钢铁OT数据治理系列-09怎么算治理好:DQI、验收指标与投入产出
怎么算治理好:DQI、验收指标与投入产出
引言
三种常见的“看起来治好了”:
- 采集率 100%。 所有点都接进来了,但一半是死点,一半没有单位。
- 报表对得上。 因为报表和源系统用的是同一套错误口径。
- 验收通过。 验收时抽了十条曲线都正常,验收后三个月没人维护。
治理是否有效,需要一套能自己被复算的度量。本文给出一套可落地的 DQI(数据质量指数)算法,和与之配套的验收、投入产出方法。
一、七维:六维对齐国标,两维补工程
GB/T 36344—2018《信息技术 数据质量评价指标》(2018-06-07 发布、2019-01-01 实施,现行)给出六个维度:规范性、完整性、准确性、一致性、时效性、可访问性。工程上还需要补“唯一性”,因为 OT 场景的重复采集与冻结值问题太常见。
| 维度 | 落地口径 | 权重 |
|---|---|---|
| 完整性 | 实到点数 / 应到点数(按时间轴) | 25% |
| 准确性 | Good 点占比 + 与标准表比对偏差 | 25% |
| 一致性 | 跨系统同测点差异率、单位统一率 | 15% |
| 时效性 | 到达延迟 P95 达标比例 | 10% |
| 唯一性 | 1 − 重复副本率 | 10% |
| 规范性 | 台账合规率 + 语义完备率 | 10% |
| 可访问性 | 元数据完备率 + 接口可用率 | 5% |
权重不是标准值,需要按业务场景调。做质量追溯的场景,完整性与准确性权重应更高;做能耗对账的场景,一致性与时效性更关键。权重必须在启动时书面确认,不能在算完之后调。
二、DQI 怎么算
单测点先算分,再按权重汇总到产线、到厂。
1 | from dataclasses import dataclass |
按上面的参数:完整性 0.9953、准确性 0.9837、规范性 1.0,其余维度取 1.0,加权后约 96 分,A 级。这个分数不能直接对外宣称“治理优秀”——它只说明这一个测点在这个月表现不错。
三、最大的陷阱:全厂平均值
一个有 40 万点位的企业,如果 60% 的点位 DQI 在 95 分以上、10% 在 50 分以下,全厂平均仍有 80 分左右。汇报上很体面,实际那 4 万个低分点可能正好是关键质量控制点。
所以 DQI 必须同时看四个分布指标:
| 指标 | 含义 | 用法 |
|---|---|---|
| 平均值 | 总体水平 | 看趋势 |
| P50(中位数) | 一半测点低于此值 | 看整体健康度 |
| P10 | 最差 10% 的水平 | 看长尾问题 |
| 关键点达标率 | 关键测点中达 A 级的比例 | 看业务风险 |
决策看 P10 和关键点达标率,汇报可以看平均值。只看平均值的治理,最后都会停在“报表好看、现场难用”。
四、三层验收指标
| 层级 | 指标 | 达标线(示例) | 谁验收 |
|---|---|---|---|
| 接入层 | 覆盖率、时标偏差、断联次数 | 覆盖率 ≥ 98%,偏差 ≤ 1 s | 信息化 + 仪表 |
| 语义层 | 台账合规率、语义完备率、映射准确率 | 合规 ≥ 95%,完备 ≥ 90% | 治理办公室 + 工艺 |
| 应用层 | 追溯成功率、对账差异率、接口复用数 | 追溯 ≥ 95%,差异率 ≤ 0.5% | 业务部门 |
三层缺一不可。只验接入层,会出现“全接进来但没人能用”;只验应用层,会出现“演示能过、扩展就崩”。
追溯成功率的定义要写清:给定 N 个钢卷号,能在规定时间内(如 3 秒)返回全部关键参数的比例。这个指标比“系统响应时间”更贴近业务。
五、投入产出:把治理折算成钱
治理投入包括:采集硬件与网关、时序库与算力、人力(治理办公室 + 区域管理员)、外部服务。产出可以从三条路径折算:
路径一:减少人工对账与追溯工时。 假设追溯从 2 小时降到 3 秒,每月 20 次追溯,每次 2 人,人均成本按 100 元/小时计,年节省约 9.6 万元。这个数不大,但加上“质量异议处理周期缩短”带来的客户信任,价值不止于此。
路径二:降低质量损失。 若能通过参数追溯把某类缺陷的定位时间从 3 天降到 1 天,减少的判废与降级损失通常是百万级。这一项需要真实的缺陷数据支撑,不能拍。
路径三:数据资源入表。 按财会〔2023〕11 号《企业数据资源相关会计处理暂行规定》(2023-08-21 印发,2024-01-01 起施行,采用未来适用法),符合条件的数据资源可确认为无形资产或存货。南钢公开报道其 2025 年数据资产入表金额为 2 324 万元、同比增长 125%(企业宣传口径)。
入表的前提是数据资源可辨认、可计量、可带来经济利益——这恰恰要求治理到位:没有台账、没有质量码、没有使用记录的数据,很难通过审计。
六、投资回收的粗略算式
1 | def payback_months(investment: float, annual_benefit: float) -> float: |
静态回收期只是内部沟通工具,不能替代完整测算。真实决策还要看:治理带来的能力是否可复用(第二、第三个场景几乎零边际成本),以及不做治理的隐性成本(追溯失败、客户索赔、审计风险)。
七、四个常见误区
误区一:用采集率代替质量。 采集率是入口指标,不是结果指标。
误区二:权重事后调整。 算完发现某维度太差,就把权重调低。这是自欺,也会让度量失去公信力。
误区三:只算平均值。 见第三节。
误区四:把验收当终点。 验收通过只是起点,后续要靠月度度量和考核维持。
八、一个比喻:体检报告
DQI 像体检报告:总分告诉你大致健康,但真正要看的是各项指标和异常项。一个人总分 85 分,可能血脂血糖都正常,也可能某一项严重超标被平均值掩盖。
对应关系是:总分对应 DQI 综合分,单项对应七个维度,异常项对应 P10 与关键点不达标。比喻的边界在于:体检可以每年一次,数据质量是每天在变的——度量频率必须跟上变化频率。
九、落地清单
- 七维权重书面确认,全年不随意调整
- 完整性按时间轴算,含最大连续缺失惩罚
- 准确性以质量码为分子,不用“抽检合格率”
- 度量报告同时给平均值、P50、P10、关键点达标率
- 三层验收指标各有责任人与达标线
- 追溯成功率按“N 个样本内成功比例”定义
- 投入产出至少给出两条可核验的收益路径
- 月度出分,季度复盘,年度与考核挂钩
十、结论
“治理好不好”可以变成一个数,前提是口径公开、可复算、不被平均值掩盖:
- 七维覆盖面够用,权重按场景定;
- 单点算分、分层汇总,分布比均值更重要;
- 三层验收,接入、语义、应用都要过线;
- 投入产出至少给出两条能核验的路径。
一个能自证的分数,比十页汇报材料有用。
