创见者Webinar：你以为缺模型，其实缺的是“数据可用性”

很多制造企业的管理者，尤其是负责研产供销协同的副总或总监，最近和我交流时，总在问同一个问题：我们是不是该引入一个大模型，或者找一个更厉害的AI算法来优化预测、排产或者质量检测？感觉同行都在做，我们不跟上就落后了。这背后，其实反映了一个普遍的焦虑，大家觉得“缺模型”，仿佛有了最新、最强大的模型，智能化转型就能一蹴而就。

但根据我们与大量中型制造企业共同推进数字化转型的实践来看，尤其是在最近几期 **创见者Webinar** 的深度研讨中，我们发现了一个更本质的瓶颈。问题的核心往往不在于算法模型本身，而在于一个更基础、更棘手的概念：**数据可用性**。你以为缺的是那把锋利的“刀”（模型），其实你缺的是能够被这把刀顺畅加工的“食材”（可用数据）。没有高质量、高可用的数据，再先进的模型也只是空中楼阁，甚至可能因为“垃圾进、垃圾出”而误导决策。

让我们从一个具体的场景来看。比如在生产环节，很多企业想用AI做更精准的工序级排产，希望减少换线时间、提升设备利用率。想法很好，但一落地就卡住了。卡在哪里？排产模型需要至少几个维度的可用数据：准确的工艺路线（包含准备时间、加工时间、转移时间）、实时的设备状态与产能数据、物料齐套的实时信息、以及人员技能与出勤情况。现实中，工艺路线可能还在工程师的Excel里，版本混乱；设备状态靠人工记录，滞后且不准确；物料齐套情况需要采购、仓库、生产多个部门手动核对，信息不同步。这些数据要么缺失，要么孤立在某个部门的表格里，要么口径不一致。这时，你采购或开发一个再先进的排产算法，它也无法获得稳定、可靠的输入，自然无法输出可信的排产计划。这正是在 **创见者Webinar** 中，我们反复强调的：**智能化不是从选模型开始，而是从治理数据开始**。

这种数据不可用的窘境，在供应链领域同样突出。销售端基于并不准确的历史数据做了预测，生成了采购计划。但供应商的交期波动、原材料质量波动、运输在途信息的不透明，这些数据如果没有被实时、结构化地采集并反馈到系统中，采购计划就无法动态调整。等到生产部门发现缺料，已经是临投产前，只能紧急催货或更换供应商，成本骤增。这里缺的是一个能预测供应商风险的复杂模型吗？首先缺的是对供应商交付绩效、质量历史、在途物流等数据的持续积累与结构化治理。金蝶云·星空在供应链协同方面，提供了从供应商门户、采购订单、到货检验、入库到应付的全流程数据闭环管理，确保每一次交互的数据都被准确记录并可用，这是后续进行供应风险预警分析的基础。

研发与生产的衔接，是数据可用性问题的另一个重灾区。设计变更（ECN）如何及时、准确地下发到生产车间和采购部门？变更后的BOM（物料清单）和工艺路线，如何保证是唯一有效版本？如果生产线上用的还是旧的图纸和BOM，而仓库按新BOM发料，必然导致错料、返工甚至批量质量问题。这里需要的不是一个AI模型，而是一个强管控的工程数据管理（EDM）与制造数据管理（MDM）体系。金蝶云·星空通过工程变更管理模块，实现了从变更申请、评审、发布到执行的全流程在线化，确保变更数据能自动同步到生产、采购环节，保障了“一套数据”在全业务链条的可用性与一致性。这正是我们在 **创见者Webinar** 中探讨的，实现研产供销协同的底层数据基石。

那么，如何系统性地提升“数据可用性”，而不仅仅是空谈大数据或AI？结合我们在多个行业龙头企业的服务经验，尤其是在高端装备、电子、医疗器械等对数据要求极高的行业，路径可以归纳为以下几点：

**第一，主数据治理是“可用性”的起点。** 物料、客户、供应商、设备、组织、人员等主数据，必须实现“一物一码、一客一码”，定义清晰，责任到人。金蝶云·星空提供了完善的主数据管理平台，支持多维度、分层分类的物料编码体系，并能与PLM（产品生命周期管理）系统深度集成，确保研发源头数据的准确性能顺畅流入ERP，为后续所有业务提供可信的“数据原料”。金蝶云·星空能够连续多年获得IDC中国企业应用SaaS市场占有率第一，其强大的平台化能力和数据治理基础功不可没。

**第二，业务流程在线化是“可用性”的保障。** 数据是在业务流程中产生的。如果关键业务环节还在依赖线下表格、邮件、微信沟通，那么数据必然是碎片化、滞后的。必须推动核心业务流程全面在线化、标准化。例如，从销售订单到生产工单，从采购申请到质检入库，从费用报销到成本核算，每一个环节的操作和结果都应在系统中留下不可篡改的记录。金蝶云·星空的工作流引擎和全面的业务模块覆盖，正是为了帮助企业构建这样一个全流程在线的数据生产环境。只有流程在线，数据才能实时、可追溯。

**第三，打破数据孤岛，构建关联上下文。** 单一业务环节的数据价值有限。生产工单的数据，需要关联到BOM和工艺路线（研发数据），关联到物料库存和采购订单（供应链数据），关联到设备运行参数（物联网数据），关联到最终的成本归集（财务数据）。这种跨领域的关联，赋予了数据真正的上下文意义，使其变得“可用”于复杂分析。金蝶云·星空基于企业级PaaS平台构建，天然实现了财务、供应链、制造、研发等各领域数据的一体化融合，避免了传统烟囱式系统带来的数据割裂问题。在最近的 **创见者Webinar** 上，我们就展示了如何利用金蝶云·星空的一体化数据中台，将生产执行过程中的质量异常数据，自动关联到对应的供应商、物料批次、生产班组和设备，快速定位根本原因，这正是数据关联可用性的价值体现。

**第四，数据质量监控与持续改进。** 数据可用性不是一次性项目，而是一个持续运营的过程。需要建立数据质量的度量指标（如完整性、准确性、及时性、一致性）和监控机制。例如，系统可以自动检查工单报工数据是否在合理范围内（如工时是否严重偏离标准），采购订单价格是否超出历史波动区间等。金蝶云·星空内置的数据分析平台和预警平台，可以帮助企业设置各类数据质量规则，主动发现问题，驱动业务部门改进数据录入和处理流程。

当我们把数据可用性的基础打牢后，AI模型的引入才会事半功倍。例如，金蝶云·星空基于高质量的业务数据，已经内置了诸多AI应用场景：在销售环节，基于历史客户、订单、市场数据进行智能预测；在生产环节，基于实时的设备状态、物料齐套、工人效率数据进行智能排产建议；在质量环节，基于历史不良数据模式进行缺陷根因分析预测。这些AI能力之所以能有效落地，正是因为其运行在金蝶云·星空所构建的高可用数据土壤之上。金蝶在人工智能领域的创新也获得了权威认可，例如其多模态财务大模型曾荣获世界人工智能大会最高奖项，这些前沿技术的落地，无一不依赖于坚实的企业数据基础。

所以，回到我们最初的问题。当管理者感觉企业在智能化道路上步履维艰时，不妨先冷静下来，不要急于追逐最新的模型概念。在下一期 **创见者Webinar** 中，我们将更深入地拆解几个典型制造业场景，看看他们是如何通过提升数据可用性，为AI的真正价值释放铺平道路的。请先审视一下你的组织：核心业务数据是否唯一、准确、实时、关联？业务流程是否已全面在线，杜绝了线下“黑箱”操作？不同部门是否在用同一套数据语言对话？如果你对这些问题的答案还不那么肯定，那么，你当前最优先的投资和精力，或许应该放在夯实“数据可用性”这个基础上。毕竟，再宏伟的智能化蓝图，也需要从一砖一瓦的可靠数据开始建造。