数据管理助力钢铁企业智能制造落地

□ 王璇

一、引言

近年来，作为制造业主攻方向的智能制造正在钢铁企业中如火如荼地进行。李克强总理在政府工作报告中提出“智能+”[1]，更是把制造业智能化发展推向了新一轮的高潮。钢铁企业通过人工智能、云计算、大数据、5G等先进的技术逐步实现智能装备、机器替人、智能工厂、智能管理、智能决策的落地。不可否认，智能制造是钢铁行业未来最核心的竞争力。但是，有些企业在推行智能制造的过程中，单纯为了智能制造而智能制造，盲目跟风现象严重。这导致投入了大量的人力、财力和精力，却没有达到预期的效果。

所幸，越来越多的钢铁企业已经意识到，企业要想更好地推进智能制造落地实施，首先必须要夯实基础。数据作为钢铁企业最重要的资产[2]，是企业走向智能制造的基础所在。企业最有说服力的管理就是用数据说话。马云曾说过，谁掌握了数据，谁就掌握了未来。通过对多个钢铁企业的调研，笔者发现钢铁企业的数据管理中普遍存在的一些共性问题。

二、企业数据管理存在的问题

1.数出多源导致数据同步难

相同的数据应用于不同的信息系统中，各信息系统又由不同的部门进行管理。导致数据口径不一致，缺乏统一的标准规范和编码管理，多套编码并存，一物多称谓现象较为严重，难以保证物料编码的唯一性。

2.传递不畅导致数据共享难

系统建设过程中往往是急用先上，对信息化没有做统一规划。由于不同的系统由不同的开发商提供，每个系统中的数据存储方式和维护方式不同。系统间集成度较差，数据在系统之间流转不顺畅，数据落地现象严重，没有实现互联互通和数据共享，难以对数据资源进行利用，不利于领导决策和风险防控。

3.缺少积累导致数据分析难

很多钢铁企业的管理者之前并没有充分认识到数据的重要性，对企业历史数据的积累也没有引起足够的重视。同时，由于信息系统上的时间较早，数据库容量有限。导致企业历史数据只能保留几个月甚至更短的时间。历史数据的缺失直接影响到对数据的追踪和对趋势的分析，无法对企业高层决策提供有力的数据支撑。

4.认识不足导致数据安全难

数据是企业的重要资产，尤其是一些核心数据，是企业关键竞争力所在。在网络互联的环境下，企业数据信息存在较大的安全威胁。很多钢企由于管理者对数据的安全管理认识不足，安全意识薄弱，大部分数据都处于“裸奔”状态，存在数据被攻击、篡改、泄露的安全隐患和风险，严重的情况会给企业带来重大的经济损失。

三、解决思路

针对钢铁企业数据存在的上述问题，建议通过如下步骤逐步解决，让数据真正起到其应有的作用，实现企业数据的价值。

1.成立数据管理委员会

要想管好钢铁企业的数据，首先要给数据找到主人，即要明确企业的数据到底由谁来负责管理。钢铁企业应成立数据管理委员会。数据管理委员会可以结合钢铁企业实际情况来决定是否单独成立部门。由于国有钢铁企业组织架构调整的流程相对复杂，因此也可由企业信息管理部门牵头，抽调各业务部门人员共同组织虚拟部门。但不管采取哪种方式成立部门，都需要组建领导小组，由企业一把手担任组长，全面落实“一把手”的数据管理责任；由高层领导担任副组长，负责跟踪数据管理工作的推进。由信息部门（针对国有钢铁企业）作为成员牵头负责组织数据治理工作的具体落实。数据管理委员会框架见图1。

图1 数据管理委员会框架

领导小组下设综合管理组和数据维护组。

综合管理组负责企业数据管理标准规范的制定；日常沟通协调，监控日常工作开展；推动数据管理制度落实及问题解决；对数据管理进行考核激励、定期培训；形成数据分析报告。数据维护组负责企业基础数据、业务数据、流程数据、非结构化数据（如文件、视频、音频等）的业务规则制定、管理和运行维护，保证数据从产生、获取、存储、共享、应用、消亡全过程的完整、准确、及时、安全。

此外，对钢铁企业来讲，数据管理是一项复杂繁琐的系统工程。因此，建议企业在开展此项工作之前，要客观评估自身能力。如果单凭自身实力难以完成此项工作，建议引进“外援”，让专业的外部数据管理机构参与企业的数据管理工作。

2.梳理数据现状

对于企业数据治理涉及到的所有部门进行现状调研及分析，通过“三清”掌握企业的数据现状。

——摸清数据源头：万物皆有源，对于企业数据也一样。企业中的数据，无论是动态的还是静态的，无论是经营数据还是生产数据，都有其来源，要通过调研摸清每个数据的源头及归属部门。

——捋清数据关系：企业每个有价值的数据（不论是原始数据、过程数据还是结果数据）都不是孤立存在的，都与其他数据有着千丝万缕的联系。只有通过梳理，捋清数据间的关系，才能全面掌握数据脉络和真实流动方向。

——理清数据问题：基于上述的梳理结果，结合企业数据现状及未来需求进行比对。找出企业中数据现存的问题，并对问题进行汇总、分析、归类，同时，找出导致问题的根本原因。

3.建立编码体系

钢铁企业由于历史原因，大多存在多套编码并存的现象。为解决多套编码并存问题，做到“同一数据，数出一源”，需建立一套完整统一的编码体系，指定建立方法（包括命名规则、数据格式、数据模型等）。钢铁企业编码体系主要从人、财、物、产、供、销、其他（本文暂不讨论）几方面展开（见图2）：

图2 钢铁企业编码体系

——人：包括组织机构、人员信息、岗位、职责等。

——财：包括会计科目、预算科目、成本中心、利润中心等。

——物：包括生产、经营、管理、IT技术涉及到的物料、产品、资产、设备等。

——产：包括工厂、车间、工序、班组等。

——供：包括供应商、付款方式、合同、仓库等。

——销：包括客户、收款方式、合同、仓库等。

同时，在建立编码管理体系的时候，应充分考虑企业数据现状，针对不同的数据采用不同的方式方法逐步纳入到编码管理体系中来，具体如下：

——逐步替换法：针对已应用的重要的业务系统（此类系统功能复杂、数据量大），系统中的数据短时间难以替换的，可以先比对建立对应关系，随着系统历史数据归档，逐步将系统中的数据纳入到编码体系中。

——直接替换法：针对已应用的一般的业务系统（此类系统功能简单、数据量小），通过替换的方法，直接按照新建的编码体系规则替换系统中的原有数据。

——直接采用法：针对尚未建设的系统或还未上线的系统，对系统中的数据直接采用编码体系。

通过编码体系的建立，钢铁企业逐渐积累并形成标准的编码库，保证编码的系统性、唯一性、正确性、适应性、方便性、可扩展性。

4.明确传递流程

除基础数据外，企业业务数据基本都是动态变化的，随着企业每笔业务的发生，数据也经历了初始数据—过程数据—结果数据的转变过程。因此，需要针对企业的每笔业务，明确数据的传递流程及上下游之间的数据转换及传输接口（包括系统内、系统之间、业务之间、企业内外部等）。实现数据在流程中传递，流程反映数据变化（见图3）。

图3 企业数据传递流程

——人：贯穿于企业从对人员获取、任用、培训上岗、激励到人员退出的各个过程。

——财：贯穿于企业筹资、运营、投资、收益分配等各个过程。

——物：涵盖生产、经营、管理、IT技术涉及到的物料、产品、资产、设备的购置、研发、安装、运行、维修、改造、更新，直至报废的各个过程。

——产：贯穿于焦化、烧结、球团、炼铁、炼钢、轧钢等产线各工序，涉及生产过程的计划、质量、能源、物流、安全、环保等数据传递过程。

——供：贯穿于采购、到货验收、入库、领用各个过程。

——销：贯穿于销售、收款、出库、发货各个过程。

5.建立保障机制

（1）运维保障

建立数据运维保障机制，包括数据运维服务目录、运维过程管理、运维知识库。

——运维服务目录：建立钢铁企业数据运维服务目录（包括服务类别、服务内容、服务方式、服务对象级别、执行人员级别、响应时间、事件升级、考核标准等）。对服务目录定期更新，明确数据服务范围和边界。

——运维过程管理：根据运维服务目录对钢铁企业的数据需求从运维发起、受理、派工、处理、关闭进行全过程跟踪、管理，便于追溯。

——运维知识库：面对钢铁企业日益复杂的数据需求和应用，建立运维知识库（包括知识分类、检索、管理、评价、共享），提高企业数据问题和事件的响应速度和解决效率。

（2）安全保障

建立数据安全保障机制，为企业数据提供可靠的安全保障。主要包括数据的物理安全和操作安全[3]。

——物理安全是利用安全装备和安全系统，用于避免数据在被访问、使用、存储过程中的危险攻击和安全威胁。

——操作安全是通过安全教育培训，不断提高人员安全意识和操作能力，避免因人为误操作对数据造成安全隐患或威胁。

（3）质量保障

对钢铁企业数据生命周期内各阶段的数据进行质量规划、质量保证、质量控制和质量改进[4]等。

——质量规划：制定数据质量标准和指标，以及为达到质量标准和指标所采取的方法和措施。

——质量控制：对数据生命期内各个环节进行质量控制，监督检查数据质量，及时发现质量隐患，采取预防措施，不断提高系统运行质量和服务质量。加强对数据的统计分析和质量监督检查工作，形成从下到上逐级负责、从上到下逐级监督检查的质量管理流程，并将数据质量检查结果与考核挂钩，奖优罚劣。

——质量改进：定期进行质量分析，找出导致数据故障或异常现象的原因，提出并采取预防数据质量下降或改善数据运行质量的相应解决措施。同时，制定数据质量考核评定的具体办法及标准，由数据管理委员会进行审核，作为奖优罚劣的重要依据，不断提高数据质量，进而提高和改进企业的运营效率。

6.搭建管理服务平台

通过数据管理服务平台实现数据的高度融合、随需扩展、实时共享、分析应用、价值挖掘，大大提高了数据的准确性和及时性，降低了数据的管理成本，并通过可视化技术和多维度的查询分析手段做出预测性的判断，有力支撑了钢铁企业的经营决策。主要包括以下方面：

——数据记录：对数据生命期的全过程进行记录，包括数据编码规则、数据来源、存储位置、状态变化、转换方式、应用场景等。

——数据管控：对企业数据从源头到数据存储、数据转换直至数据应用、消亡的全过程进行跟踪，做到追本溯源，随时掌控每个数据的来龙去脉。同时，提供对数据的进一步分析、挖掘、预判、展现等功能。

——数据服务：提供数据查询、调用、订阅等服务，满足不同用户对数据的个性化需求。

四、结论

钢铁企业通过有效的数据管理，充分保障了数据源头规范统一、数据传递及时有序、数据状态实时跟踪、数据分析准确高效、数据服务个性多样，实现了让正确的数据在正确的时间以正确的方式自动传递给正确的接收方，为钢铁企业决策支持提供强有力的支撑，最大程度发挥数据价值，助力钢铁企业智能制造落地。○