钢铁OT数据治理系列-11番外:三条路径复盘——敬业、南钢、三钢怎么把 OT 数据治成资产
番外:三条路径复盘——敬业、南钢、三钢怎么把 OT 数据治成资产
引言
治理没有唯一正确的起点。公开报道里的三家钢企,起手式完全不同:敬业从一条产线的追溯切入,南钢从资产地图切入,福建三钢从数据盘点切入。
三条路径都能走通,因为它们各自匹配了自己的约束条件。复盘的价值不在于抄作业,而在于看清“什么条件下该选哪条路”。
以下数据均来自公开报道,属企业宣传口径,统计范围与口径未必一致,仅作量级参考。
一、敬业:用一条线的追溯验证链路
公开数据:累计接入 L1 数据点 6453 项;全流程一键追溯 3 秒以内。
路径拆解:
| 环节 | 做法 | 对应治理动作 |
|---|---|---|
| 起点 | 选全流程追溯作为痛点 | 场景先行,不追求全域覆盖 |
| 接入 | L1 数据点逐项纳管 | 以“项”为单位治理,而非以“万点”为单位堆量 |
| 关联 | 建立时间—空间变换关系,串起工序 | 物料谱系 + 时标对齐 |
| 结果 | 一键追溯 3 秒内返回 | 追溯成功率成为验收指标 |
这里最值得注意的是“6 453 项”这个量级。它说明敬业没有一上来就追求百万点接入,而是把与追溯相关的 L1 数据点逐项治理清楚。点少但可解释,比点多但不可用更有价值。
可学:以一个能算清收益的场景切入,把“追溯时长”作为硬指标。
不可照搬:3 秒是端到端结果,背后依赖采集、存储、索引、接口全链路优化。若自身采集还在 5 分钟轮询,先补采集,别急着对标 3 秒。
二、南钢:用一张图把点位变成资产
公开数据:已绘制百万级 OT 点数据资产地图;核心数据入湖率从 2024 年报道的 85% 提升到后续报道的 95% 以上,2026 年有报道称为 100%;沉淀 20 多个高质量数据集,AI 应用落地 320 余个模型;2025 年数据资产入表 2324 万元、同比增长 125%。
路径拆解:
| 环节 | 做法 | 对应治理动作 |
|---|---|---|
| 起点 | 先盘点,画资产地图 | 摸清家底,明确“有什么、在哪、谁负责” |
| 分级 | 核心数据与非核心分层 | 资源有限时先保核心入湖率 |
| 数据集 | 面向 AI 沉淀高质量数据集 | 从“点位”升级为“可用样本集” |
| 资产化 | 数据资源入表 | 治理成果进入财务口径 |
“入湖率”这个指标值得单独说:它把治理进度变成一个可考核的百分比,比“接了多少点”更能反映实际可用程度。从 85% 到 95% 的爬升,往往比从 0 到 85% 更难——剩下的都是硬骨头(老设备、无协议、无台账)。
可学:用“入湖率/可用率”而非“接入数”作为进度指标;把数据集当作独立交付物。
不可照搬:百万点地图与入表都需要成熟的财务与审计配合。入表的前提是数据资源可辨认、可计量、有使用记录,没有台账与使用日志,入表难以成立。
三、福建三钢:用一本账做盘点与分级
公开数据:完成 12T 以上数据资产盘点并分类分级;三个场景取得数据资产登记证书。
路径拆解:
| 环节 | 做法 | 对应治理动作 |
|---|---|---|
| 起点 | 先盘清数据家底 | 盘点优于建设,避免重复投入 |
| 分类分级 | 按重要性与敏感度分级 | 为安全与共享定规则 |
| 登记 | 场景级数据资产登记 | 让资产有“权属证明” |
三钢路径的特点是合规驱动:先把“有什么、什么级别、谁能用”说清,再谈开发。对多数国企而言,这条路径的内部阻力最小,因为它同时满足安全与资产的合规要求。
可学:盘点先行,用分级结果反推治理优先级。
不可照搬:12T 是盘点后的数据量口径,不等于治理完成度。盘点能回答“有多少”,回答不了“好不好用”。
四、三条路径对比
| 维度 | 敬业 | 南钢 | 三钢 |
|---|---|---|---|
| 起手式 | 场景(一条线追溯) | 资产(点位地图) | 合规(盘点分级) |
| 核心指标 | 追溯时长(秒级) | 入湖率、数据集数、入表金额 | 盘点数据量、登记场景数 |
| 优势 | 效果直观,易获支持 | 覆盖全面,可持续扩展 | 阻力小,合规性强 |
| 风险 | 场景外的数据仍散乱 | 地图易变成“僵尸台账” | 盘点完停在那里,不进入应用 |
| 适用企业 | 有明确痛点、数据基础一般 | 点位规模大、已有平台 | 合规压力大、起步阶段 |
三条路径不是互斥的。合理的组合是:先盘点(三钢)→ 选场景(敬业)→ 建地图与数据集(南钢)。
flowchart TD
A["盘点分级<br/>知道有什么"] --> B["选一个场景<br/>跑通四段链路"]
B --> C["沉淀台账与质量规则"]
C --> D["画资产地图<br/>按可用率推进"]
D --> E["沉淀数据集<br/>服务 AI 与决策"]
E --> F["资产化与复用"]图 1:三条路径的组合顺序。先摸家底,再用场景验证,最后规模化
五、三条共性
共性一:都有一个可量化的抓手。 追溯时长、入湖率、盘点数据量,都是能被外部核验的数字,而不是“治理水平显著提升”这类表述。
共性二:都没有一开始就追求全域。 从一条线、一张图、一本账开始,先做出可展示的成果,再要资源。
共性三:都把治理和业务/合规绑定。 单纯的技术治理很难持续,绑定质量、成本或合规才有预算。
六、三个建议
- 先算清自己要回答哪个问题。 是要缩短追溯时间、提高数据可用率,还是要满足合规?目标不同,起点不同。
- 指标要能外部核验。 定义清楚分母分子与统计范围,避免“我们入湖率 100%”但其实只统计了核心系统。
- 不要用别人的数字当自己的目标。 40 万点、百万点、12T 都是别人口径下的结果,自己的目标应由自身痛点与基础决定。
七、三个常见误读
误读一:点位多等于治理好。 接入量与可用率是两件事,前者是投入,后者是产出。
误读二:入表金额等于数据价值。 入表是会计处理,反映的是可确认成本与合规条件,不等于数据创造的业务收益。
误读三:案例里的时间线可以压缩。 公开报道通常省略试错过程,实际推进往往经历多轮返工。
八、结论
三家企业证明的是同一件事:OT 数据治理能变成资产,但路径必须匹配自身约束。
- 有明确痛点,从场景切入;
- 点位规模大,从资产地图切入;
- 合规压力大,从盘点分级切入。
三者可串联:盘点 → 场景 → 地图 → 数据集 → 资产化。真正的分水岭不是选了哪条路,而是有没有一个能被核验的数字。
