行业新闻

大家上午好！我们是一家液晶面板制造企业。大家知道一块液晶面板在生产过程中会产生多少数据吗？根据IDC 2024年的报告显示，一块玻璃基板的生产能产生2TB的数据，但我们在行业内的数据利用率还不足15%。在面板缺陷追溯分析方面，工程师需要花费70%的工作时间跨系统追溯工艺参数。这不仅是技术问题，更是数据管理缺陷在吞噬企业利润。

企业背景与数字化历程

今天我分享的主题是：数据治理如何促进电子半导体企业数字化转型。首先简单介绍一下天马公司。天马是一家上市国企，全球领先的显示解决方案提供商，以创新科技和快速服务支持著称。公司战略是"2+1+N"（具体市场占有情况在此不赘述）。

天马有40多年历史，2007年开始导入ERP进行信息化建设，2013年进入集团化办公阶段，现已基本完成信息化基础建设。2020年为实现产品和业务的数字化服务升级，我们探索数字化建设，导入了MDM、BI和数参等系统工具。2023年开启数字化转型，通过"5+3"项目落地实现数据运营，计划2026年全面实现数字化、智能化转型。

数据分类与治理策略

我将从以下三个方面进行分享：

首先关于数据分类。数据主要分为参考数据、主数据、交易数据和分析数据。其中主数据是企业的环境数据，被称为"数据石油"。我们采取"以治助用"的策略，主数据治理先行，因为它贯穿公司各个领域和部门。治理后，数据必须服务于业务目标才能发挥价值，因此我们采取"以用促治"的方式，通过业务应用牵引数据治理。最终目标是健全数据治理体系，提升组织数据管理能力，助力数字化转型。

数据管理核心工作

在数据管理方面，我们主要做以下工作：

制定与公司战略相匹配的数字战略，建立组织保障和人员分工。

采用3A架构联动方式，从业务架构到运营架构、数据架构进行联动，梳理业务价值流构建数据架构。目前已梳理出五层数据架构：主题域分组、主题域、主题、业务对象和逻辑实体。

由于历史原因，各部门信息化建设较为零散，业务元数据不统一。例如在做物料总数据梳理时，发现相同字段在不同系统中存在差异。比如"业务显示模式"，销售和研发部门的定义有70%相同，30%不同，甚至存在同物异名现象。为此，我们建立了元数据管理体系，制定数据标准，提升数据质量。

对于高价值数据，我们通过数据底座提供数据服务和BI分析工具。同时严格管理数据安全，各领域任命数据官，对所有数据应用进行合理授权。

数据管理采取自上而下的战略指导，规划三年数据战略，重点落地"5+3"变革项目。同时自下而上推动，导入数据治理工具，实现元数据、数据模型、标准、质量和安全的统一管理。构建了湖仓一体的数据底座（采用CDH+MPP架构），实现数据应用的"无缝打通"。

数据治理四大角色

我们在数据治理中承担四个角色：

构建和完善数据治理体系；

提供数据方法、工具和平台（目前已建立从主数据到数据分析的完整工具链）；

倡导数据文化，建立数据责任机制，定期开展数据文化宣导；

作为业务的数据伙伴，确保数据解决方案落地。

经常被问及的问题包括：天马有多少数据？数据质量如何？为此我们需要持续进行数据盘点，了解数据分布和量级，并在治理平台中进行分类注册。同时进行数据标准化和清洗，确保数据质量。目前数仓中已有500多个标准数据模型，160多个复用模型在建设中。

数据治理不是一蹴而就的，而是持续过程。我们常说"欢迎加入数据俱乐部，这里有无限循环的业务需求"。好消息是，数据治理技术在未来十年都不会过时，因为这是企业的永恒课题。我们的目标是实现数据资产化和透明化。

OTD项目实战案例

我们建立了包含6个角色、20个工作节点的数据治理流程，制定了输出规范和模板。以OTD项目为例说明如何助力数字化转型：

企业如同武侠小说中的"任督二脉"，我们认为RTD和OTD就是企业的任督二脉。OTD项目贯穿5个业务场景，拉通1119个L4子流程，识别116个应用组件，涉及27类数据源和694张跨系统集成表单。OTD数据问题可概括为"多、缺、脏、乱、差"。

以库存问题为例：2024年前天马库存占销售额的1/6。常遇到原材料紧急调用困难、成品库存无法对应订单等问题，导致呆滞库存增加。2023年启动库存控制塔专项，通过数据治理实现5亿多元的降本。

在OTD项目中，我们承担三个角色：

教练：制定数据治理流程和分工，提供培训；

裁判：每日巡检数据质量，参与标准和模型评审；

运动员：制定主数据标准，已统筹1200项数据规则的建立。

针对10类手工数据，我们开发了线上化功能：标准化表单、制定管理规范，实现用户自主配置。采取"事前培训赋能、事中源头管控、事后预警"的全流程管理。目前已开展59场培训，对23张复杂表格设置30项校验规则，发现问题自动预警。

以工艺BOM为例展示治理成效：主要问题是业务规则复杂、源头数据不准、维护不及时。通过78人参与、64场会议、梳理1598个逻辑，在武汉试点成功后全集团推广。工艺BOM完整性从70%提升到98%，准确性从50%提升到95%。

AI与数据治理融合展望

同时，对于这些我们也思考，那既然数据是作为AI场景的选择，数据的质量又是AI场景的落地关键点，我能不能通过AI来反哺我数据治理呢？所以我这块在目前调研过程中，暂时没有发现这种应用的场景，但是我们研究了一下AI技术，结合数据治理的场景，我们的一个想法。

首先从这四个场景上：

通过NLP+知识库实现数据标签自动识别；

提升数据异常检测时效性；

通过智能搜索提升数据查找效率；

提升数据审计覆盖率。

欢迎对数据治理和新技术结合有见解的同行一起探讨。以上是我的分享，谢谢！