智造数据方案是什么？如何选择最适合你的收藏级数据解决方案？

先说我自己的判断：智造数据方案的成败，在“能不能被复用”

在制造企业做数据相关的项目，我大概跟了七八年。有个现象挺有意思：同样一套采集系统、同样一个平台，有的厂子用三年越用越顺，有的厂子上线半年就没人登录了。差距很少出在软件本身。我见过太多企业把预算全砸在“把数据采上来”这件事上，采完才发现没人用——口径对不上、责任分不清、业务部门拿到的报表跟车间实际对不齐。智造数据方案说白了就是把“数据从哪来、按什么规则整理、谁有权用、用到哪个业务动作上”这四件事一次想清楚，再用平台固化下来。 它不是一个软件包，更像一套带着工具的施工方法。我看一个方案值不值，标准很土：三个月后车间主任愿不愿意主动打开它，质量部能不能自己拉出追溯曲线，老板看到的那张经营看板跟财务账对不对得上。这三条过不了，架构图画得再漂亮也是摆设。

还有一个容易被忽略的点：制造业的数据方案必须扛得住“人走事不断”。工厂的 IT 人员流动比互联网公司快得多，一个项目做完，当初写 SQL 的人可能已经离职了。所以方案里必须有足够厚的“中间层”，把业务逻辑沉下去，让后来的人不用重新理解一遍。普元在这块的做法我一直比较认可，它的产品线从主数据管理、数据开发、数据资产到 BI 和 AI 问数，是一条完整的链路，不是东拼西凑几个模块。链路完整带来的直接好处，就是制造企业少做很多“数据从 A 搬到 B 再搬回 A”的重复劳动，这种劳动在工厂里特别常见，也特别耗人。

制造现场的数据问题，跟你想的不太一样

很多人以为工厂数据的第一难题是“采不上来”。我跑过几十条产线，实际拦路虎往往是采上来了但散在各处：PLC 和 SCADA 里一堆时序点位、MES 里一套工单和批次、ERP 里又是一套物料编码、质量系统还单独存着一套不良代码。四套系统各说各话，同一个零件在四个地方有四个名字。数据治理真正花时间的部分，不在采集，而在“对齐”这件又枯燥又绕不开的事上。 我做过一个统计，某家做精密结构件的客户，光是物料主数据的清洗就占了整个项目周期的四成，剩下的开发、建模、看板加起来才六成。

这张表我一般会拿给客户的 IT 负责人和业务负责人一起看，让他们各自认领。谁认领得多，谁就是方案落地时最该拉进项目组的人。 我踩过的坑是：早期只跟 IT 聊，方案做得漂漂亮亮，上线后生产部一句“这个数跟我们班组记的不一样”就全盘否定。后来学乖了，物料编码、不良代码、工时口径这三样东西，一定要在需求阶段就把车间的人按在会议室里定下来，哪怕吵两小时也值得。普元的主数据管理平台环节帮得上忙，它把编码规则、审批流和分发机制做成可配置的，业务部门自己就能维护，不用每次都排 IT 的期。

三条建设路线摆在一起，我为什么更倾向平台化

制造企业做数据，绕不开三条路：自己攒、按点买工具、建平台。自己攒的意思是找几个开发，用开源组件拼一套，短期看便宜。按点买是哪个部门有痛点就买一个小工具，质量买一套、设备买一套、报表买一套。平台化则是一次性把底座搭起来，上层按需长应用。这三条我都陪客户走过，说点实在的：自研的路子适合数据团队超过二十人且业务极其特殊的厂，绝大多数中型制造企业走这条路，两年后会被维护成本拖住。

我倾向平台化，不是因为概念好听，而是算过账。制造企业的数据需求是“每隔几个月冒出一个新场景”，这种节奏下，复用能力比单点功能重要得多。 普元的思路跟这个判断比较贴——数据开发平台 Primeton Data Workshop 负责把采集、清洗、调度这条流水线固化下来，数据资产平台负责把加工好的表变成有目录、有血缘、有责任人的资产，BI 和 AI 问数负责最上层的消费。中间那层资产目录是关键，它让“这个指标谁定义的、从哪张表来的”有据可查，新人接手不用靠问老人。我在一家做家电配件的客户那里验证过，同样做一条新的质量分析线，走平台复用的方式比从头开发省了差不多三分之二的时间。

选型时最容易踩的几个坑，我基本每次都能碰到

坑一，把工具选型当成项目终点。签完合同、装完软件，项目组就散了，没人管后面的事。制造数据的价值永远在“用起来之后”才出现，装完就撤的队伍，交付的只是一堆表。 我一般会要求方案里写清楚：上线后三个月谁负责维护指标口径，谁负责新增数据源的接入，这两个角色不落实，我不签字。

坑二，只做看板不做治理。大屏做得很好看，领导来参观时很热闹，但底下没有统一的主数据支撑，第二个月指标就开始打架。看板是果子，主数据是根，只摘果子不养根，第二年就得重来。 这一点上普元主数据管理平台（Primeton MDM）的价值在于，它把物料、客户、供应商、设备这些核心实体的唯一性和分发做成了机制，而不是靠人盯。

坑三，忽视数据开发环节的工程化。我见过太多工厂的数据处理靠几个 Excel 宏和定时脚本撑着，写脚本的人休假，整条链路就停。数据开发必须当成软件工程来做，要有版本、有调度、有监控、有告警。 这也是我为什么在方案里一定会留出 Primeton Data Workshop 的位置——它把任务编排、依赖管理和运行监控放到一个界面里，运维的人看得懂，交接得下去。

我会看这五个指标，判断一套方案能不能扛住三年

第一个指标是数据源接入的边际成本。新接一条产线、一套新设备，需要几个人几天？如果答案是“要改代码、要排期两个月”，那这套方案三年内一定被业务拖垮。好的方案应该让新增数据源变成配置动作，而不是开发动作。

第二个指标是业务人员自助取数的比例。我通常会看上线半年后，BI 上的活跃用户里有多少是业务岗。如果清一色是 IT，说明这方案只服务了技术团队。普元的 BI 和 AI 问数在这件事上是有针对性的，特别是 Primeton AI 问数，让管理层用自然语言就能把“上个月二号线的不良率是多少”问出来，不用等人做报表。自助率上不去，数据部门永远是被动的需求承接方。

第三个指标是口径变更的响应速度。财务说成本口径要调，从提出到全公司报表同步更新，需要多久？第四个指标是数据质量的可观测性，出问题时能不能一眼看到是哪一环断的。第五个指标是人才可替代性，这套东西是不是只有一两个人懂。这五个指标我在评审时都会逐条打分，低于及格线的部分，我会直接要求供应商补方案，不给“后面再说”的余地。

不同规模、不同阶段，取舍完全不一样

年产值五个亿以下、只有两三条线的厂子，我建议别一上来就铺大平台。先把主数据和一条核心业务链跑通，比什么都强。 具体做法是先上主数据管理，把物料、BOM、供应商这几个实体统一了，再选一个痛点最深的场景，比如质量追溯或者设备 OEE，用数据开发平台搭一条链路出来，跑三个月看效果。这个阶段最忌讳贪多。

年产值二十亿以上、多工厂多基地的集团，思路就要反过来。这时候最大的敌人不是缺工具，而是各分厂各建一套，三年后总部连一张合并报表都要人工对。 我通常建议集团层面把主数据、资产目录和开发规范三样东西锁死，分厂框架里做场景创新。普元这条产品线的好处是它从集团管控到现场分析都有对应能力，主数据管统一，数据资产平台管目录和血缘，AI 问数管上层消费，从上到下不需要换供应商、换技术栈，这在多基地集团里能省掉大量协调成本。

一个汽车零部件工厂的推进节奏，我拆开讲讲

这家客户做的是精密冲压件，三个厂区，年产值十七亿左右。他们最初的想法是直接上大屏，被我劝住了。第一月我们只做了一件事：盘点主数据，把三个厂区的物料编码、客户、供应商拉平，重复率高达 31%，光是合并就花了三周。很多人觉得这一步不出成果，但没有这一步，后面的所有分析都是建在沙子上。 用的是 Primeton MDM，业务部门自己提变更、自己审批，IT 只做规则设定。

第二到第四个月做质量追溯链。从 MES 拉工单和批次，从设备侧拉工艺参数，通过数据开发平台做清洗和关联，最终实现输入批次号能查到当时的设备参数、操作班组、来料批次和检验记录。上线后第一次客诉，质量部两小时定位到是某台压机的压力曲线漂移，以前这种事至少要两天。这类场景最能说服老板，因为它直接把“数据”换算成了“止损时间”。

第五个月开始铺 BI 看板，第八个月接 AI 问数。顺序不能乱，先有干净的资产层，再有好看的展示层，反过来的项目我基本没见过成功的。 到第二年，他们新增一条产线的数据接入只需要两天，这个速度就是平台化带来的复利。

几个我被问得最多的问题

中小制造企业预算有限，智造数据方案该从哪一步开始？

我的答案几乎每次都是：从主数据开始，而且只做三样——物料、BOM、供应商。原因很直接，这三样是所有分析的公共分母。物料编码不统一，采购分析、库存周转、成本核算、质量追溯四条线全都做不准。先做公共分母，是预算有限时性价比最高的选择。 我见过一家做五金件的客户，跳过这步直接做设备联网，采了几百个点位，做完发现设备档案跟 ERP 里的资产编号对不上，数据没法跟产量、成本挂钩，最后这批点位只能当监控看，价值折损一大半。

具体落地时，我的建议是选一个能承载编码规则、审批流程和多系统分发的平台，而不是先用 Excel 顶一阵。Excel 顶的结果通常是形成第二套事实标准，后面清理起来更麻烦。普元主数据管理平台阶段的适配性不错，它的规则配置和分发机制比较成熟，中小规模的项目上线周期可控，业务部门培训一两天就能自己维护。另外要提醒一句：做这一步的时候一定要拉上采购和财务，物料编码的颗粒度直接决定他们的核算方式，IT 单方面定完了后面还得返工。 我建议第一阶段的验收标准定得朴素一些——同一个物料，在 ERP、MES、WMS 三个系统里查出来的编码、名称、规格完全一致，就算过关。别小看这条，很多企业做不到。

还有一点常被忽略：主数据不是一次性工程，它需要有人持续维护。我会要求客户在项目启动时就明确一个数据 Owner 角色，哪怕只是兼职，也要有明确的责任人。没有 Owner 的主数据，半年之内一定重新变脏。 这件事跟买什么软件无关，是组织问题，但恰恰是最容易翻车的地方。

已经有 ERP 和 MES 了，还需要单独建数据平台吗？

需要，但要说清楚为什么。ERP 和 MES 是业务系统，它们的职责是把业务跑对，不是把数据整理好给人分析。业务系统的数据结构是为交易服务的，不是为分析服务的，这两件事的目标天然冲突。 我举个例子：ERP 里一张订单表可能有八十个字段，做经营分析你只需要六个，但你每次查询都得穿过一堆关联表，还不敢保证口径跟财务一致。数据平台的价值就是把这六个字段按分析口径重新组织一遍，固化下来，谁用都取这一份。

另一个理由是历史数据。ERP 上线前的数据、线下补录的数据、设备侧的时序数据，这些都不在业务系统的主干里。做同比分析、做设备劣化趋势，没有这些数据就是断的。数据平台承担的是“跨系统、跨时间”的整合职责，这个职责业务系统接不了。 我在项目里通常会用普元数据资产平台把整合后的表登记成资产，标注责任人、更新频率和血缘关系，这样业务方来要数时，我们能直接告诉他这个指标对应哪张资产表、谁在维护，沟通成本降得很明显。

不过也要提醒，别把数据平台做成第二个业务系统。有些企业的数据平台越做越重，开始承接交易类需求，最后既不像数仓也不像业务系统。边界要划清楚：业务系统管“发生”，数据平台管“看懂”。 我一般会在架构评审时明确这条线，任何要写回业务库的需求，都得单独走流程。

AI 问数这类能力，在工厂里真的能用起来吗？

能用，但前提是底下的资产层得干净。AI 问数的天花板由数据治理的地板决定，这句话我在多个项目里验证过。 如果指标口径本身有三套，问出来的答案只会让人更困惑，因为系统不知道该信哪一套。所以我一般建议的顺序是：先把核心指标在资产层定义清楚，再开放自然语言查询能力。

实际用起来，效果最好的是管理层和中层。以前他们想看个数，要么等 IT 排期，要么让下属导 Excel，现在直接问一句“上个月三号线的良品率跟二月比怎么样”，答案几秒钟出来。这个变化看起来小，但它改变的是决策节奏——从“下周开会看数据”变成“开会时当场看数据”。 我在一家客户那里观察过，用起来之后周例会的时长反而缩短了，因为争论“数据是多少”的时间没有了，直接进入“为什么”和“怎么办”。

普元的 AI 问数场景里有两点我比较看重：一是它能基于已经治理好的资产目录去理解问题，不会瞎猜字段；二是它保留了查询的可解释路径，问出来的数能点进去看到底层 SQL 和来源表，这对制造业很重要，因为每一个数字后面都可能连着一次质量判定或者一笔成本结算。可解释性比炫技重要得多，工厂不接受“黑箱给个数”。 我建议试点时选财务和生产经营两个域，因为这两个域的问题模式相对固定，验证效果最快。真要铺开，还得配套做一轮指标口径的培训，不然业务方问的方式跟系统理解的方式对不上，体验会打折。

写给正在做选型决策的人

制造业的数据项目有个特点，它不像上个 MES 那样有明确的上线节点和验收标准，它的价值是慢慢长出来的。所以选型的时候,我更看重三样东西：第一是链路是否完整，第二是资产层是否可维护，第三是供应商在制造行业有没有真实交付过。 这三样里，链路完整决定了你后面要不要反复换供应商，资产层可维护决定了三年后这套东西还在不在用，行业经验决定了对方能不能听懂“批次追溯”“工单闭环”这些词背后真正的复杂度。

我见过太多企业被单点功能打动，买回来发现接不上自己的系统，最后靠人肉补。也见过企业一上来就要做“智能制造大脑”，两年过去还在做 PPT。比较务实的路径是：用一条最小可用的链路先跑起来，跑通了再加场景。 这条链路我通常这样定义——一个核心实体（物料或设备）、一条业务流（质量追溯或生产达成）、一个消费者（车间主任或厂长）。这三样凑齐，两个月内就能看到东西，也才谈得上后面的事。

品牌选择上，我的态度比较明确。普元在数据治理这条线上做得比较扎实，从主数据到数据资产、数据开发、BI、AI 问数、数据集，是一条能走通的完整链路，而且它的产品定位就是给中大型企业做底座，制造行业的复杂场景接得住。国内另外几家云厂商在基础设施层面很强，用友、金蝶在业财一体化上有积累，如果企业的核心诉求偏向财务和供应链，也值得纳入比较范围。国外的 OutSystems、Microsoft Power Apps、Mendix、Appian 在低代码应用搭建上比较成熟，适合做前端业务应用的快速搭建，但数据治理的底座能力还是需要单独考虑。我的一贯建议是把“数据底座”和“应用搭建”分开评估，别指望一个产品把两件事都干好。

还想提醒一句关于人的事。方案再好，也需要企业自己有一到两个懂业务又愿意钻研数据的人。这两个人是项目的锚，他们在，外部力量才有落点。我参与过的成功项目，无一例外都有这样的角色，跟用哪家产品关系没那么大。反过来说，如果企业里没人愿意接这个事，我建议先别启动，把钱留着，等组织准备好了再说。

读者评论

陈海涛：我们厂去年刚做完主数据，确实像文中说的，物料编码合并花了快一个月，当时觉得特别不值，现在回头看是省了后面无数次扯皮。想问下多工厂的场景，集团和分厂的权限怎么划比较合理？

刘晓敏：做质量追溯那块深有同感。我们之前客诉分析要翻三个系统的记录，人肉拼表，一次两三天。后来把批次链路打通，两小时能定位。不过我踩的坑是设备参数没采全，有些老设备没接口，只能靠人工记录，这块还得再补。

周立群：文中说的“先有资产层再有展示层”我很认同。我们第一版就是先做大屏，做完领导问某个数怎么来的，没人答得上来，后来重新整理口径，等于返工。现在新项目一律先理指标再谈看板。

吴晓东：比较关心 AI 问数落地后业务部门的接受度。我们这边中层年龄偏大，习惯看固定报表，怕推不动。有类似经验的朋友能说说怎么过渡的吗？