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

  1. 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。
  2. 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。
  3. 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。