一文理解数字化转型、数据治理、数据中台和数字化工厂的关系

什么是数字化转型、数据治理和数字化工厂？数字化转型、数据治理和数字化工厂这三者之间有什么关联？本文从数字化转型的视角，来探索数字化转型、数据治理和数字化工厂之间的关系。

本文观点：数据和数字技术是数字化转型的驱动力，数据治理是数字化转型的基础，数字化工厂是制造型企业数字化转型的定位和成果展现。

一、数字化转型的本质

业界目前对数字化转型没有统一的定义和描述，个人观点：企业数字化转型，就是以价值创新、价值增长和降本增效为目的，以数字技术为依托和手段，让数据像气和血液一样流动起来，重塑企业商业逻辑和价值链重塑，使得企业全价值链可视化、透明化、可检测，实现全面感知、自我预警、无缝衔接、智能决策、控制执行和自适应的数字生态系统。

转型的目的：价值创新、价值增长、降本增效
转型驱动力：数据和数字技术
转型的对象：商业逻辑和商业模式
转型的本质：价值链重塑和商业重构
转型的定位：可视化、透明化、智能决策、自适应的数字生态系统

通过数字化转型，企业实现从业务到数据、数据到信息、信息到知识、知识到智慧/决策的4个高效转换，对外实现客户满意，对内实现效率提升、降低成本、价值增长和价值创新。

二、数据治理数字化转型的基础

数字化转型的驱动力是数据和数字技术，但企业数据管理现状往往达不到要求，也存在一系列问题，比如数据孤岛、分散难管理，数据采集、获取困难，数据质量管理难，数据管理、模型开发标准混乱，缺乏组织架构保障导致推进难度大。

要解决这些问题就需要对数据进行盘点，盘点有哪些数据、数据在哪里以及有多少数据；需要对数据进行治理，包括数据标准化、上下文信息维护，提升数据质量，明确角色、工作责任和工作流，然后让数据说得清、数得清、管得清、用得好。

因此数据治理是数字化转型的前提和基础型工作，需要对数据进行全面管理、维护和优化，确保数据的正确、一致、可靠，并推进数据共享、数据价值挖掘和数字化转型。

数据治理作为数字化转型的基础型工作，往往很难一下子看到或带来直接效益，对数据治理咨询项目来说尤为如此。数据治理还需要后续一系列的环节和过程才能带来直接效益，比如搭建数据中台或建设数字化工厂。

最近我接触过的一些数据治理咨询项目，有些就卡在数据治理项目收益环节，因为不能充分跟公司高层和老板说清楚数据治理带来的直接效益和价值。高层和老板都知道数据治理的重要性和必要性，但由于看不到直接项目价值和效益使得项目延缓或暂停。

我们通常说不能让孩子输在起跑线上，因此从胎教、幼儿园和小学开始做各种内卷和培优。数据治理就好像上幼儿园和小学，我们不会奢望上完幼儿园和小学就能出社会创造一番事业，但如果不经过幼儿园和小学的学习，就上不了初中、高中和大学，更难以在社会上有所作为。

所以数据治理是数字化转型的基础，但要说数据治理尤其是数据治理咨询项目可以带来直接效益，估计没有哪个甲方和乙方能说得清，也没有谁敢这么说。但如果不做数据治理，要想企业实现全价值链可视化、透明化、可检测、全面感知、自我预警、无缝衔接、智能决策、控制执行和自适应就基本上没有可能。

我们以数据资产盘点为例来直观理解下数据治理的作用和价值：


菜市场，我们理解为数据治理前，这个时候有什么特点呢？1、每个商贩都按自己的习惯摆放菜品，对应陈列无规律；2、同一商品有不同称呼，比如可以叫西红柿，也可以叫番茄，对应口径不一致；3、不同商贩间菜品多是重复，并且无关联，对应数据孤岛、无统一编码和标准；蔬菜超市，可以看成是数据治理后，这里就有陈列、有统一的商品编码和标准，至于数据治理后有哪些好处和价值，相信每个人都能说出很多点。

通过数据治理将无序数据形成数据资产后，通过数据中台建设可以实现全域打通、跨域打通、可视化、透明化和预测预警，通过数字化工厂的建设来实现设计/生产、智能/决策、控制/执行和自适应，以满足需求驱动的个性化产品和订单驱动的计划动态多变等场景。

数据中台建设后通常在数据可视化、数据共享服务（API）、指标体系、业务赋能、业务创新、生态打通等方面有较多尝试和应用，但这些都还是企业经营管理和业务系统层面，未来对于制造型企业会更多聚焦智能制造和数字化工厂建设。

三、数字化工厂是制造型企业数字化转型的定位和成果展现

对工业制造型企业来说，数据治理主要包括设备故障预警、异常实时告警、异常回溯、产品稳定性和生产效率优化等业务场景。随着数字化进程的推进，制造型企业积累了大量的数据，这些工业数据可划分为操作技术数据(OT)和信息技术数据(IT)。

OT数据是工业数据的主要部分，源自工业生产智能产品、机器设备、自动化采集系统等，包含时序数据和非时序数据。时序数据包括温度、压力、流量等数据。非时序数据包括工业系统的日志数据以及生产调控的历史数据。

IT数据主要包括PLM、ERP、MES、WMS、TMS等工业软件系统的数据。关于数字化工厂建设对传统PLM、ERP、MES、WMS等业务系统带来哪些挑战和变化。

IT数据孤岛我们容易理解，平常也探讨比较多，工业数据也具有隔离性、多样性和关联性的特点。隔离性：工业数据往往来自多道工序的多台设备，设备独立工作以及工序间数据互不流通，形成数据孤岛；多样性：工业数据来源多样，结构复杂，除工业生产中所采集的温度、压力、流量等结构化数据之外，还包括视频、图片、文件、语音等非结构化数据；关联性：生产指标间的关联，如原料燃料流量、温度、压力的关联；生产过程的关联，如生产工序间的工艺参数关联关系；产品设计制造等环节之间的关联，如仿真过程与产品实际工况间的关联。

智能制造能力成熟度模型由中国电子技术标准院  ( CMMM )  研究提出，智能制造能力成熟度矩阵是在充分研究中国智能制造系统架构、工业4.0参考架构模型  ( RAMI 4.0 )、美国工业互联网参考架构，深入挖掘智能制造内涵的基础上制定。

CMMM根据“智能+制造”两个核心维度，分解为设计、生产、物流、销售、服务、资源要素、互联互通、系统集成、信息融合、新兴业态10大类能力以及细化的27个要素域，对每个域进行分级，每一级别对应相应的要求，构成智能制造能力成熟度矩阵 。

百度百科对数字化工厂（DF：Digital Factory，DF）的解释：以产品全生命周期的相关数据为基础，在计算机虚拟环境中，对整个生产过程进行仿真、评估和优化，并进一步扩展到整个产品生命周期的新型生产组织方式。

数字化工厂也有称数字化未来工厂（浙江省在数字经济和制造业高质量发展背景下提出的 ）、灯塔工厂（世界经济论坛和麦肯锡共同推出）、黑灯工厂等。

从数字化转型的视觉看，数字化工厂是以对外实现客户满意，对内实现效率提升、降低成本、提高质量和价值创新为目的，以数字技术为依托和手段，连接、重塑生产线与生产设备，打通和融合数字世界和物理世界，实现自动化、透明化、全面感知、自我预警、智能决策、控制执行和自适应的先进的制造模式。

数字化工厂涉及面较广，通常会涵括智能设备链接与数据采集、IOT平台横向打通和管理智能设备、边缘层数据计算、自适应软硬件（如机器人坐标标定、自适应、PLC编程、数字孪生），工业大数据平台、数字化研发/设计（PMS）、数字化规划（数字孪生、仿真验证）、智能化生产（ERP、MOM、LES）和数字化管理（如精益管理）等。

数字化工厂是制造型企业数字化转型的定位和成果展现，通过建设“智能工厂+智慧供应链+企业数字化大脑”的数字化未来工厂，企业可以快速相应和满足市场个性化定制、网络化协同和服务化延伸的需求。

四、结语

目前对于企业来说，数字化转型已经不是做和不做的选择，而是考虑从哪里着手，采用什么实施路径和节奏来实现的问题。

通常企业会先做数字化转型咨询，评估企业数字化能力成熟度等级，然后做企业数字化顶层设计和实现路径。对制造型企业来说，在数字化转型规划之后，通常会开展数据治理工作和数字化未来工厂建设规划，然后采用小步快跑、快速迭代的方式一步步实现企业的数字化转型目标和定位。

市场已经出现提供“一站式数字化转型咨询、数据治理咨询、数字化工厂规划与建设实施、工业软硬件产品和服务”的新型端到端数字化解决方案服务商。

这类服务商通常需要具备两方面的基因：一是传统制造业基因，即在制造业有很深厚的底蕴和沉淀，且自身有很强的数字化基础和实践；另外需要有数字化设计与制造创新的基因，即融合了新技术、新思维、新模式、新业态、新制造的数字化基因。融合这二种基因并产生“1+1大于2”协同效应的数字化解决方案服务商，将会成为智能制造领域的践行者和引领者。