网络协同制造模式下企业数据治理难点与对策研究

【摘" 要】数据治理对于释放数据要素价值、赋能制造业高质量发展具有重要意义。网络协同制造成员间的数据流通壁垒、协同关系的动态性、制造场景的多样性加剧了数据治理环境的复杂性，对制造企业开展数据治理实践提出了新要求。基于此，论文在梳理网络协同制造数据类型及特征、分析数据治理内容和难点的基础上，提出相应对策，以供参考。

【关键词】数据治理；网络协同制造；对策

【中图分类号】F426；F49" " " " " " " " " " " " " " " " " " " " " " "【文献标志码】A" " " " " " " " " " " " " " " " " " " " " " " " "【文章编号】1673-1069（2024）09-0119-04

1 数据治理的国内外研究动态梳理

传统的数据治理研究主要解决微观组织内部数据资产的决策权、角色和责任分配问题，当前在治理机制（包括治理结构、治理流程和交互机制）、治理前因和治理结果方面均产出了丰富的研究成果[1]。最受关注的领域是治理框架的构建，目前学术界广泛认可的通用数据治理框架主要有国际数据治理研究所（The Data Governance Institute）的DGI框架和国际数据管理协会（The Data Management Association）的DAMA框架，后者强调数据治理的功能和环境要素，前者则侧重数据治理的过程体系。许多学者在通用数据治理框架的基础上结合行业特点和治理需求开展不同领域的数据治理研究和实践，主要集中在图书馆、金融和科研等数据密集型行业，涉及数据质量、数据安全、数据架构、数据生命周期、数据存储和IT基础设施等内容。

近年来，数据治理研究逐渐由聚焦组织内部的数据自治向跨越组织边界的数据共治方向发展。组织间数据治理尝试通过机制设计创建一个协作和信任的环境，解决个体冲突，使跨组织协作的所有参与方能公平、有效地共享数据资源。该领域的研究主要聚焦技术层面的数据治理架构搭建和管理层面的治理体系构建两个方面，前者以区块链、语义网、隐私计算和数据湖等新兴技术为基础，后者则重点关注数据共治面临的问题和难点、跨组织协作模式和影响因素、数据治理对策等内容。

目前，关于智能制造和制造企业数据治理的研究很多，但鲜有研究将二者衔接起来。Krumay et al.[2]通过案例研究分析了数字化转型为制造企业数据治理带来的挑战，提出了数字化数据治理概念，阐述了其与企业治理、IT治理、应用治理、数据架构和数据质量的关联。Morris et al.[3]指出，智能制造信息治理的三大基础是：支持数据质量和信息可靠性、为数据分析和决策提供语义上下文、提供系统上下文以实现业务集成和验证。Sundarraj et al.[4]总结了智能工厂的3种数据治理模式，分别为：竖井数据治理、集中式数据治理和联邦式数据治理，构建了自动化元数据管理的系统架构。Marx et al.[5]通过系统的文献综述和制造领域专家研讨，制定了智能制造数据管理需求目录，在此基础上设计了一个由业务层、应用层和数据处理层构成的数据管理框架。尽管取得了一些成果，但现有研究聚焦智能工厂内部的数据治理问题，多采用技术驱动的单一视角，对制造组织间新型协作形式下的数据治理关注不足。网络协同制造是充分利用Internet技术为特征的网络技术、信息技术，实现供应链内及跨供应链间的企业产品设计、制造、管理和商务等的合作，达到资源最大利用目的的一种现代制造模式[6]。研究该种模式下企业的数据类型和特征、数据治理内容、治理难点和对策，对于提升企业数据治理能力、发挥数据要素驱动制造创新的作用具有重要意义。

2 网络协同制造数据的类型和特征

2.1 网络协同制造数据的类型

在网络协同制造模式中，按照数据资源来源主体的不同，可将制造各参与方之间流通的数据划分为硬制造资源数据、软制造资源数据、产品数据、组织协同行为数据和智力资源数据5类。

硬制造资源数据：制造过程各环节使用的物料、设备和硬件资源的相关数据，包括资源的档案信息、实时状态数据和业务流程数据。例如，智能设备的设备类型、机型、出厂编号等基础档案；设备工况、作业情况、在线状态、统计报表等实时数据；维修业务、保养业务、巡检业务、技改业务等业务流程数据。

软制造资源数据：参与网络协同制造的软件信息、工艺知识、客户数据、人力资源和物流信息数据。包括各类产品开发、经营管理和生产制造软件的档案、状态和维护信息；工艺知识、能力、过程信息，工艺卡片和辅助信息；客户参与制造产生的数据；人力资源数据；物流信息数据。

产品数据：围绕网络协同制造模式，从客户需求到销售、研发、设计、制造、供应、交付、售后运维、报废或回收再制造等整个产品全生命周期各个环节所产生的产品质量关联类数据。其是开展产品质量管理、实现企业间涵盖产品生产制造与运维服务各环节的信息溯源的主要数据源。

组织协同行为数据：网络协同制造参与方在协同制造各环节通过决策、沟通、协调等活动产生的过程数据，如协同制造平台或沟通软件采集到的沟通主题、沟通频次数据，会议记录，制造平台日志，等等。

智力资源数据：网络协同制造过程中积累的知识库和科技成果数据，如故障知识库，行业发展、宏观政策知识库；发明专利、实用新型专利、版权、商标、专业技术和商业秘密等。大部分智力资源数据具有知识产权保护要求。

2.2 网络协同制造数据的特征

上述数据是网络协同制造数据治理的主要对象，具有多样性、价值性、共享性和垄断性并存等特征。数据多样性体现在：数据来源广，分布于参与协同制造的各企业的文件，制造执行系统、企业资源计划、顾客关系管理和产品生命周期管理等业务应用系统数据库，数据仓库、机器和社交通信网络当中；数据种类多，既包括各类系统中的结构化数据，也包括产品设计文件、图像、非结构化机器日志等半结构化、非结构化数据；数据差异大，由于各参与企业的数字化发展阶段、擅长领域、数据资源条件不同，积累的数据在维度、粒度、格式、数据模型上具有显著差异。数据在网络协同制造各参与方之间流通，通过赋能企业间技术合作、刺激创新、制造过程协作和业务过程持续优化，产生巨大的潜在价值。同时，数据的价值性与其应用场景和开发深度密切相关。作为一种重要的生产要素，数据在网络协同制造的论证、设计、生产、实验各阶段流通和集成，体现了数据的共享性。然而，智力资源数据作为企业的核心资源，受法律保护，具有垄断性。

3 网络协同制造模式下企业数据治理的内容和难点

3.1 数据治理内容

网络协同制造数据治理的关注范围和内容包括：数据标准、数据质量、数据驻留、数据安全和共享元数据。数据标准主要指制造企业和业务场景领域级别的数据管理标准和规则，包括数据定义、分类、分级、粒度标准，数据和元数据质量标准，数据驻留、融合及交换规则等，它们是数据治理的基础。数据质量管理是在数据整合和交换过程中，通过技术和管理手段保证数据质量，包括内在数据质量（数据集的准确性、完整性、一致性、及时性和有效性）和上下文数据质量（依赖于给定场景的数据的价值和相关性），数据质量是网络协同制造数据治理关注的核心内容。数据驻留机制解决数据和元数据在分布式环境中的位置和访问权限问题，包括确定数据所有权和访问权、明确收集数据的目的、阐明数据的使用方式和留存时间等。对于技术、工艺和供应网络内部机密数据，综合运用动态脱敏、访问控制和风险监控等措施保障数据在共享和使用过程中的安全，对于客户尤其是公民私有数据的获取和使用，则要保护隐私并遵守数据伦理。元数据是描述数据的数据，基于共享元数据，网络协同制造参与方可以追溯数据源，更好地理解数据集之间的关联，为制造过程中的数据分析和决策提供语义上下文。共享元数据管理包括共享元数据质量和可用性判断、为共享数据建立统一的术语框架等内容。

3.2 数据治理难点

与传统制造模式下的数据治理相比，网络协同制造数据治理是基于平台的、多主体参与的跨组织联合行动过程，主要面临以下难点：

第一，数据分布在各参与成员的各类企业应用中，存在流通壁垒。参与网络协同制造的数据散布在制造各参与成员的各类不同版本的企业应用中，数据标准、数据格式、数据模型、数据结构和数据质量各异，数据关联性弱，流通受阻。数据治理不仅依赖于各成员企业内部的企业应用集成程度，还要重点解决跨组织、分布式的数据协调一致和业务整合问题。打通数据流通壁垒受到技术、经济、时间和人力资源条件的约束。

第二，协同关系存在动态性，治理主体的利益诉求可能不统一。网络协同制造数据治理需要制造各环节和价值链上的多主体充分参与：①治理主体间可能存在既合作又竞争的关系，个体利益诉求和全局治理目标不统一甚至会产生冲突；②治理主体的地位对等，一方很难监督和干预其他参与方的行为；③随着制造过程的推进和对数据需求的调整，治理主体可以加入或退出合作。一方面，协同关系的动态性使得相比整体目标，企业更关注自身目标的实现，数据作为战略资源，利益不一致会削弱成员企业参与数据治理的积极性，出于维护自身利益的考虑企业不愿意共享数据，进而加深数据垄断；另一方面，由于数据资源复制、转发成本低廉，协同关系的动态性可能增加数据泄露和合规风险。

第三，网络协同制造数据治理没有通用的模式和方案。数据治理通过整合、协调各制造成员的数据资源，促进数据在制造各环节的流通和价值实现，赋能制造模式、技术和产品创新。不同的网络协同制造项目在业务场景、协同目标、协作方式、管理复杂性等方面存在差异，数据需求规模、数据共享的深度和范围也各不相同。数据的多样性和数据驱动决策对场景的依赖性增加了治理决策的复杂性，因此，不存在适用于网络协同制造所有场景的通用数据治理方案。

4 网络协同制造模式下企业数据治理的对策

4.1 发挥平台型制造企业的引领作用，组建数据治理联盟

在网络协同制造模式下，平台型核心制造企业通过建设和管理制造平台及数据池，具备整合供应链数据资源、促进数据积累转化、提供数据服务的竞争优势，在数据共治过程中发挥着主导作用。核心企业首先要积极开展数据自治，一方面通过数据自治打破企业内部不同部门及环节之间存在的“数据孤岛”，加强对数据资产的管控；另一方面，通过持续的数据治理实践不断提升自身的数据治理能力。其次，在数据自治成果的基础上逐步制定业务场景领域级别的统一数据标准和规范，建立供应链上下游数据关联，强化数据基础设施建设，提升大数据处理技能，健全数据安全治理体系，逐渐提高企业的对外优势。

作为追随者的制造成员企业向制造平台集聚，对接业务需求积极共享数据，使用核心企业确定的数据标准进一步规范数据，通过数据资源的互补和治理能力协同缓解数据割裂，打破企业间的数据壁垒。制造成员企业的参与又反向促成数据标准的迭代优化，进一步促进数据共享共用，形成数据组织过程的杠杆效应和网络效应[7]。通过组建核心制造企业引领、成员企业协同的数据治理联盟，实现数据资源供给和价值创造最大化。

4.2 激励和约束机制相结合，维护联盟关系的稳定性

为了有效地激发治理主体的动力，平衡各方利益诉求，维护联盟关系稳定，规范治理主体行为，监督治理流程的实施，有必要建立相应的激励和约束机制。激励机制包括贡献测量和利益分配机制，对数据治理工作的贡献进行全面、合理的测度有助于治理主体检验治理工作成效，明确改进方向，在此基础上设计合适的利益分配机制使治理主体从数据治理工作中直接获益，从而提高参与治理的积极性。贡献测量可从数据质量和数据对业务的支撑度等方面展开，需综合发掘不同层次的货币和非货币指标，构建数据贡献度量模型。利益分配机制要在全面体现数据治理整体利益的基础上考虑治理主体的实际贡献。约束机制包含合同、声誉和信任机制。合同机制在治理主体间建立二元契约关系，利用契约明确治理内容、权责分配和违约责任，是对治理主体行为的正式约束。声誉和信任为非正式约束，治理主体在互信的前提下建立协作关系，声誉机制促使其重视数据治理的长期利益，放弃短期机会主义行为。通过契约机制和非契约机制的相互补充，促进数据治理联盟良性发展。

4.3 创新数据治理合作模式，“量身定制”治理方案

与企业内部数据治理相比，网络协同制造数据治理面临更为复杂的数据环境，在协同制造场景、制造活动的数据交互需求、各个治理主体的数据治理能力等方面均存在显著差异，因此，需对合作模式进行探索和创新。对于简单的数据治理任务，可采用多中心分散治理、层次型治理、数据共享池等合作模式；对于高度耦合的数据治理任务，可探索接力治理、核心成员主导型治理模式；对于超出治理主体数据治理能力的复杂数据治理任务，则可尝试引入数据信托等新型治理模式。

在治理方案的“量身定制”方面，可借鉴创新设计、质量管理、协同项目管理等其他学科丰富的理论、方法和工具，开发包含治理目标、治理过程、治理效果评估等主要环节的治理方案设计过程模型，为治理方案的设计和生成提供方法论支撑，降低数据治理前期筹备工作中的模糊性和不确定性。通过数据治理方案的“量身定制”，保障数据治理实施过程的科学性和有效性，从而提高治理效率。

4.4 培育适应复杂数据环境的数字人才，为数据治理提供人才保障

制造人才的数字技能是其适应智能制造时代新技术、新模式和新业态的必备能力。高质量的数字人才队伍为网络协同制造数据治理的成功实践提供必要的人才保障。在复杂数据环境中开展数据治理工作，数字人才首先需要具备基本的数字知识和工作技能，包括熟练操作工业软件，收集、存储、处理、过滤和验证数据等；其次，能够在数据治理项目中使用数字工具开展协作，包括人机协作和跨领域跨文化协作；再次，具备数据安全和数字责任意识，保护企业和供应链的核心数据资产；最后，具备一定的批判性思维和持续学习能力，能够对数据治理实践进行总结和反思。

数字人才培育要求制造企业一要依托专业技能培训体系提升员工的数字技能并尽量创造数据治理的实践机会；二要营造良好的数字文化氛围，通过文化浸润提升人才的数字素养，使其更好地适应制造业的数智化变革；三要建立有效的激励机制，通过薪酬激励和职位晋升等方式激发数字人才的积极性和创造力，为在以网络协同制造为代表的制造新业态下开展数据治理实践提供人才储备。

【参考文献】

【1】Rene Abraham，Jan vom Brocke，Johannes Schneider.Data Governance： A conceptual framework， structured review， and research agenda[J].International Journal of Information Management，2019，49（S1）：424-438.

【2】B Krumay，D Rueckel.Data governance and digitalization-a case study in a manufacturing company[C].Dubai：Proceedings of 23th Pacific Asia Conference on Information Systems （PACIS），2020.

【3】KC Morris，Yan Lu，Simon Frechette.Foundations of Information Governance for Smart Manufacturing[J].Smart and Sustainable Manufacturing Systems，2020，4（2）：20190041.

【4】Sundarraj M，Natarajan R M.Data governance in smart factory： Effective metadata management[J].International Journal of Advance Research， Ideas and Innovations in Technology，2019，5（3）：798-804.

【5】Emanuel Marx，Matthias Stierle，Sven Weinzierl，et al.Closing the Gap between Smart Manufacturing Applications and Data Management[C].Potsdam：15th International Conference on Wirtschaftsinformatik，2020.

【6】庞国锋，徐静，沈旭昆.网络协同制造模式[M].北京：电子工业出版社，2019.

【7】胡登峰，李文惠，许云华.数据如何驱动制造型企业平台战略转型——基于数据组织属性及凯盛企业集团案例研究[J].北京科技大学学报（社会科学版），2024，40（4）：104-112.