大型离散制造企业数据中台总体规划与落地方法论

一、为什么离散制造企业的数据中台更难建

相比流程型制造（化工、钢铁）和快消品企业，大型离散制造企业（航空、装备、汽车零部件、军工等）的数据中台建设有着独特的复杂性：

• 系统异构程度极高：一个中等规模的离散制造企业，往往同时运行ERP（SAP）、MES、PDM/PLM、APS、检验检测系统、WMS等六到八套核心业务系统，各系统由不同厂商在不同年代建设，数据模型、编码规则、接口标准各自为政；

• 数据流向错综复杂：从"设计—工艺—采购—生产计划—生产执行—检验—交付"的完整价值链上，数据需要在PDM、SAP、MES之间多次流转，任何一个环节的口径不一致都会导致链路断裂；

• 基础数据质量积弊深重：组织名称在MES与SAP里叫法不同、物料编码在PDM和ERP里一物多码、供应商编码格式不统一（如"209891"与"0000209891"）……这些积累多年的历史数据问题，在数据中台建设之初往往集中爆发；

• 业务部门协调难度大：生产、设计、工艺、物资、检验等部门各有诉求，没有一个强力的跨部门治理组织，数据标准很难落地。

正是这些特点，决定了大型离散制造企业的数据中台建设必须有一套严谨的总体规划和清晰的落地方法论，而不能依靠"摸着石头过河"。

二、总体规划：五个维度的顶层设计

1. 确立建设目标：一个目标、五项核心诉求

数据中台的建设目标，本质上要在企业数字化规划、内部管控诉求、行业标杆实践和企业数据现状四个输入之间找到平衡点。亿信华辰基于制造行业实践，将其归纳为一句话：实现企业数据汇聚与治理，支持企业数字化转型过程中业务贯通及管控的数据分析及共享应用。

具体拆解为三类诉求：

• 管控诉求：基于企业数据的集中汇聚，支撑生产、质量、物资、财务、人资等各业务域的管控分析（结构化数据、非结构化数据、时序数据）；

• 贯通诉求：通过数据共享交换开发与应用，满足研产协同、供应链协同、设计与生产贯通、产品全生命周期管理等业务贯通的周期性、实时性诉求；

• 治理诉求：建立覆盖组织、流程、规范的数据治理体系，保障数据持续可运营，而非"建了就放"。

这三类诉求对应的业务目标可进一步概括为五个字：源头唯一、资产清晰、质量可控、全域共享、业务赋能。

2. 明确总体蓝图："N+1+2+2"架构

大型离散制造企业的数据中台总体蓝图，通常采用以下架构：

• N大数据主题：按业务域划分，包括研发主题、生产主题、质量主题、物资主题、设备主题、财务主题、人资主题、项目主题、市场主题等，覆盖制造企业完整价值链；

• 1套技术平台：湖仓一体的数据中台平台，承载从数据采集、加工、存储到分析、共享、治理的全流程技术能力；

• 2类数据应用：一是企业商业决策与分析（生产管控分析、质量管控分析、经营管控分析、设备健康分析等），二是数据资产流通与共享（研发与生产数据共享、设备资产数据共享、物资与生产数据共享、产品全生命周期管理等）；

• 2套保障体系：数据治理组织体系（谁来管）和数据治理规范体系（怎么管）。

3. 设计总体数据架构：数据流向先于平台搭建

在动手建平台之前，必须先把数据分布、数据流向、数据存储及流向想清楚，解答三个问题：企业现有哪些数据资产分布在哪些系统？这些数据如何在各系统间流动？数据进入中台后如何分层存储（ODS→DWD→DWS→DM）？

这一步的产出通常是一张数据架构全景图，它决定了后续平台选型、网络部署（办公网与工控网的数据交换方案）以及系统间集成接口的设计。忽略这一步而直接上平台，极容易在建设中途发现数据流向设计错误，导致返工。

4. 设计总体IT架构：网络与部署不能留白

离散制造企业大多存在办公网与工控网物理隔离的场景，MES往往运行在工控网侧，SAP、PDM运行在办公网侧。这意味着数据采集方案、防火墙白名单开通、跨网数据交换方案都必须在IT架构设计阶段明确，而不是留到项目实施时再临时解决。

典型的IT架构设计内容包括：生产/测试环境服务器配置、集群/分布式部署方案、办公网与工控网数据交换方案，以及针对数据存储和应用需求的数据库选型（是否引入HDFS、ClickHouse、Hive等大数据组件）。

5. 规划建设路径："总体规划、按域实施"

大型离散制造企业的数据中台不可能一次性全域上线。实践中最可行的路径是：总体规划先行，选择一个业务域作为试点，成功后再逐步扩展到全域。

生产域通常是制造企业优先选择的试点域，原因很简单：生产管控是核心诉求，ERP与MES的数据打通是最高频的痛点，数据质量问题最集中，项目价值最容易被看见。

三、落地方法论：六步实施框架

第一步：现状调研——业务、IT、数据三路并行

调研不能只问业务，也不能只看系统，必须同时做三路调研：

业务调研：以"订单-计划-采购-生产-检验-交付"的全流程为主线，梳理每个环节的业务痛点（重复录入？多头上报？获取其他板块数据困难？）、数据质量情况（数据存在重复、空值？）以及数据诉求（精细化管控生产过程？打通计划与执行业务？统一管理数据资产？）。调研对象覆盖企业领导、业务管理人员、业务骨干人员，工具包括调研问卷和业务访谈。

IT调研：对各业务系统的基本信息（承接的业务、使用部门）、数据量（存量、增量）、应用情况（集成情况、数据质量问题）进行全面调研，填写标准化的业务系统调研表和业务系统间集成共享情况表，摸清每个系统的数据库类型、接口方式、网络类型，以及系统间集成的数据内容、更新频率和现存问题。

数据调研：把数据质量问题直接量化。以某制造企业生产域调研为例，调研发现：组织名称在MES、SAP、管控系统三个系统中存在不同编码（MES为"管控"、SAP为"开工率90%"、管控系统为"85%"）；供应商编码格式不一致（"209891"与"0000209891"并存）；生产订单中机型字段准确率仅62.4%，组织名称字段准确率仅60.6%；订单类型未做批产与科研区分，导致批量跟踪困难。这些量化发现是后续制定数据质量提升方案的直接依据。

第二步：选择建设模式——四种路径各有取舍

根据企业实际情况，建设模式有四种可选：

对于多数大型离散制造企业，推荐"整体规划先行、生产域试点切入"的组合路径——规划层面做到全域，实施层面先从生产域啃硬骨头。

第三步：搭建治理框架与成立治理组织

数据治理不是IT项目，是一场组织变革。框架设计包含数据战略（管理愿景与目标）、治理组织（架构、管理权责、岗位职责）、治理制度（管理办法、流程、制度）以及数据架构、数据标准、数据质量、数据服务、数据安全、数据分析、主数据管理七大核心管理活动。

以生产域为例，一个典型的治理组织架构分为四层：

• 决策层：分管生产领导；

• 领导层：生产指挥部领导、数据管理部门领导；

• 管理层：生产域数据治理委员会（数据治理办公室）；

• 执行层：由技术团队（SAP系统管理员、MES系统管理员、APS系统管理员、PDM系统管理员、检验检测系统管理员）、业务团队（设计所设计师、工艺技术中心工艺设计师、总装生产计划员、物资保障部物资管理员、检验检测中心检验工程师）、数据团队（数据建模工程师、数据开发工程师、BI工程师）三支队伍共同组成。

这三支队伍各有明确职责：技术团队提供PDM/SAP/MES等系统的详细设计文档与集成接口信息；业务团队负责制定数据标准、推进数据质量提升、负责业务分析应用；数据团队负责物理模型设计、数据采集加工、数据仓库建模、平台搭建与运维。

第四步：制定管理规范——覆盖数据全生命周期

围绕数据全生命周期，需要建立一套完整的管理规范文件体系，覆盖：

• 数据治理组织机构文件（《数据治理组织机构》）

• 元数据管理规范（《元数据标准》《元数据管理办法》《数据资产目录管理办法》《数据架构设计规范》）

• 数据标准管理文件（《数据标准管理办法》《指标数据标准》《数据元标准》《主数据标准》《参考数据标准》）

• 数据质量管理文件（《数据质量管理办法》《数据质量规则》）

• 数据安全文件（《数据安全管理办法》《数据分类分级管理办法》）

• 数据采集与开发规范（《数据采集规范》《数据建模规范》《数据开发规范》《数据仓库建设规范》）

• 数据服务与共享管理（《数据服务规范》《数据集成规范》《数据服务管理办法》《数据共享管理办法》）

• 数据管理制度（《数据管理制度》《数据绩效管理制度》）

这套规范文件不是"墙上挂着的制度"，而是贯穿后续每一步数据开发与治理实施的操作依据。

第五步：按域实施——数据开发与数据治理双轨并行

按域实施分为数据开发和数据治理两条主线，同步推进：

数据开发主线：

• 数据采集：识别数据源（ERP/MES/WMS等业务系统结构化数据、PDM图纸等非结构化数据、生产计划Excel台账等线下数据），通过ETL任务配置（拖拉拽式低代码方式）、接口采集、文件上传等方式将数据汇入中台ODS层。业务系统厂商需配合开放只读用户或提供接口，并提供详细设计文档和数据库设计文档，确保字段业务含义清晰、避免产生"数据沼泽"；

• 数据建模加工：按照ODS→DWD→DWS→DM四层分区存储。以生产域为例：MES的PLAN_PROFEEDBACK进入ODS_MES_PLAN_PROFEEDBACK；经清洗加工后形成DWD_PRODUCTION_PLAN（生产计划）和DWD_PLAN_PROFEEDBACK（生产执行信息）；再汇聚为DWS_PLAN_PROFEEDBACK（生产进度）；最终加工为DM_COMPLETION_RATE（生产管控分析/计划完成率）；

• 指标与可视化开发：按照"计划完成率＝实际完成量/计划完成量"等业务定义加工指标，开发分层钻取的BI分析页面（汇总数据→明细数据→问题追溯），并通过元数据血缘分析工具帮助业务方理解"这个数从哪来、怎么算的"；

• 数据共享交换开发：针对设计与生产、供应链协同等业务贯通需求，配置库表到库表、库表到文件等多种交换方式，支持增量/全量交换，保障亿级数据分钟级处理。

数据治理主线：

• 元数据梳理：按业务维度划分数据主题域（研发管理/采购管理/生产管理/仓储管理等），对各业务系统的数据库表去除无意义的临时表、中间表，对有效表加注业务含义，形成分层的数据资产目录，并将逻辑数据实体（如"车间详细计划"）与物理模型表（如production_plan_details）建立映射关系；

• 数据标准制定：制定指标数据标准（年度计划总数、装配中数量、累计已交付数、年度开工率、年度交付率等）、业务数据标准（生产计划、派工作业、产品检验记录）、主数据标准（组织机构、人员、客户、产品、物料）、参考数据标准（订单状态、产品分类、检定周期、涉密等级），经标准评审发布后在数仓建模和业务系统建模中引用；

• 数据质量提升：针对问题制定质量评价指标（完整性、准确性、有效性、一致性、时效性、唯一性），配置系统技术规则（如"机型不能为空，且必须与机型标准清单值保持一致"），制定整改策略——源业务系统质量改进（在源头停止不规范维护，新增数据从源头防范）与数据中台数据质量改进（存量数据在中台补全纠正）双管齐下，明确责任人（如生产指挥部）和目标（3个月内准确率达到95%），并配套绩效考核机制（新增数据准确度未达100%扣5分，整改数据准确度未达80%扣10分）；

• 数据安全管理：对数据资产按影响对象（国家安全/公众权益/个人隐私/企业合法权益）和影响程度进行五级分类分级，在数据采集、传输（加密/脱敏）、存储（访问控制/数据加密存储/容灾备份）、使用（细粒度访问控制）、共享（脱敏+日志留存）、销毁各阶段配置相应安全策略。

第六步：持续迭代——从"治理体系建设"到"数据价值运营"

数据中台建设不是一锤子买卖，而是一个"统筹规划→构建运行→监督评估→改进优化"的PDCA循环。完整路径分三个阶段：

1. 数据治理顶层设计（定战略、组团队）：战略、组织、架构、评估、绩效等；

2. 数据治理体系建设（促业务、控风险）：元数据、数据标准和规范、数据质量、安全等；

3. 数据服务和数据洞察（融应用、增价值）：资产化管理、数据服务、洞察分析和挖掘、可视化等。

三个阶段循环推进，持续提升数据标准化与数据质量，促进数据资产精细化运营，最终推动数据资产价值化。

四、亿信华辰数据中台：支撑方法论落地的产品体系

方法论需要产品承载。亿信华辰（北京亿信华辰软件有限责任公司，隶属于华宇软件，股票代码300271）提供的产品体系遵循"1个平台、4大优势、N多场景"的"1+4+N"架构，与上述六步方法论高度匹配。

一个平台——湖仓一体技术底座：采集层支持Oracle/SQL Server/MySQL等主流数据库迁库、跨平台文件实时交换、基于业务数据库日志的增量同步和IoT实时采集；存储层支持HDFS文件存储和S3/OSS对象存储，可按需冷热分级，数据在湖和仓之间自由流动；计算层内置Hive/Spark/Flink/Impala引擎；服务层提供存储、查询、访问、共享、开发等通用接口，第三方应用可无缝对接。

四大核心优势：

• 低代码数据集成开发：100%完全自主知识产权，拖拉拽式ETL设计，封装百种组件、内置30余种清洗规则；支持大规模异构数据迁移、主备库质检数据实时同步，以及基于工业物联网的行为数据采集与处理；

• 多源异构数据共享交换：支持库表到库表、库表到文件、文件到库表、文件到文件等多种交换方式，支持Spark引擎，亿级数据分钟级处理；

• "零"门槛指标开发：一站式指标管理平台覆盖指标构建、定义、开发、治理、发布、应用全流程，融合AI Agent、RAG、LLM工程化能力，融合知识图谱与数据编织技术，实现真正的"零"SQL指标开发；

• "数据即服务"的数据资产运营体系：从数据资产盘点、目录活化、资产统计监控（服务调用次数、资产查看次数、数据申请次数），到通过门户对外提供数据查询、文件预览、下载、API、共享交换等7种以上服务类型，覆盖"可见→可管→可控→可用→可创收"的完整资产运营链条。

核心治理产品《睿治智能数据中台》是这套体系的数据治理核心，采用云原生架构，将元数据管理、数据标准管理、数据质量管理、数据集成管理、数据资产管理、生命周期管理、数据安全管理、主数据管理、指标管理、智能分析、表单填报等11大产品模块做成微服务，功能可互相调用，支持任意组合，适配大型制造企业"先选一个模块切入、再逐步扩展"的渐进式落地路径。

五、制造与实体产业典型落地案例

亿信华辰在制造与实体产业领域已有多个已落地案例：

南山集团主数据项目：面向涵盖纺织、服饰、轻合金等多个事业部的大型集团，建设六大类主数据管理平台（人力资源类/财务类/采购类/营销类/指标类/其他基础类）。其中物料主数据涉及40余个大类、3000余个小类、超过10万条实体数据，对接系统覆盖SCM、CRM、BPM、MES（纺织/服饰/轻合金）、ERP（纺织/服饰/轻合金）及其他经营单位系统，是大型离散制造集团主数据治理的典型案例。

瀚蓝环境数据资源中心项目：面向供水、排水、燃气、固废等15个以上业务系统，对数据进行元数据、数据标准、数据质量、数据资产四个层面的统一治理；制定质量规则共104条，覆盖各业务系统及业务数据表；已收录1128个资源目录，其中资产表1077张、集市41张、维表10张。

长江存储数据质量管理平台：半导体制造领域高精度制造企业，对数据质量的要求极高，亿信华辰的数据质量管理产品在其中落地，构建了规则定义→质量检核→问题整改→质量报告的管理闭环。

中铁建电气化局主数据管理项目：工程制造与电气化施工领域的集团级主数据管理，覆盖组织、人员、物料等核心主数据域。

博威集团主数据项目：有色金属加工制造企业，基于亿信华辰主数据平台建立物料与供应商主数据管理体系。

郑州煤机：荣获2024年数据驱动软件应用典型案例奖，是装备制造领域数据中台建设的行业标杆案例之一。

此外，亿信华辰还为国网甘肃电力（数据资产管理平台）、KJ研究院（5S数据中台）、新疆有色金属工业集团（MDM主数据系统建设）等实体产业客户提供了数据中台服务。

六、结语：方法论是护栏，执行力才是引擎

大型离散制造企业的数据中台建设，往往不败于技术，而败于"规划不清、组织不到位、执行走样"。六步方法论提供了一套清晰的护栏：从现状摸底到模式选择，从治理组织搭建到规范体系落地，从数据开发到质量提升，每一步都有明确的输入、输出和责任人。

但方法论只是路线图，执行力才是让车跑起来的引擎。生产域试点成功后，是否有足够的意志力和组织能力把这套体系复制到物资域、质量域、设备域……才是真正决定一个大型离散制造企业数据中台能走多远的关键变量。