机械制造业是国民经济的支柱产业，现代制造业正在改变着人们的生产方式、生活方式、经营治理模式乃至社会的组织结构和文化。随着世界经济一体化的形成，由于中国巨大的市场空间和丰富的劳动力资源，世界制造业持续向中国转移，中国机械制造业经过几十年的努力已经具有相当的规模，积累了大量的技术和经验，中国已经成为世界的制造大国。

　　与此同时，随着国外的技术、资金及产品的大量涌入，中国机械制造企业也面临前所未有的国内外激烈的竞争局面。竞争要求企业产品更新换代快、产品质量高、价格低、交货及时、服务完善。这些市场竞争与企业治理的模式、治理方法、治理手段、组织结构、业务流程密切相关。

　　在两化融合与加速建设制造强国和“中国制造2025”的战略背景下，机械制造业企业要想真正由大变强，必须践行数字化转型，才能尽快占领制造业的技术制高点。

　　机械制造业是典型的离散制造，离散制造的产品往往由多个零件经过一系列并不连续的工序的加工最终装配而成。如火箭、飞机、船舶、机车、武器装备、计算机、家电等制造企业都属于离散制造型企业。从产品形态来说，离散制造的产品相对较为复杂，包含多个零部件，一般具有相对较为固定的产品结构，原材料清单和零部件配套关系。从产品种类来说，一般的离散制造型企业都生产相关和不相关的较多品种和系列的产品。这就决定企业物料的多样性。从加工过程看，离散制造型企业生产过程是由不同零部件加工子过程或并联或串联组成的复杂的过程，其过程中包含着更多的变化和不确定因素。从这个意义上来说，离散制造型企业的过程控制更为复杂和多变。

　　因此，离散制造型的企业的产能不像连续型企业主要由硬件（设备产能能）决定，而主要以软件（加工要素的配置合理性）决定。虽然大部分机械制造企业已经建立了多种业务应用系统，但由于离散制造业务流程长，数据贯穿于产品设计、工艺流程、采供销、生产、物流等各个环节，涉及的数据类型繁多，各业务系统数据量庞大且冗杂，并且存在数据标准化体系不健全、基础数据质量不佳等数据问题，导致各系统之间的交互成本高、数据采集难、精益管控难、横向协同弱，从而出现无法发挥基于数据协同的数字化管理效能等问题。

　　在面对企业发展战略、行业发展趋势、经济下行、市场竞争等因素的冲击时，越来越多的机械制造企业选择用数字化转型来对抗不确定因素，并高度认同其价值，内生动力不断被激发。在机械制造企业的数字化转型过程中，数据对实现质量变革、效率变革、动力变革也必将具有极其重要的作用。如何解决数据孤岛、提高企业数据质量、统一数据标准，让数据提供服务，实现“设计－采购－生产－试验－交付－售后”一体化管理，进而让数据支撑决策是机械制造企业必须要面对和解决的一大难题。

　　制造企业由生产到销售的链路长、环节多，虽有数据沉淀，但存在分散在不同系统、数据口径不一致、数据颗粒度粗、更新频率低等问题。与此同时制造业企业在过往发展的历程中，依据企业价值链各环节的需求，逐步建立起包括企业ERP系统、CRM系统、供应链系统等内部系统；随着互联网经济的快速发展，又对接了包括第三方市场监测系统、电商平台数据系统等外部系统。企业中的数据分散在不同系统中，由于各系统建设目的、使用方式存在不同，导致不同系统间数据统计的口径不一致。

　　因此业务人员在对数据进行分析时，需要耗费大量的时间对不同系统中的数据进行整合与清洗，甚至出现数据大量缺失的问题。除此之外，为了更好地洞察消费者需求、应对市场及竞争态势的快速变化，业务部门对于内部数据的更新频率要求越来越高，对于外部数据的颗粒度要求越来越精细，但是当前制造业企业的数据现状难以对这些需求进行相应的匹配。较低的数据治理水平及数据质量造成大量数据冗余、系统冗余及手工作业问题，对员工人效提升形成阻碍。

　　当前，机械制造企业产生的数据与日俱增，如何利用大数据提升企业竞争力、驱动企业发展，成为其面临的重要问题。

　　工业企业数字化转型的业务需求主要是从战略任务分解、经营计划执行和风险全周期管控层面，对集团的供应链服务数据、经营管理数据和生产过程数据进行管理与挖掘。在全业务数据中心的支持下，建立基于业务流程数字化管控链条，打通现有信息系统的壁垒，让各级管理者和一线业务人员，能够及时查看历史数据和实时数据，实现全业态数据一体化服务。

　　机械制造企业要想合规、高效地产生数据价值，就需要构建全生命周期的数据治理体系，一方面通过数据治理组织建立管理办法、制定工作流程、确定角色职责；另一方面借助数据治理工具实现数据标准管理、元数据管理、数据标准管理、数据质量管理、数据资产管理、数据安全管理、数据生命周期管理，各模块协调运营，确保数据平台的数据一致、安全、有效。

　　在此基础上，通过各种技术手段收集企业日常运营和创新所需的数据，利用数字化手段挖掘数据的价值，以技术创新连接和打通企业内部，聚合裂变出源源不断的数字化价值，实现数据对企业数字化运营的支撑。

　　基于业界先进理论、实践，通过对国际先进方法论和国内领先实践的深刻理解，并充分考虑机械制造企业数据管理的现状，形成了如下图所示的数据治理体系参考框架。

　　该框架聚焦于数据治理的价值体现，注重业务与信息化衔接，围绕数据生命周期建立各项数据治理能力，建立数据治理相关的组织、职责、制度、流程和标准，为数据治理相关工作的顺利开展提供指导和规划，为机械制造企业的数字化转型筑基。

　　为了解决释放数据价值过程中面临的诸多问题，以体系化的方式实现数据的可得、可用、好用，用较小的数据成本获得较大的数据收益，机械制造业的数字化转型方案主要涉及以下功能内容。

　　面向机械制造这类离散制造业的数据集成主要目的是实现产品设计制造过程中CAX/PDM/ERP等异构数据系统间的数据共享，从而并且提供丰富的数据处理与交换任务设计，实现跨部门、跨系统数据的传输、加载、清洗、转换和整合，从数据集成、数据转换、历史数据清洗、数据整合、数据分发等方面，满足不同场景下的数据传输交换需求，为生产计划与排产提供依据，另一方面也为ERP提供及时、可靠、准确的生产经营决策参考信息。

　　机械制造企业在其生产制造过程中涉及大量主数据（如：物料、设备、产品、BOM、人员、财务）等等，这些数据作为信息流动的载体，在制造企业的业务链条中起着承前启后的推动作用，是机械制造企业的核心数据，其准确性将会直接影响到制造企业业务和决策的准确性。

　　通过对这些主数据进行全生命周期管理，将分散在各业务系统相互独立的数据进行统一，让所有系统只用“一”份数据，让主数据这种对系统比较重要的数据完全一致，通过提高主数据的质量，简化各业务系统之间的集成复杂度，打通上下游产销衔接。

　　要实现机械制造全链条的高效协作，对齐数据标准是必要手段。在工业制造领域中，数据标准一般以业界的标准为基础，如元数据管理标准（ISO-11179，CWM，DCMI)、数据质量标准（ISO-8000，ISO-25012）以及数据安全标准（ISO-27001)，结合工业数据的特点对数据进行规范化，一般会包括数据格式、数据质量、数据语义、编码规则、字典值等内容。

　　通过制定和发布由数据利益相关方确认的数据标准，结合制度约束、过程管控、技术工具等手段，推动数据的标准化，进一步提升数据质量。

　　结合机械制造业数据特点和业务场景，基于完整性、准确性、规范性、唯一性、一致性、关联性、可追溯性等要求，构建合理的数据质量评估体系，并可根据企业实际生产情况，对质量评估体系进行持续优化，从而在生产控制、故障记录、库存物流等方面，为机械制造企业风险把控、分析决策、生产运营提供更精准的高质量数据，提升工业数据分析的效率。

　　对于机械制造企业来说，大量涉及采购、设计、制造、客户、人员、财务等范围的数据都具有很高的保密性要求。根据《数据安全法》第三条，“数据安全是指通过采取必要措施，确保数据处于有效保护和合法利用的状态，以及具备保障持续安全状态的能力。”

　　通过对企业数据进行完善的安全管理，可实现隐私数据的加密、脱敏、模糊化处理、数据库授权监控等多种数据安全管理措施，全面保障数据的安全运作。结合数据安全传输、数据访问控制、数据分级授权等手段，实现数据的安全防护和使用合规。

　　对于机械制造而言，除了自身生产线之外还会涉及外协产品的采购，为了保障装配计划的正常运转需要进行供应链上下游监控及配套分析。

　　亿信华辰的供应链一体化管控解决方案可以通过产品型号联动该产品的生产计划、执行率、配套、合同、上游供应商等方面进行多维度的分析与展示，时刻掌控生产状况以及各项目配套生产情况，为打造高品质的供应链监控提供了数据支撑，并以数据运营为起点，完成了数据集中、指标监控、数据可视化、协同办公的多功能应用。

　　随着科学技术的发展与5G网络的普及，智能生产线俨然成为一种趋势，很多人工工种已逐步被机器人替代，诸如上下料、焊接、涂装、拾取、装配等都出现了机器人的身影。相较于人工，机器人不光可以带来效率的提升，它的管理也会更加直接和便捷。

　　亿信华辰的生产流程自动化解决方案，借助5G网络、智能机器人、视频比对技术，打造智慧化工厂生产线。在零配件配送、库存管理、生产组装、信息上报等关键环节利用大数据技术，有效调节生产进度，合理调配资源、监控生产质量、及时上报数据反馈结果。另外，方案内容涵盖对生产车间轮胎检测环节、T-BOX数据上传环节，实时库存提供实时监控，并对云打印设备、AGV智能机器人进行工作状态、设备状态的可视化监控。

　　进一步将数字化质量管理能力提升至全面质量管理范畴，通过系统将质量数据和有价值的信息及时共享给管理人员，帮助他们及时了解企业的 实时质量状况，将质量控制“透明化”，以便能帮助他们更好地进行决策。通过业务环节信息化管控，实现业务流程透明化、规范化管理，有效提升原材料产品质量。采购管理环节，可实现采购寻源、采购成本管理、采购计划生成与发放、采购索赔等信息化管理；物流和库存管理环节，可实现原料出入库及配送信息化；绩效管理环节，能够利用信息系统实现关键绩效管理事务记录、跟踪和考核全过程管理。

　　安徽某国营机械厂是国家投资的国有大型企业，经过多年的业务发展，已建成五个工业园区。企业聚焦机械制造、修理业务主航道，业务范围覆盖装备生产及部附件寿命增长，专注钢结构、液压管件以及表面处理等多个技术研发领域。

　　基于工厂数字化转型“十四五”规划内容、业务发展现状和数据管理现状，该机械厂以促进数据管理工作规范化、体系化、常态化为目标，遵循数据驱动业务价值导向，规划数据治理项目的建设实施。

　　但由于离散制造业务流程长，数据贯穿于产品设计、工艺流程、采供销、生产、物流等各个环节，数据分散在已建成的约70多套信息化系统中，涉及的数据类型繁多，各业务系统数据量庞大且冗杂，未实现数据资产的统一管理，存在“找数难、用数难”的问题。同时数据标准的缺失，读懂数据难；数据质量低，数据应用难以出成效，不满足“数字化工厂”建设需求。

　　（1）现有的数据利用不足，仍存在较多纸质表单数据无法汇总分析，大量业务数据的价值有待进一步深度开发。

　　（2）在数据应用体系建设方面，虽然基于生产管控中心BI系统实现了部分指标体系的构建，但贯穿工厂整个生产经营体系的指标体系仍有待进一步完善。

　　（3）基于EOS平台的系统数据质量问题明显，由于大量字段未做标准化定义约束，导致表单数据填写不规范，不利于后期加工统计分析，同时造成数据清洗困难，数据整体质量不佳，对技术研发改进分析帮助程度有限。

　　在数据治理项目实施之前，工厂的数据管理成熟度为程度较弱的受管理级，因此需要通过平台的建立和体系的建立及完善，将实现数据全周期、全流程的统一数据管控，打造可靠的数据基础，提供统一、灵活的数据服务，推动数据融合共享应用，服务数据赋能应用，提高数据资产价值，推动工厂数据生产力发展。工厂数据管理成熟度将在项目实施完毕后提升至稳健级。

　　项目依托亿信华辰睿治数据治理产品建设工厂数据中台，融合各业务系统数据，建立数据汇聚和基础服务运作体系，实现资源数据中心与各业务系统无缝连通，建立统一的基础数据公共服务平台。结合数据湖、数据仓库的建设，打破数据孤岛，打造持续升值的数据资产。从而将数据变为全厂人员可阅读、易理解的内容，并可以快速结合到业务中，加强数据应用能力，使数据成为生产力。

　　数据管理组织需要建立职能明确的数据管理机构，落实各级部门的职责和可持续的数据管理组织与人员。包括由工厂高层组成，主要负责确定管理目标，决策数据管理的制度、流程、职责，负责重大问题的处理的决策层；由数据管理中心、专项数据管理组和专家团队构成的管理层；由具体管理和使用数据的单位和部门构成的执行层。

　　基于工厂数字化转型“十四五”规划内容、同行业务现状、数据管理现状，建立数据管理体系。包括数据管理制度、数据管理流程、数据管理考核、数据管理细则等。

　　①数据管理制度。数据管理制度规定了数据管理工作的内容、程序、章程及方法，是进行数据管理活动的行为规范和准则。

　　②数据管理流程。数据管理流程的内容主要包括数据生命周期管理流程、数据标准管理流程、数据质量管理流程等。

　　③数据管理考核制度。数据管理考核制度，是保障数据管理制度落实的根本，根据工厂实际情况建立明确的，可操作的，与个人或部门绩效相关联的考核办法。

　　④数据管理细则。数据管理细则是指引各数据管理活动如何开展的技术规范，包括规范制定数据标准的标准，制定数据质量检查规则的标准等可执行的技术文件。

　　⑤数据管理管理体系培训。在推广数据管理体系的过程中培养全体员工的数据思维，持续沉淀各数据角色的数据能力。将数据管理及数据应用项目管理等方面的知识、技能和方法传递给工厂全体数据相关人员，为工厂培养一批掌握数据管理、数据中台应用与开发技能的复合型管理人才，使工厂具备推广和支持数据管理的能力。

　　①数据采集、转换。包括数据源管理、批处理作业配置、流处理作业配置、任务管理。

　　②数据湖、数据仓库设计。按工厂实际情况进行数据仓库、数据湖设计，满足数据应用的使用需求，数据的审计需求，数据全版本管控且兼顾数据总量需求。

　　③数据治理。包含元数据管理、数据标准管理、数据模型管理、数据质量管理、数据标签管理、数据指标管理、数据资产管理、数据安全管理、数据需求管理、数据挖掘、数据服务。

　　④平台管理。包含平台监控、“三员”管理、日志审计、访问控制、身份鉴别、密级标识、系统加固功能。

　　⑤三网部署。支持将办公网制定的数据标准等数据同步至工控网、互联网中，并进行元数据抽取、落标检查等活动，将检查结果同步至办公网中，实现三网数据管理活动的同步进行。

　　⑥平台集成。收集各系统数据，全量入湖，维护数据属性业务说明，维护管理元数据，建立多维度（系统、业务域、组织架构等）数据资产目录供其他系统和用户查询、使用。与工厂信息门户完成统一待办，单点登录集成工作。

　　利用亿信华辰睿治数据治理平台强大的元数据管理功能，开展工厂全域数据资产盘点。完成79套源端业务系统，17类，1855156项元数据采集，并针对业务元数据、管理元数据完成补充完善。以工厂 9大业务价值链为主线，对盘出的数据项进行有效性识别和梳理，形成工厂数据资产，并通过数据服务门户发布提供跨部门共享使用。

　　通过平台数据标准管理完成工厂数据标准建立，其中包括：基础数据标准284项；主数据标准13项；参考数据标准38项；指标数据标准307项；推动29项不符合数据标准项的整改。同时建立对新建系统和系统改造时的标准评估检查，保障工厂数据标准化工作持续推进。

　　以数据应用驱动数据质量问题发现，提出数据质量治理需求。通过元数据分析梳理数据链路，制定质量规则，构建数据质量规则库，推动数据全链路数据质量核查并监督整改。截止目前，工厂共梳理：9大主题域、63条数据链路、355条数据质量规则。

　　梳理数据负面清单，提出数据安全管控需求；制定数据安全管控策略，并执行数据安全监控、数据权限控制、数据加密脱敏等安全措施；针对异常通报问题进行分析并组织完成问题整改。

　　通过数据治理平台的建设及治理实施工作，该机械厂完善了工厂的数据管理体系，使数据管理工作有章可循，厘清数据资产，数据质量得到显著提升。

　　项目结合数据湖和数据仓库的建设及完善，实现了全厂设计数据、试验数据、生产数据、产品及其保障性数据等业务数据的集中存储和标准化管理，有效解决数据孤岛问题，提高了业务分析效率和准确性，并为将来多元化的数据应用场景夯实数据基础。

　　通过解决数据孤岛问题、提高企业数据质量、统一数据标准、降低数据交互成本，可以实现“设计-采购-生产-试验-交付-售后”一体化管理，让数据提供服务、让数据支撑决策，从而实现机械制造业务链的数字化协同，并提升基于数据协同的数字化管理效能。

　　通过对全企业的基础数据（如物料数据、产品结构数据、产品设计工艺数据、生产能力数据等）进行的平台化集中管理，可以实现机械制造基础数据的统一生成、统一维护和统一治理，真正做到数出一家、数据共享，避免冗余。

　　通过对机械制造全生命周期的各阶段的设计数据、试验数据、生产数据、产品及其保障性数据等业务数据进行标准化管理，可以使管理者更加直观有效的洞察企业业务发展现状，提高业务分析效率和准确性。