我在车间转了一圈就明白了：报工终端装在车间办公室，不在产线旁边。班组长嫌来回跑麻烦，习惯下班前凭记忆补录。数据从源头就是估的，后面所有报表都只是把估算值算得更精致而已。
这件事让我想聊一个不太讨喜的话题：数据治理项目里，真正难的不是技术选型，是人。
系统跑不起来，通常不是软件的问题
我们复盘过自己交付的项目，凡是上线后使用率长期低于预期的，原因分布大致是这样：软件功能不匹配占少数，流程设计不合理占一部分，剩下的多数是"人不想用"。
"不想用"背后有三层。第一层是习惯成本，老员工用纸质单据用了十几年，切换系统意味着短期效率下降，没人愿意在自己身上做这个实验。第二层是利益敏感，数据一旦透明，原来靠信息不对称留出的操作空间就没了，这在物料领用、工时统计上尤其明显。第三层最容易被忽略：他们不信任这套数据。之前上过系统，填了没人看，错了没人管，久而久之就形成了"填了也白填"的预期。
所以数据治理的第一步，往往不是建标准、不是买工具，而是把"填了有什么用"这件事变成员工能立刻感知到的东西。我们通常的做法是先选一个班组、一条产线做小范围试点，把报工终端挪到产线边上，把补录窗口从"随时可改"收紧到"当班可改、隔班需审批"，同时让班组长每天能看到自己班组的数据看板。这个动作通常两到四周能看到变化，使用率上来之后，再谈全厂推广。
口径不一致，本质是责任没落地
规上工业企业常见的状态是：ERP 一套、MES 一套、WMS 一套、财务再一套，物料编码各编各的。我们做过的一个主数据治理项目，清理出 13,559 条物料主数据，其中重复和冲突的比例接近三成。这意味着采购在按不同编码重复下单，库存在按不同口径重复计数。
很多企业以为这是技术问题，想靠一个主数据管理（MDM）系统解决。工具确实要有，但更关键的是定一件事：谁对这条数据负责。我们通常要求每个数据域指定一个业务 Owner，编码规则由他签字，变更走他的审批。没有这个责任人，MDM 系统只是个更贵的 Excel。
这里有个我们内部坚持的做法：治理成果必须能被业务直接消费。比如物料主数据清洗完之后，第一件事是让采购用它跑一次重复采购分析，让仓库用它跑一次呆滞料清单。业务部门看到实实在在的清单，才会认可这套标准，后面推广才推得动。
数据不干净，AI 项目就只能在 PPT 里跑
这两年不少企业上 AI 项目，做到一半卡住。原因往往不在算法，在数据。我们跟踪数据要素相关政策的落地情况时也注意到，无论是高质量数据集建设还是数据要素三年行动计划的方向，落脚点都在"数据可用"这件事上，而不是"数据很多"。
举个具体的：设备预测性维护。模型要的是带时间戳的设备运行参数、故障记录、维修工单，三者要能按设备 ID 对齐。实际去拉数据，往往发现故障记录是纸质的、维修工单的设备编号和 IoT 平台的对不上、时间戳有的用本地时间有的用 UTC。这种数据喂给模型，准确率上不去是必然的。
所以我们在做 IoT 项目时，会在数据采集层就把设备主数据和 MQTT 上报的主题结构对齐，EMQX 那边接收的数据直接带业务主键。这一步多花的时间，通常在后期能省回来。据我们内部统计，前期做过主数据对齐的项目，后续数据分析类需求的平均交付周期比没做过的大约短三成。
数据资产入表：先做可行性评估，再谈进表
客户最常问的一句是：入表能真的进资产负债表吗？
我们的回答是：有条件可以。关键在两个前置动作——合规确权和成本归集。确权要理清数据来源是否合法、是否有授权、权属边界在哪，涉及数据产权登记的还要走相应流程；成本归集要把数据采集、清洗、治理、维护各环节的投入分得清楚，这恰恰依赖前面说的治理基础。如果连数据资产清单都拉不出来，成本归集就无从谈起。
所以我们通常建议先做一个可行性评估，周期视数据规模而定，输出的是"哪些数据具备入表条件、缺什么、补的成本大概多少"。评估结论可能是"暂不具备条件"，这也是有价值的结果——比投入之后发现确权走不通要好。
这里也说句实在话：入表本身不是目的。数据能被稳定地用起来、能在业务里产生价值，才是。入表是结果，不是起点。
一个可以照着走的顺序
如果让我给一个执行顺序，大概是这样：
第一步，选一个业务痛点最明确的场景，别贪大，一条产线、一个物料域就够。第二步，把数据责任落到具体的人头上，编码规则、变更流程签字确认。第三步，做数据质量基线，把重复率、完整率、及时率这些指标测出来，作为后续对比的锚。第四步，让业务部门先用起来，用治理后的数据跑出一份他们真正需要的报表或清单。第五步，再谈数据资产盘点、确权、入表评估。
这个顺序反过来做——先谈入表、先买平台——通常会在第三步卡住，因为没人对数据负责，质量基线永远测不准。
回到开头那家厂。我们后来做的事很简单：终端挪位置、补录加约束、看板每天推给班组长。三个月后，在制品差异从 11% 降到 3% 以内，财务月结的手工调平时间从两天压到半天。没什么高深技术，就是把"人愿不愿意填"这件事解决了。
数据治理这行做久了会发现，方法论都写在纸上，难的是让它在车间里、在仓库里、在每一个要填单子的人手上真正发生。如果你也在纠结系统为什么跑不起来，或者不确定自己的数据够不够格谈入表，可以先聊聊现状。
邮箱：dzsj@weit.cn
官网：https://www.dzsjkj.cn
我们做过 ERPNext 生产环境实跑，也做过 13,559 条量级的物料主数据治理，可以先帮你判断问题出在哪一层。