主数据作为企业基准数据，其来源准确、权威、统一，长期应用于企业各信息系统之间，是企业执行业务操作和决策分析的数据标准。鉴于主数据在企业数据管理中的基础性作用，并考虑装备制造业信息基础环境的特殊性和数据管理现状．本文提出基于主数据的数据管理与共享服务体系框架，并在某装备制造业企业开展平台级搭建与应用．旨在实现对装备制造业数字化协同业务中的基础数据规范化管理与应用，全方位构建覆盖企业数据标准、数据质量、数据集成、数据分析、数据挖掘等核心功能的一体化智能服务能力。

1 主数据相关理念

1．1主数据与数据标准

主数据是指具有高业务价值、可以在企业内跨业务部门被重复使用的数据，是单一、准确、权威的数据来源。主数据具有全局唯一性、业务稳定性、长期有效性、价值密集性、高度共享性等特征。数据标准的制定是主数据管理的首要任务，也是主数据建设实施和集成应用的重要依据。在主数据标准中，应明确该类主数据的定义、管理职责、编码原则、属性标准和运维管理流程等要素。

1．2主数据的建设原则

主数据建设过程应遵循制度保障、标准先行、全员参与、持续运营的原则。

(1)制度保障。主数据建设可能对现有业务流程、信息系统间集成关系、各类业务操作人员的工作界面都可能带来一定程度的变革，需要企业高层高度重视，各业务部门充分参与，制定完备的主数据管理制度和流程，明确责任人体系和分工，建立有效的监督检查和奖惩机制，为主数据建设工作提供制度保障。

(2)标准先行。数据标准的制定是实现主数据规范化管理、全面提升企业数据管理水平的前提，是系统建设和技术方案编制最重要的依据。切忌数据标准确定前急于开展系统建设等工作。

(3)全员参与。主数据建设成效不能仅依靠信息化部门，更不能依赖外部团队或产品．而是需要企业全员参与、紧密配合。企业应致力建设涵盖数据、技术、管理全类别的专业团队，形成全员主数据管理文化氛围，构筑企业自身的主数据管理能力。

(4)持续运营。主数据管理需要优化迭代、持续运营，只有基于企业核心业务深挖数据价值，才能为企业精细化管控和重大决策赋能．支撑企业战略落地和战术执行。

2 体系框架

基于主数据的数据管理与共享服务体系框架如图1所示。该体系定位于数据管理与数据应用职能领域，覆盖从数据采集、传输、存储、管理、清洗、融合、分析、挖掘到可视化和应用的数据全生命周期管理，为用户提供数据管理、开发、应用的完整闭环。其中，数据管理、数据共享、数据应用是该体系的三大核心模块。

图1 体系框架

2．1 数据管理

数据管理模块主要解决装备制造业企业数据标准化体系不健全导致的业务数据分散、数据质量不高等问题。数据管理的前提和关键是构建契合企业战略目标和业务发展现状的数据标准体系。数据标准体系确定后．在其指导下构建各类主数据模型和审批流程，实现各类主数据的在线管理，为用户提供主数据管理的唯一人口。应用数据标准模型、版本管理和多重关联校验规则，对前端数据输入实现可靠控制．为数据标准规范落地和数据质量持续提升提供技术保障。

2．2 数据共享

数据共享模块针对装备制造业企业信息系统类型繁杂、开发语言及平台各异、数据集成成本高但产品质量要求极为严格、系统对业务快速响应等需求背景，提供数据标准和来源统一、接口松耦合的数据资源共享服务。通过打通与各业务系统集成接口，消除企业信息孤岛．统一数据语言；减少数据重复录入，实现“一处更改、全局生效”；规范数据交互．降低系统建设和运维管理成本，为企业实现数字化转型提供数据、互联双驱动”。

2．3数据应用

数据应用模块围绕“数据即企业战略资源”的目标，借助数据抽取、数据分析、数据挖掘和数据展现工具．将存储于各应用系统的数据进行汇聚、加工和应用，实现将装备制造业企业核心业务数据向知识和资产转变．为企业精细化管控、项目资金管理、供应商风险管控、计划执行管理、客户信用风险等赋能．支撑企业战略落地和战术执行的目的。

3 平台建设

3．1 标准制定

数据标准管理是数据价值得以实现的必经之路。数据标准的内容应包括：主数据的业务定义、管理职责、主数据编码原则、编码结构、属性项及填写规范、运维流程等。装备制造业典型的主数据标准体系示例如图2所示。

图2 主数据标准体系示例

数据标准的制定需要业务部门和信息化部门相互配合、协同完成。业务部门从业务的专业角度和管理要求方面给出该类主数据的定义、管理职责。并以业务部门为主、信息化部门配合的方式明确主数据编码原则、编码结构、属性项和运维流程。首先，确定编码原则和编码结构．主要考虑三个方面的要素：①未来较长一段时间内该类主数据的数据容量；②业务规则要求；③软件实现的可行性。其次，确定属性项和运维流程，主要考虑4个方面的要素：①业务管理和使用要求：②流程审批执行的高效性、合理性；③软件实现的可行性；④信息化数据安全、数据管理、数据应用方面的要求。数据标准制定后，还应注重标准体系的落地和全过程管理．保证标准能够顺应业务的发展进行动态更新。此外，从主数据建设初期到不断深化应用的过程中．企业应逐步建立并持续优化数据应用全景架构图，依据架构图审视迭代数据标准和业务流程．有力支撑“以用促管，以管优用”的管理理念落地。

3．2 数据治理

主数据建设全过程都会面临的难点和挑战是数据质量问题．因此要对初期数据进行清洗，主数据上线后，还要进行持续有效的数据治理。数据治理过程如图3所示。某装备制造业企业开展数据治理的执行过程包括现状分析、架构设计、数据清洗和监控评估4个环节，并根据监控评估的结果持续改进优化。

图3 数据治理过程

首先是现状分析，根据企业数据治理成熟度，分析当前的业务现状和数据现状，发现业务过程中存在的风险和问题；盘点现有数据资产范围、价值和质量．确定数据访问权限，为构建数据安全保护措施奠定基础。其次是架构设计．根据现状分析的结果，明确数据治理的目标和任务，设计数据架构、数据标准、数据模型．为后续的数据清洗工作制定合理的体系和制度。再次是数据清洗，明确实际可操作的数据清洗机制和途径，进而开展数据收集、清洗、导入。最后是监控评估，综合考虑数据质量评估、数据在业务系统中的应用效果评估等因素，对数据治理体系和制度、数据架构和标准进行优化反馈，促进分析、设计、清洗、评估过程的持续迭代优化。

3．3 平台建设及经验

3.3.1 数据清洗原则

在数据治理全过程中,数据清洗是直接影响数据质量和未来数据集成应用效果的关键环节。但因装备制造业企业积累的业务数据体量比较大．主数据上线前及上线后的一段时间内，数据质量问题都相对较多．数据清洗的难度和工作量较大且往往需要多次清洗才能达到预期的数据质量标准。在某装备制造业企业的主数据建设项目中，数据清洗主要遵循“依据标准、分级分类、急需先行、工具辅助”的原则。依据标准。是数据清洗的依据是主数据标准规范，同时结合主数据的业务特点和历史存量数据特点．明确每类数据清洗的步骤和方法；分级分类，是根据业务需求的紧急程度及上下游系统应用的数据要素，对数据进行分级分类，进而将复杂的数据清洗工作划分为阶段性的可执行任务：急需先行，是把识别出的业务需求紧迫的关键数据，以及上下游系统承接引用的关键数据属性项纳人第一阶段数据清洗范嗣，在系统上线运行前完成关键数据属性项的清洗。其他非关键数据属性项，在系统上线运行后持续清洗。

此外，鉴于数据规范化管理、全生命周期管理的要求，大多数的数据管理中台对于已上线主数据的更新需求只能通过数据变更流程实现．对于物资主数据这类体量较大的数据，不论是申请员修改编辑还是审核员审核．在时间和效率上都产生巨大损耗，甚至存在不可操作性。因此，为减轻主数据上线后数据清洗工作的复杂度．批量导人更新的系统通用功能被开发。其支持用户按照所需清洗的数据字段范围导出自定义模板，在模板中填写完成后方可导入。该功能可根据主数据管理的业务要求和清洗范围个性化配置，相应简化审批流或无审批流程，进而实现对特定数据、特定属性项的精准清洗．在实际应用中大大提高了数据清洗效率。同时，为保证数据清洗过程的规范性和透明性．根据岗位．角色．权限的配置有效管控批量导人更新的人员范围：系统自动记录批量导入更新前后的数据版本．保证主数据全生命周期管理过程的动态可追溯性。

3.3.2 数据关系管理

依据数据架构和数据标准．明确各类主数据之间的关联关系，常见的关联关系有引用关系、层级关系。引用关系是指一个数据模型中某个属性字段的取值范围是另一个数据模型的数据。例如．项目模型的主管调度属性，取值范围是用户模型中的数据。数据实体之间的引用关系建立后，使用过程中可以随业务实际情况进行变更。例如，因岗位变更，项目A的项目调度由zs变更为ww。层级关系是指一类主数据可以作为另一类主数据的上级或父级(如项目和课题主数据、物资分类和物资主数据)．或者同一类主数据中的数据存在上下级关系(如物资分类)。与引用关系不同，存在层级关系的数据实体原则上不允许在使用过程中变更上下级关系。在某装备制造业企业主数据应用案例中．项目主数据是课题主数据的上级．

分别用于计划管理、收入核算、付款报销、成本核算。如果在使用过程中对课题所属上级项目进行了变更，则企业财务核算可能存在数据风险。类似的，物资分类数据中的大类、中类、小类，以及物资分类和物资主数据也存在层级关系．且层级关系一经创建不能变更，如果变更，可能导致原基于该分类的物资数据实体无法溯源所属分类，以及相关的数据分析汇总不准确。

为避免数据层级关系非法变更带来的业务问题，某装备制造业企业的系统平台采用了多种技术手段保证数据层级关系的稳定性。例如，数据层级关系创建后，不允许通过数据变更流程进行更改，如果用户发现层级关系有误．应协同信息化部门首先确认该数据是否已在下游系统产生业务数据并确定历史业务数据的处理方式．再自下而上逐级冻结数据，建立新的数据和数据层级关系。此外，涉及财务、采购等企业关键核心业务时，除了数据生成端的数据校验。还应在数据消费端即业务系统中进行强制的数据关系校验。例如．当课题主数据所属项目发生变更时，财务核算系统应在接收该数据变更信息后仍保持原有数据关系不变，从而全方位保证数据的准确性和业务的合规性。物资分类见表1，物资主数据见表2。

表1 物资分类

表2 物资主数据

3.3.3 数据状态管理

依据主数据全生命周期管理要求．数据状态管理的必要性毋庸置疑。对于各类主数据，当确认业务上它们不再使用时．应当进行“标记删除”(而非物理删除)，常见的实现方式是将“数据状态”字段从正常／生效，改为冻结／废止。数据状态还应通过数据集成共享，实时传递给下游业务系统，进而实现各类业务中数据选用的合规性管控。通常，随着主数据不断深化在各业务系统中的集成应用，每类主数据的使用往往是跨部门、跨业务、跨系统的。因此将一个数据实体从正衫生效状态改为冻结／废止前．应充分识别业务相关方。确认具备冻结／废止的状态后方可冻结，否则可能导致下游业务系统中相关业务无法闭环，进而带来数据取消冻结、再次冻结的反复不规范操作。

针对上述问题，本项目案例采用了从数据生成端和消费端分别管控的解决方法。一方面，数据生成端根据数据应用全景架构图，在数据冻结／废止流程中设置相关部门／角色／数据使用用户的会签环节．相关方确认后方可冻结数据：另一方面．下游业务系统接收到数据冻结／废止信息后，在新的业务流程中对已冻结数据的选用进行管控，判断该数据在业务全生命周期中是否闭环，保证在途流程、未完结业务可继续执行。当然，实现上述管控的前提是准确掌握企业数据应用全景架构图及业务架构图，在多系统中综合运用现有技术手段开展实施。

3.3.4 组织机构类数据管理

组织机构类主数据通常包括部门主数据和人员主数据，而装备制造业企业往往还需要建设用户(信息系统用户)主数据。人员主数据和用户主数据需要分别建立，这取决于它们在不同业务场景下被选用的实际需求。例如，在出差、培训、考试、通信录等业务场景下，全所在职人员都有可能被选用。但因装备制造业企业对人员及信息系统管理要求的特殊性，并非所有在职人员都允许登录和使用信息系统．此外，还存在部分人员因岗位特殊性无须使用信息系统的情况，因而需要建立用户主数据．实现信息系统登录的统一身份认证。

关于部门、人员、用户主数据三者之间的关系，部门主数据与人员、用户主数据是层级关系，通过人员、用户主数据中的“所属部门”实现关联：而人员和用户主数据是引用关系，用户引用人员，即在创建用户实体前．应首先创建人员实体．再在创建用户实体时选择指定的人员实体，一个用户只能引用一个人员．一个人员最多有一个用户。因此，用户主数据的体量往往小于人员主数据。除用户特有的属性，人员和用户主数据的属性信息应保持一致。本项目案例的实现方式是，选用人员主数据并驱动人员主数据变化，当人员主数据变化后，通过接口自动同步至对应的用户主数据，从而保证两类数据信息的一致性和准确性。组织机构类主数据见表3。

表3 组织机构类主数据

3.3.5 参考数据管理

相较于主数据管理，参考数据管理比较容易忽视，因而企业参考数据的管理常常滞后于主数据管理。结合某装备制造业企业的数据应用案例，参考数据管理应与主数据管理同步开展，并贯彻标准化、全局化思想。参考数据管理不应仅是建立和引用字典，而应与主数据管理类似，建立相应的标准规范，实现标准修订流程、数据更新流程、数据引用规范的管理。参考数据引用规范管理是为了避免出现某些系统引用值、某些系统引用码，甚至部分系统不引用参考数据．允许用户自行输入等情况，进而导致不同业务流程或系统中数据的不准确和不一致。全局化管理是指企业应在主数据应用全景架构图中专门建立参考数据应用地图，明确各类参考数据的应用系统、业务场景、业务引用规则。根据数据应用地图，相关系统的集成接口概要设计、参考数据的标准规范即可实现。

3.4 平台应用及效果

在某装备制造业企业的项目应用案例中，该平台实现了共计16个类别、70万余条基础数据的规范化管理，有力推动了集中、统一、规范的主数据标准体系落地，实现了企业数据层面的战略规划管理。

该平台借助通用、便捷、可信的数据共享模块，以灵活、可持续的方式支持各类面向业务的规则集合，大幅降低了数据集成和共享成本。打通集成涵盖研发设计、经营管理、科研生产、基础办公各领域的共计26个信息系统，实现企业基础数据的一致性、准确性管理和合规性、规范性应用。以平台为数据枢纽，实现了从产品数据管理到工艺设计管理、企业资源管理、生产制造管理系统问EBOM、PBoM数据的有效传递，年度数据分发10万余行，为实现设计、工艺、生产、采购的科研生产一体化流程提供了重要数据保障。

该平台通过与企业管理驾驶舱和企业大脑的集成，为企业各类角色人员提供融合技术、数据、业务的智能化应用，实现了经营业绩、计划执行、库存占用金、供应商选用、成本控制、客户满意度、员工绩效等各类指标的动态抓取和可视化展现。形成了信息一知识．应用的数据价值闭环，赋能企业数字化转型。

4 结语