"昨晚客户又改交期了，这个订单得插进来。" "BOM 还得再调一下，采购那边到货也晚了三天。" "机加工那台设备又停了，不知道什么时候能修好。"
这家企业是国内工业自动化控制阀领域的头部企业，产品覆盖石油化工、电力、冶金等行业，多个生产基地年产控制阀数十万台，客户遍布国内外大型工业集团。但规模越大，数据的"散"和"变"就越突出——订单、设计、物料、设备状态每时每刻都在变化，信息却散落在 ERP、PLM、MES 和一堆纸质流转单里。
项目启动初期，龙石顾问团队对企业的 ERP、PLM、MES、SCADA 等核心系统进行了全面调研，发现了一个典型的离散制造困局：
很多制造企业认为自己缺的是 MES，但实际上在服务离散制造客户时发现：企业最大的瓶颈往往不是系统数量不足，而是订单、工艺、设备、质量数据无法形成统一链路。尤其在按单设计、多品种小批量的模式下——订单变更会影响 BOM，BOM 变化会影响采购，采购延迟会影响排产，设备停机会影响交付。如果这些数据分散在多个系统中，管理层几乎不可能实时掌握真实情况。
当管理层想回答"某个订单现在做到哪了""为什么这个批次老出问题""那台设备到底停了多少次"时，往往要等半天甚至几天。
这不是个案。离散制造企业的数据之困，几乎都集中在四个环节。
一、四个痛点：看得见的效率损耗
计划排产难。 销售订单频繁变更交期，设计 BOM 常需修改，采购到货不准时，车间设备突发故障——任何一个环节的变动都会打乱生产计划。排产结果与实际执行严重脱节，准交率持续承压。
过程不透明。 一个控制阀要经过机加工、装配、测试、喷涂等多道工序，每道工序的在制品数量、进度、质量状态主要靠纸质流转单。管理层想知道"做到哪了"，半天也拿不到准确答案。
质量追溯慢。 客户投诉某批次产品存在泄漏，质量部门需要追溯该批次的原材料批次、加工设备、操作人员、检验记录。数据散落在不同工位的纸质记录和 Excel 中，追溯一次耗时数天，还容易遗漏。
设备管理弱。 车间数控机床、加工中心等设备众多，但运行状态、故障记录、OEE 等数据未系统采集。设备科只知道"坏了"，不知道"坏在哪、停了多久、根因是什么"，预防性维修无从谈起。
顾问的诊断很直接：离散制造的问题本质不是缺系统，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。
项目实施中最大的挑战，出人意料地不在技术上，而在"理"这个环节。
同一个零部件——比如一台控制阀的阀体——在 ERP 系统里用采购编码，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，同一个东西对不上。项目团队联合采购、设计、生产三个部门，把核心物料逐一拉出来对账：这个编码对应哪个图号、那个图号在车间叫啥名。前后花了近三周，最终统一形成了企业级主数据标准。
这正是龙石多年来坚持"产品+培训+陪跑"模式的原因——不是替客户做完就走，而是让客户自己具备持续治理的能力。 具体分两步：
第一步，培训。 在项目启动阶段，企业信息部门的核心团队集中学习，内容包括三个层次：理论层覆盖 DCMM 和 DAMA 框架，帮团队建立数据治理的整体认知；模拟层用沙盘案例演练"理采存管用"的完整流程；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，把"听的"变成"会的"。
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——比如这次的生产域——和客户团队一起跑。但跑法很明确：顾问指导，客户操作。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完成，顾问在旁边把关。目标不是"帮你把数据治好了"，而是"你们自己能治了"。
正是这套"先培训、再陪跑"的打法，让下面的落地过程不只是实施记录，而是企业自己逐步建立数据能力的过程。
二、落地：从统一主数据到三个核心应用
项目最先做的不是建模型，而是统一主数据。因为在前期调研中发现：同一个零件在设计部门、采购部门、生产部门可能对应三套不同编码。数据不统一，后面所有分析都会失真。团队带着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，制定了企业级的编码规范。针对离散制造"订单—工单—工序—设备—人员—物料"的六层结构，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"。
主数据统一后，项目组开始打通 ERP、PLM、MES、SCADA、质量系统，将订单、BOM、工艺路线、工序报工、设备状态、质量检验等数十张核心业务表全部接入数据中台。基于六层主数据模型，围绕计划排产、在制品跟踪、质量追溯、设备 OEE 四个主题构建了关联模型——通过统一的订单号、物料编码、设备编号，跨系统数据首次实现了按需关联。
数据接入的同时落地治理规则：物料主数据去重与合并、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 数据管理知识体系（DMBOK2）的最佳实践——让数据"从哪里来、经过了什么处理"一目了然。
在此基础上，项目组交付了三个核心应用：
在制品跟踪看板：通过集成工序报工、设备状态等数据，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，关联工艺路线中的标准工时，自动生成订单进度看板。管理层点击任一订单，即可下钻到该订单当前所在工序、预计完成时间、已延误原因。
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"的关联模型。当遇到质量问题时，通过订单号自动关联出所用原材料的采购批次、各工序的加工设备与操作人员、每个检验项目的实测值。
设备 OEE 分析：通过设备运行信号与停机记录等数据，计算每台设备的 OEE（时间开动率、性能开动率、合格品率），并按故障、换型、待料等维度分类统计停机原因。设备科据此制定预防性维护计划。
三、效果：五个可量化的改变
1. 准交率：从"靠电话催"到"看屏幕知"。
项目建设前，订单进度全靠电话和微信沟通，计划调度每天花大量时间追问车间，准交率长期徘徊在 70% 左右。在制品跟踪看板上线后，管理者点击任一订单即可看到当前工序、完成进度和预计延误风险。准交率从约 70% 提升至 86%，客户投诉率下降 40%。
2. 质量追溯：从"两三天"到"几分钟"。
过去遇到客户投诉，质量部门要翻遍纸质流转单和散落的 Excel，追溯一个批次的完整记录通常需要两到三天。现在输入订单号即可一键获取原材料批次、加工设备、操作人员、检验记录的全链路数据。质量追溯从 2-3 天缩短到几分钟，一次客户审计中 1 小时内即完成全部资料导出。
3. 设备管理：从"说不清"到"可量化"。
项目前设备科只知道设备"坏了"，停机多久、根因是什么、影响了多少产出——全凭经验估算。现在 OEE 自动计算，停机原因按故障、换型、待料等维度分类统计。设备科据此制定预防性维护计划，非计划停机时间减少 35%。
4. 数据标准：从"各说各话"到"一套语言"。
项目前，同一个物料在 ERP、PLM、MES 里各有各的编码，生产、采购、财务三套口径经常对不上。现在物料编码、BOM 结构、工序名称在全公司统一，大幅消灭了"账实不符"的差异项，跨部门沟通不再需要反复核对口径。
5. 数据资产：从"散落各处"到"持续沉淀"。
项目前，订单、设备、质量等核心数据散落在各个系统中，既不可见也不可用。现在这些数据已沉淀为企业的数字化资产，成为后续推进预测性维护、智能排产等 AI 应用的基础数据底座。
四、启示：离散制造的数字化路径
这个案例的经验可以总结为三点：
治理先行，不急于上应用。 正如 DAMA 在《数据管理知识体系指南》（DMBOK2）中反复强调的：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。
