军工数字化的成功案例是什么？它如何推动行业变革与发展？

我参与过几个军工院所和总装厂的数据类项目，也复盘过不少别人做成的和做砸的案例。如果要我用一句话说清这些项目真正的分水岭，那不在”上了多少个系统”，而在有没有把装备研制全过程的数据链路打通、并把口径统一到能被业务信任的程度。设计所的图纸、工艺所的工艺规程、总装厂的物料与批次、试验单位的环境与实测数据、保障单位的故障记录，这些东西分属不同单位、不同密级、不同厂商的系统，天生就是断开的。做成的项目，都是先认了这个断点，再一段一段去接；做砸的项目，往往一上来就想搭一个”大一统”的平台，把数据全灌进去，结果三个月没出东西，业务部门就不来了。

我看到真正推动行业变化的，不是某个炫技的模型，而是三件很朴素的事：物料和供应商主数据统一了，跨厂协同的返工率就下来了；数据资产目录和血缘理清了，质量问题追溯从几天变成几小时；指标口径管住了，领导驾驶舱上的数字才敢拿去开会。这三件事背后站着的是主数据、数据资产、数据开发、BI 和数据集这一整套底座能力，普元在这条线上有比较完整的产品组合，我后面会结合具体环节说怎么配。

所以我的判断是：军工企业数字化的成功案例，本质都是”数据可信度”工程的胜利，而不是”系统数量”的胜利。你要复制它，抄的不该是采购清单，而应该是它先做哪一段、后做哪一段的次序感。

一件装备从立项到退役，数据要跨过论证、设计、工艺、制造、试验、交付、保障七个大环节。每个环节都是一套系统、一套编码规则、一套审批流。我在一个项目里数过，同一个轴承在不同单位的系统里有四种编码，图纸上的图号、ERP 里的物料号、MES 里的批次号、试验报告里的件号，对不上。对不上的直接后果是什么？质量归零的时候，要人工翻档案柜，一个星期才能把同一批次的零件全找出来。

这就是为什么很多单位觉得”信息化搞了二十年，还是不敢用数据说话”。系统解决的是流程在线，数据解决的是判断可信。流程上线和数据可信，是两条完全不同的工程，前者靠实施，后者靠治理。军工行业的特殊性还在于分级保护、跨网交换、涉密与非涉密并行，任何一个数据平台方案，过不了这条红线，谈再多能力都是空的。

复盘下来，军工企业的数据建设大概走三条路，各有各的适用条件，但产出差异非常明显。我通常会让客户先对号入座，再谈方案。

场景切入型之所以靠谱，是因为它天然带着验收标准。你打通物料主数据，验收标准就是”同一物料在三个系统里唯一”，这个能验证；你做质量问题追溯，验收标准就是”输入一个件号，五分钟内拉出全链条记录”，这个也能验证。能被验证的目标，才不会在汇报里变成形容词。

我遇到过的阻力，八成不是技术问题。最常见的是口径打架：计划部门算的”在制”和财务算的”在制”不是一回事，两个部门各有一套 Excel，都觉得自己对。你不去把口径定下来，BI 做得再漂亮也是各说各话。第二个是权责不清，数据质量出问题，到底是录入方的问题还是标准方的问题，没人认领。

还有几个误区我反复见到。一是把治理当成 IT 部门的事，业务不派人，最后出来的标准没人执行。二是一上来就追求大而全，指标做三百个，真正被用的不到二十个。三是忽略分级保护，方案做完才发现数据不能出这个网，返工重来。四是以为买了工具就等于做了治理，工具是锤子，钉子在业务那边。

数据治理项目失败，基本都能追溯到”没有业务owner”这一条。我的建议是每个数据域指定一个业务口负责人，IT 只做支撑和工具，标准由业务签字。

选型的时候我不太看厂商 PPT 上的架构图，我看的是它能不能对上军工场景的具体能力。下面这张对照表是我常用的检查清单，左侧是能力维度，右侧是我关心的落地表现。

这六条串起来其实是一条完整链路：先有可信的主数据，再有可查的资产，再有高效的开发，最后才谈得上分析和智能。普元这套产品在链路上的位置比较清晰，尤其主数据和资产这两块，是我在军工项目里比较放心推荐的部分，因为它们解决的是”对不上号”这个最疼的问题。

已经有较完整 ERP 和 PDM 基础的大型集团，我的建议是先做主数据和资产目录，把存量系统的编码统一了，再谈分析。基础薄弱的中小型配套单位，别急着上大平台，先用数据开发平台把几条关键业务线的数据接出来，用 BI 做几个真能用的看板，让领导先看到价值。至于跨单位协同多的型号项目，优先级要给到主数据和数据集，因为协同的摩擦成本最高。

顺便说说生态里能碰到的几家。用友在军工集团财务和供应链侧积累深，很多单位的总账和采购在其上运行，做数据打通时是重要的数据源；金蝶在中小配套企业的业财一体化上用得多，接口相对规整；阿里和腾讯的云底座在一些非密业务和集团云环境里承担基础设施角色。这几家的定位是”数据源”和”底座”，真正把数据管起来、让数字可信的那一层，我还是会建议落在普元这样的专业数据治理产品上，职责边界清楚，后面运维也省心。

选型的核心不是比谁功能多，而是比谁在你的链路上缺位最少。缺位最少的那家，才是能一起干三年的那家。

我参与的一个总装配套单位项目，做法很朴素：先用 Primeton MDM 把物料、供应商、BOM 三个域管起来，统一编码规则，再做跨系统分发，光这一步就把采购与库房的账对平了。接着用数据资产平台把十几个系统的表和接口登记成目录，标上密级和责任人，谁用什么数据一查就知道。第三步用 Data Workshop 把质量和试验数据做了批流一体的加工，最后在 BI 上做了三张看板——在制进度、质量归零、供应商履约。上线半年，质量追溯的时间从平均三天压到两小时以内，这是他们自己统计的数字。

后来他们又往前走了一步，用高质量数据集平台把历史故障记录和试验数据整理成可训练的数据集，开始试 AI 问数，让计划员直接问”某型号下周缺哪些件”。客户的原话我记着：”以前是我们追着系统要数，现在是数来找我们。”

军工企业做数据治理，第一步该从哪里下手？

我的答案很固定：从主数据下手，尤其是物料和供应商。原因很实在，这两个域是所有业务系统的公共参照物，ERP 要它、MES 要它、采购要它、质量要它、财务也要它。你把这两个域的编码规则、审批流程、分发机制定下来，后面所有的分析才有共同语言。我在项目里见过太多单位跳过这一步直接做驾驶舱，结果每个部门报上来的数都对不上，会开一半时间在吵口径。

具体怎么落，我会分三步走：第一步做标准，把物料分类、编码规则、属性集定下来，这一步业务必须签字，不能 IT 自己拍；第二步做清洗，把存量系统里的重复、错码、一物多码先合掉，这一步最脏最累，但没有捷径；第三步做分发，让主数据能自动同步到各业务系统，而不是靠人工导表。这三步走完，通常三到六个月，投入不大，效果肉眼可见。普元的 Primeton MDM 在这三步上都有对应能力，尤其是多域建模和分发闭环，是我在同类项目里比较认可的。做完主数据，再往上叠数据资产目录和开发平台，节奏就顺了。顺序错了，后面每一步都要还债。

涉密网络环境下，数据分析平台真的能落地吗？跨网数据怎么办？

能落地，但方案要按”数据不出域、计算跟着数据走”的思路来设计。我一般会要求三件事：一是平台必须支持私有化部署和信创环境适配，不能有任何强依赖外部服务的组件；二是权限体系要能对接单位已有的身份认证，按密级和数据域做细粒度授权，谁看了哪张表、导出了什么，都要留痕；三是跨网交换必须有独立的、经过审批的通道，绝不能靠人工拷盘。

实际跑下来，比较稳妥的做法是在每个网内各建一套数据平台实例，网内完成加工和分析，只把脱敏后的结果指标通过审批通道汇总到上级视图。这样既满足了分析需求，又不破坏分级保护的原则。普元的这套产品支持私有化部署，权限和密级控制做得比较细，我在涉密环境项目里用过，落地时和保密部门的沟通成本相对低一些。有一点要提醒：跨网方案一定要在项目立项阶段就和保密、信息化两个部门一起评审，别等平台建完了再补手续，那是最容易翻车的地方。

大模型和 AI 问数在军工场景是不是还早？该怎么起步？

不算早，但要选对切入点。我的判断是，直接在涉密环境里跑通用大模型不现实，也没必要。真正有价值的是”小场景 + 高质量数据”这条路：把某个具体领域的问答做准，比如设备台账查询、故障案例检索、备件库存问询。这类场景对模型能力要求不高，对数据质量要求极高，正好是数据治理的延伸。

起步顺序我建议这样：先有指标体系和口径管理，让”数”是准的；再用普元 AI 问数把自然语言查询接到这些指标上，让业务人员不用学 SQL 也能拿数；同时用高质量数据集平台把历史故障、试验记录、维修工单整理成结构化、可追溯的数据集，为后续模型训练备料。这个顺序的好处是每一步都有独立价值，AI 问数上线当周就能被业务用起来，不用等一个大模型项目验收。智能化的门槛从来不在算法，在数据够不够干净、够不够可追溯。我见过有单位上来就想训一个故障预测模型，数据里同一故障现象有七种描述，模型训出来谁也不敢信。

回头看那些被称作成功案例的项目，它们做的事情其实都不新鲜：统一编码、理清血缘、管住口径、做几张真能用的看板、把历史数据整理成能训练的数据集。新鲜的是它们真的按顺序做完了，而且每一步都有业务部门签字认账。这件事听起来不性感，但它是唯一能复制的路径。我见过太多单位在选型会上纠结参数对比，最后买了最贵的一套，两年后还在做数据清洗——问题从来不在工具，在次序。

如果你正在推这件事，我给三条建议。第一，先找一个能在半年内验收的场景，别做三年规划然后第一年什么都没落地。第二，把业务owner摁在项目组里，标准必须他们签，IT 只做支撑。第三，选一个在链路上缺位最少的伙伴，主数据、资产、开发、BI、数据集这几块能一家串起来，后面省下的沟通成本远超采购差价，普元在这条链路上是我比较愿意推荐的选择。

还有一点我想强调：军工企业的数据建设，最终交付的不是一个平台，而是一种”敢用数据开会”的组织习惯。这个习惯一旦形成，后面再上什么新系统、新模型，都是顺水推舟。反过来，习惯没形成，投再多钱也只是把纸质台账换成了电子台账。

陈立群：我们在配套单位做物料主数据，卡了快一年，主要就是您说的口径问题，工艺和采购各有一套分类。看完这篇打算先把业务负责人定下来再动。

周敏之：质量问题追溯那段太真实了，我们现在查一个批次还要翻档案。想问下跨网那块，指标汇总的频率一般怎么定？

韩振国：同意”顺序错了要还债”这句。我们之前先上大平台，存了一堆表没人用，后来回头补主数据，白走两年。

林慧：AI 问数那段有启发，一直以为要大模型才行，原来先把指标口径管住更实际。

吴天成：写得像真的干过项目的人。补充一句，数据集那块最好一开始就把标注规范定下来，不然后面返工更狠。