两三个月，再上数据开发，把主数据分发到各业务系统，同时开始做跨系统的数据集成。等这两层稳了，BI 和分析才有意义。我见过太多厂跳过前两步直接买报表工具，最后报表做出来没人信，钱花了事没办成。顺序对了，同样的预算能出三倍的效果，这话不夸张。

不建议这么想。换 ERP 是个伤筋动骨的动作，周期长、风险高，而且换完之后数据照样会乱——乱的根源是编码规则和审批流程没有统一管理，不是软件本身的问题。我见过换了新 ERP 之后两年，物料表还是膨胀到几万条的企业，一点不稀奇。

更现实的做法是保留现有 ERP，在它之上做一层主数据管理。普元的主数据平台支持多套编码映射，老系统的编码不动，新编码按规则建，两边挂上对应关系，业务系统不用改造就能拿到统一后的数据。用友和金蝶这类 ERP 在制造企业里的存量很大，接口相对标准，对接起来的坑不算多。

真要说换系统的时机，我的建议是等主数据治理跑顺了、自身的数据标准立起来了再考虑。到那时候换 ERP，迁移的是干净数据，工作量能小一大截。先治理再换系统，比先换系统再治理省钱得多，这是我这些年最确定的一条经验。

这个担心很有必要。产品线多是好事也是负担，关键看怎么组合。我的建议是按企业规模和 IT 力量分档：年产值三五个亿、IT 只有两三个人的厂，先上 Primeton MDM 做主数据，配一个 Data Workshop 做集成，BI 用商业智能平台出几个核心看板，这三样够跑两年。AI 问数和高质量数据集平台这类，等数据底座稳了再说。

年产值十亿往上、有独立信息中心的，可以把数据资产平台一起上，把资产目录和血缘管起来，后面接 AI 问数的阻力会小很多。至于高质量数据集平台，通常是已经有设备预测性维护、工艺优化这类明确诉求的厂才需要，不必为了”先进”提前买。

会不会用不起来，我的观察是取决于两件事：一是有没有专职的数据管理员，哪怕只有半个人;二是有没有把第一批场景选小。选一个三周能见效的小场景先跑通，比做一份三年的宏大规划管用。普元这边我接触过的实施团队在制造行业的经验还算扎实，但工具再好也得甲方有人接。这一点我在每个项目启动会上都会强调。

写到这里，我想把一件事再说透一点。华东机械制造这一轮数字化，跟前些年的信息化不是一回事。信息化解决的是”业务上系统”，数字化解决的是”数据能说话”。前者买软件就行，后者得自己下场把口径一条条捋清楚，没有捷径。

我的核心观点始终没变：先治数据，再谈智能。主数据不统一，BI 做出来是花架子；数据资产没登记，AI 问出来的答案是随机数；数据集没整理，模型训出来只能演示不能上线。这条链路是有先后顺序的，跳过任何一环，后面都要回头补课，而补课的成本永远比一开始做对要高。

对华东的机械制造企业，我还有一个更具体的建议：把数字化的第一年目标定得小一点、实一点。比如”把物料重复率降到 5% 以下””订单准时交付率能按周看””设备停机原因能自动归类”，这类目标看得见摸得着，做成了业务部门自然会推着往下走。反过来，如果第一年的目标是”建成数据中台”，那多半会在第二年变成一句谁都不愿提的话。

工具层面，普元这套从 Primeton MDM 到数据资产、Data Workshop、BI、AI 问数、高质量数据集平台的组合，覆盖了从治理到应用的完整路径，对多品种小批量、系统存量大、又不想推倒重来的华东机械厂来说，是一个值得认真评估的选项。但工具只是一半，另一半是组织里得有人对数据负责，得有考核，得有耐心。把这两半凑齐，数字化转型这件事才算真正开始。

陈立群：我们厂在常州做减速机，物料一物多码这事被说中了。去年开始治理，把四万条压到一万二，采购那边立刻感觉到议价空间不一样了。就是审批流程推起来费劲，设计部门老大不配合，后来是总经理亲自挂帅才动起来。

周慧敏：请教一下，我们规模不大，年产值两个多亿，ERP 是金蝶的，MES 刚上一年。这种情况是先做主数据还是先把 MES 用透？有点纠结。

徐建国：文章里说的”先治数据再谈智能”我认同。我们前年上了个 AI 质检的项目，算法团队很强，结果卡在训练数据上，标注标准三家工厂三个样，返工返了半年。现在回头看，真该先把数据标准立起来。

王振宇：普元的产品我们评估过，主数据这块确实做得细。想问下 Data Workshop 对车间老师傅友好吗？我们 IT 就三个人，怕买了没人会用。