离散制造企业的数字化，难的不是上系统，而是系统之间的数据"说不上话"。
这是龙石顾问团队在某头部自动化控制企业项目中反复验证的判断。该企业年产控制阀数十万台，客户覆盖石油化工、电力、冶金等大型工业集团，但其 ERP、PLM、MES、SCADA 等系统各自运转，数据链路断裂——管理层想回答"某个订单做到哪了""这台设备到底停了多少次"，往往要等半天甚至几天。
这不是个案。龙石团队在调研后给出了直接诊断：离散制造的本质问题不是缺系统，而是缺一套实时汇聚全要素数据、自适应业务变化的数据底座。 解决路径就是"理、采、存、管、用"。
一、四个痛点：离散制造的效率黑洞
调研覆盖了 ERP、PLM、MES、SCADA 等核心系统后，龙石团队归纳出离散制造的四个共性痛点：
计划排产难。 订单交期变更、设计 BOM 修改、采购延迟、设备故障——任何一个环节波动都会打乱排产，准交率持续承压。
过程不透明。 控制阀经历机加工、装配、测试、喷涂等多道工序，在制品数量、进度、质量状态仍主要靠纸质流转单记录。
质量追溯慢。 客户投诉某批次泄漏，质量部门需追溯原材料批次、加工设备、操作人员、检验记录。数据散落在工位纸质记录和 Excel 中，追溯一次耗时数天。
设备管理弱。 数控机床、加工中心等设备众多，但运行状态、故障原因、OEE 等数据未系统采集。设备科只知道"坏了"，不知道"坏在哪、根因是什么"。
二、项目最大的挑战：不是技术，是"理"
项目实施中最大的挑战出人意料——不在技术上，而在"理"这个环节。
同一个零部件——比如控制阀的阀体——在 ERP 里用采购编码，在 PLM 里用设计图号，在 MES 里又有一套车间自编号。三个部门各说各话。项目团队联合采购、设计、生产三个部门逐一拉通对账，前后花了近三周，最终统一形成了企业级主数据标准。
这是龙石"产品+培训+陪跑"模式的一个缩影。该模式的目标不是"替客户做完"，而是"让客户自己能治"。具体分两步：
第一步，培训。 项目启动阶段，企业信息部门集中学习三个层次：理论层覆盖 DCMM 和 DAMA 框架；模拟层用沙盘演练"理采存管用"完整流程；实操层直接在数据中台上手，从配置数据标准到跑通质量规则。
第二步，陪跑。 培训结束后，顾问进入客户现场，选一个真实业务域（生产域）和客户团队一起跑。从归集 MES 数据到配置在制品跟踪看板，每一步都是客户团队动手操作，顾问在旁边把关。
三、落地：从统一主数据到三个核心应用
主数据统一与六层模型
项目最先做的不是建模型，而是统一主数据。团队带着采购、设计、生产三个部门的业务骨干，把订单、物料、BOM、工序、设备等核心主数据逐一拉通，制定企业级编码规范。
针对离散制造"订单—工单—工序—设备—人员—物料"的六层结构，团队抽象出一套行业数据模型，让不同系统说起同一种"业务方言"。
数据集成与治理
主数据统一后，ERP、PLM、MES、SCADA、质量系统的数十张核心业务表全部接入数据中台。围绕计划排产、在制品跟踪、质量追溯、设备 OEE 四个主题构建关联模型——通过统一订单号、物料编码、设备编号，跨系统数据首次实现按需关联。
治理同步落地：物料主数据去重合并、工序编码标准化、质量检验项字典统一。元数据自动采集和血缘分析遵循 DAMA-DMBOK2 最佳实践，数据"从哪来、经过什么处理"一目了然。
三个核心应用
在制品跟踪看板： 集成工序报工和设备状态数据，自动计算每个订单在各工序的完成数量、在制数量、合格数量，关联标准工时生成订单进度看板。管理层点击任一订单，即可下钻到当前工序、预计完成时间、延误原因。
质量追溯查询： 建立"原材料批次—加工设备—操作人员—检验记录"关联模型。输入订单号即可一键获取全链路数据。
设备 OEE 分析： 通过设备运行信号与停机记录计算 OEE（时间开动率、性能开动率、合格品率），按故障、换型、待料等维度分类统计停机原因。
四、效果：五个可量化指标
| 指标 | 改善前 | 改善后 |
|---|---|---|
| 准交率 | 约 70% | 86%（提升 16 个百分点） |
| 客户投诉率 | — | 下降 40% |
| 质量追溯耗时 | 2-3 天 | 几分钟（一次审计中 1 小时内完成全部资料导出） |
| 非计划停机 | — | 减少 35% |
| 数据标准 | ERP/PLM/MES 三套编码 | 全公司统一物料编码、BOM、工序名称 |
准交率：从"靠电话催"到"看屏幕知"。 在制品跟踪看板上线后，管理者点击任一订单即可掌握实时进度和延误风险。
质量追溯：从"两三天"到"几分钟"。 过去翻纸质流转单和散落 Excel 需要两三天，现在输入订单号即出全链路数据。
设备管理：从"说不清"到"可量化"。 OEE 自动计算，停机原因分类统计，设备科据此制定预防性维护计划。
数据标准：从"各说各话"到"一套语言"。 物料编码、BOM 结构、工序名称在全公司统一，跨部门沟通不再反复核对口径。
数据资产：从"散落各处"到"持续沉淀"。 订单、设备、质量等核心数据已沉淀为数字化资产，成为预测性维护、智能排产等 AI 应用的基础底座。
五、行业启示：离散制造的数字化路径
这个案例可总结为三点：
治理先行，不急于上应用。 DAMA-DMBOK2 反复强调：数据治理是数据价值实现的基石。先统一主数据标准、建立数据质量规则，再谈报表和分析。很多人一上来就想做大屏看板，但数据没理清楚、标准没统一，看板上的数字再漂亮也是"假数据"。
用真实场景倒逼落地。 在制品跟踪、质量追溯、设备 OEE 这三个场景不是因为"功能列表上有"，而是因为企业每天都被这三个问题困扰。用最痛的点驱动治理，比按部就班推进更有效。
六层数据模型是离散制造的关键。 "订单—工单—工序—设备—人员—物料"这套模型，把离散制造的核心要素串成了一个可计算、可追溯的数据链。这一思路与国际自动化学会 ISA-95（IEC 62264）标准不谋而合——该标准将制造企业划分为企业层、车间层、设备层等功能层次，强调各层级数据的标准化建模与互操作。不同类型的企业需要构建自己行业的数据模型——化工行业的"批次—配方—工艺参数"，建筑行业的"项目—标段—分项"——但思路一致。
参考来源
[1] DAMA International，《DAMA-DMBOK2: Data Management Body of Knowledge》
[2] GB/T 36073-2018《数据管理能力成熟度评估模型（DCMM）》
[3] ISA-95（IEC 62264），国际自动化协会企业控制系统集成标准
