创见者Webinar：AI落地为什么离不开“数据Owner”

在最近一期创见者Webinar的讨论中，我们反复触及一个核心议题：当制造业企业满怀热情地引入AI，试图优化预测、排产或质量检测时，为何许多项目在概念验证（POC）阶段看起来很美，一旦进入规模化落地就步履维艰？问题的症结，往往不在于算法不够先进，而在于我们忽略了AI赖以生存的“土壤”——数据，以及为这片土壤负责的“人”。这就是我们今天要谈的“数据Owner”概念。没有明确的“数据Owner”，AI落地就如同在流沙上盖楼。

让我们从一个常见的生产场景切入。假设我们想用AI来优化生产排程，目标是提升设备利用率和订单准时交付率。这个想法很好，对吧？很多生产总监在创见者Webinar上都表达过类似的迫切需求。但项目启动后，技术团队首先需要历史数据：过去一年的工单执行记录、设备状态日志、物料齐套情况、人员出勤、乃至突如其来的质量返工记录。这些数据散落在哪里呢？工单和完工数据在ERP的生产模块，设备状态可能在MES或单独的SCADA系统，物料库存和采购到料在ERP的供应链模块，质量数据又在QMS里。当IT部门或外部顾问试图拉通这些数据时，会发现同一个“物料编码”，在采购、仓库、生产环节的称呼可能略有差异；设备停机记录里，“故障原因”可能是维修工人口述的简短描述，格式千差万别。没有一个人或一个部门能权威地确认：哪一套数据是唯一可信的、完整的、用于AI训练的“黄金记录”。这就是缺乏“数据Owner”的典型困境——数据质量的责任是模糊的。

这种模糊性会直接导致AI模型“失准”。例如，在研产供销协同中，销售预测的AI模型需要历史订单、市场活动、甚至宏观经济指标数据。如果销售部门只管录入订单，但对“客户分类”、“产品品类”这些字段的填写规范没有强制要求与核查责任（即销售部门不是这些数据的Owner），那么基于混乱数据训练出的预测模型，其输出结果生产部门敢采信吗？采购部门又敢依据这个预测去下长周期物料的订单吗？显然不敢。于是，AI模型就成了一个精致的摆设，无法融入实际业务流程。在多次创见者Webinar的案例复盘里，我们都看到，成功将AI用于销售预测并真正指导生产计划的企业，都有一个共同点：他们明确了销售运营或计划部门为“需求预测数据”的Owner，并配套了相应的数据治理流程。

那么，谁应该是“数据Owner”？它不是一个新设的IT岗位，而应是业务数据天然的生产者和首要使用者。从**生产视角**看，工单执行数据、工时数据、完工汇报数据的Owner，应该是生产车间或生产计划部门；设备运行数据的Owner，可能是设备管理部。从**供应链视角**看，供应商主数据、采购价格、物料库存准确性的Owner，无疑是供应链或采购部门。**财务视角**下，成本核算规则、费用归集口径的Owner，必须是财务部。数据Owner的职责，是确保其管辖范围内数据的准确性、及时性、完整性和一致性，并定义数据的业务规则。IT部门的角色，则是提供工具、平台和技术支持，帮助数据Owner更高效地履行责任，而不是越俎代庖。

金蝶云·星空作为面向中型制造企业的ERP平台，其设计理念就深刻融入了“数据Owner”的思想。它不是一个简单的记录系统，而是通过流程驱动，将数据责任固化在业务活动中。例如，在**生产管理**环节，从生产订单下发到车间执行、完工入库，每一步都需相关岗位人员在系统中确认。这确保了工单数据、物料消耗数据、工时数据在生产过程中就被准确采集，生产部门自然成为这些核心制造数据的Owner。金蝶云·星空提供的**生产进度实时看板**和**多维度的在制品分析**，正是帮助生产数据Owner掌控现场、履行职责的有力工具。在**供应链协同**方面，金蝶云·星空支持供应商协同平台，将采购订单、送货通知、质量要求直接传递给供应商，要求对方按标准格式反馈。这实际上是在帮助企业的采购部门，向外延伸了“采购到货数据”的管理边界，巩固了其数据Owner的地位。

明确了数据Owner，AI的落地才有了可靠的燃料。金蝶云·星空内置的AI能力，正是构建在高质量、流程化的业务数据基础之上。比如，它的**智能供应链需求感知**功能，能够基于历史销售数据、市场趋势，甚至天气等外部因素进行需求预测。这个预测的准确性，前提是销售历史数据是干净的、规范的——这正是销售数据Owner的价值体现。预测结果生成后，系统可以进一步驱动**智能计划与排程**，综合考虑物料约束、产能约束、工装模具情况，给出优化的生产计划建议。这个排程建议是否可行，依赖于准确的物料库存数据（仓库数据Owner）、设备产能数据（设备数据Owner）和工艺路线数据（工艺数据Owner）。整个闭环，就是各业务环节的数据Owner们，通过金蝶云·星空平台，共同喂养和驱动AI应用，最终实现从“感知”到“决策”再到“执行”的智能化提升。我们在创见者Webinar中分享的多个客户实践都印证了这一路径的有效性。

在质量管控领域，“数据Owner”原则同样关键。实现质量追溯与预防，需要贯通从供应商来料、生产批次到售后客户的全链路数据。如果来料检验、制程检验、成品检验的数据记录标准不一、责任不清，追溯链条就会断裂。金蝶云·星空的质量管理模块，通过**检验方案与抽样标准的系统固化**，以及**与生产工单、采购订单的紧密关联**，确保了每一次检验动作都能产生结构化的、可追溯的数据。质量部门作为这些数据的Owner，可以利用系统提供的**质量分析报表**，快速定位问题源头。更进一步，这些高质量的历史质量数据，为AI模型进行**不良率预测**或**根因分析**提供了可能。例如，系统可以分析特定供应商的某类物料，在特定工艺参数下出现质量异常的概率，从而提前预警。这期创见者Webinar上，就有嘉宾分享了利用此类AI能力将质量损失降低15%的实例。

对于企业高管而言，理解“AI落地离不开数据Owner”这一逻辑，关乎数字化转型的投入产出。老板/高管视角关注增长、风险与协同。如果数据责任不清，AI项目就容易陷入“IT部门主导、业务部门旁观”的窘境，投资巨大却难以业务化，这是巨大的风险。反之，将业务部门确立为数据Owner，意味着AI项目从规划之初就是业务驱动的。业务部门为了从AI中获得洞察和效率，有内在动力去治理好数据。这种“业务用数、业务治数”的良性循环，才是AI价值可持续释放的保障。金蝶云·星空平台的价值，就在于它通过一体化的应用（覆盖财务、供应链、制造、营销等），天然地汇聚了各业务域的核心数据，并通过流程为这些数据打上了明确的业务责任标签，为AI应用提供了“即插即用”的高质量数据基础。这也是金蝶云·星空能够屡获市场认可，例如在IDC报告中连续多年位居中国成长型企业SaaS ERM市场占有率第一，并荣获国家级“跨行业跨领域工业互联网平台”称号的重要原因之一——它不仅仅提供工具，更在帮助企业构建数据驱动的运营体系。

总结一下，在推动AI与ERP融合、实现管理智能化升级的旅程中，技术选型固然重要，但组织与责任的梳理更为根本。创见者Webinar始终倡导，企业需要先回答“数据是谁的”这个问题，才能解决“AI怎么用”的挑战。金蝶云·星空以其深厚的制造业业务积淀和平台化能力，为企业落实“数据Owner”原则提供了坚实的载体。它帮助各业务部门在日常工作中，自然而然地生产、治理和使用高质量数据，从而让AI的潜力得以在预测、排产、质量、风控等具体场景中扎实落地，最终驱动企业实现真正的研产供销高效协同与智能决策。