附件为74页PPTX文件。

在制造业，谈数据架构，往往容易走偏。
有人把它理解成数据仓库，有人理解成大数据平台，有人干脆等同于BI报表体系。结果就是：项目一堆，平台不少，数据却依然对不上、用不顺、管不住。

真正的问题不在技术，而在认知。

制造业的数据架构，本质上不是一个IT系统问题，而是一套“让企业运行逻辑可被数据准确表达、持续支撑、长期治理”的结构性工程。

如果从企业层面看，制造业的数据架构至少同时回答五个问题：

• 企业有哪些关键数据资产？

• 这些数据在不同系统、组织、环节中如何产生和流转？

• 数据的业务含义是否统一、稳定、可追溯？

• 谁对数据负责，如何约束、如何纠偏？

• 数据最终如何支撑经营决策与运营改进？

因此，真正成熟的制造业数据架构，从来不是单一模块，而是一套完整结构。

1. 从业务出发的数据资源全景

制造业的数据不是“凭系统罗列”，而是从业务能力和业务链条中生长出来的。

研发、计划、采购、生产、物流、销售、财务、人力，这些并不是系统模块，而是企业运行的基本能力单元。
数据架构的第一步，是围绕这些能力，系统性识别：

• 哪些是核心数据

• 哪些是共性数据

• 哪些是跨系统、跨组织必须统一的数据

由此形成企业级的数据主题域，以及概念层、逻辑层的数据模型。这一步解决的不是“存哪”，而是**“认知是否一致”**。

2. 以主数据为核心的结构稳定器

制造业之所以“数据难管”，核心原因往往集中在主数据上。

物料、产品、设备、供应商、客户、组织、人员——这些数据一旦不统一，后面所有交易数据、分析数据都会系统性失真。

因此，制造业的数据架构几乎必然以主数据管理（MDM）为轴心：

• 统一规划，而不是各系统各说各话

• 统一标准，而不是临时对表

• 统一平台，而不是靠接口硬拼

• 统一治理，而不是靠IT兜底

主数据在制造业不是“辅助系统”，而是生产、计划、成本、质量共同依赖的基础结构。

3. 数据不是“存在”，而是“流动”

相比很多行业，制造业的数据有一个显著特征：
它始终在“跑流程”。

一条需求计划，会演化为主生产计划、物料需求计划、采购计划、生产订单、入库、结算；
一张BOM，会贯穿研发、工艺、制造、成本核算；
一次设备状态变化，会影响排产、能耗、运维决策。

这决定了制造业的数据架构必须天然具备生命周期和流向视角：

• 数据从哪里产生

• 经历哪些加工和转换

• 被哪些系统消费

• 在什么阶段汇总、分析、归档

这也是为什么成熟的数据架构一定会做 CRUD 分布分析、数据血缘分析和影响分析——不是为了好看，而是为了可控。

4. 数据分析不是起点，而是结果

很多制造企业一上来就做BI、做大屏、做分析平台，结果发现：

• 指标口径对不上

• 数据来源说不清

• 报表越来越多，却没人真正用

原因并不复杂：
分析体系被提前了，基础架构却缺位。

在合理的数据架构中，数据分析始终是“最后一公里”：

• 以统一的主数据和元数据为前提

• 以明确的业务能力和战略目标为输入

• 以稳定的数据仓库和数据资源池为支撑

• 最终服务于决策、管理和运营改进

制造业的数据分析，从来不是“看数”，而是用数据推动业务行为变化。

5. 数据架构一定是“治理结构”的一部分

这是制造业数据架构与一般信息系统最大的区别。

在制造企业中：

• 数据标准影响采购、生产、财务

• 数据质量影响计划准确性和库存水平

• 数据安全影响核心工艺和经营风险

因此，数据架构不可能只靠IT部门推动，而必须嵌入治理体系：

• 企业级数据治理组织

• 清晰的数据责任角色

• 数据质量、标准、安全的制度与流程

• 与绩效、考核挂钩的约束机制

没有治理，数据架构只能停留在PPT里。

6.制造业数据架构顶层设计74页PPT案例