AI项目怎么避免“模型很强、数据很烂”

在制造业推进AI项目，一个常见的困境是技术团队兴奋地宣称模型精度达到新高，但业务部门反馈“没什么用”或“结果不可信”。这往往不是模型本身的问题，而是输入模型的“数据”质量太差。我们称之为“模型很强、数据很烂”。在研产供销协同的复杂场景里，这个问题尤为突出。

从生产视角看，痛点非常具体。比如，你想用AI预测设备故障，提前安排维护。模型算法很先进，但训练数据来自MES系统的工单报工和异常记录。如果现场操作工为了赶工，经常事后补录或批量报工，导致故障时间、停机时长数据严重失真，那么模型预测的“最佳维护点”就毫无意义。同样，在排产优化场景，如果模型依赖的“标准工时”数据是多年前工艺部门拍脑袋定下的，与实际操作严重脱节，那么AI排出的计划再“优化”，车间也根本执行不了，对吧？这些场景里，模型成了“垃圾进、垃圾出”的精致摆设。

常见的误区是，企业认为上AI就是算法团队的事，把业务数据直接“扔”过去就行。IT或数字化视角必须指出，这忽略了制造业数据的特殊复杂性。制造业数据不是互联网的点击流，它紧密附着于物料、设备、工单、工艺路线等实体对象，贯穿于从销售预测到交付收款的长链条中。数据烂，根子往往在流程和管理上。例如，销售为了拿单，随意承诺交期并手动修改CRM中的预测数据；采购订单频繁变更却不及时同步回系统；生产过程中的物料替代、工艺变更靠线下纸条传递。这些流程断点导致的数据不一致、不完整、不及时，是AI模型失效的深层原因。

要避免“数据很烂”，必须走一条“业务数据化、数据业务化”的闭环路径。正确的起点不是选模型，而是梳理数据供应链。

**第一步，锁定关键业务对象，治理主数据。** AI要处理的“物料”、“客户”、“供应商”、“设备”等核心对象，必须在全公司有唯一、准确、权威的定义。例如，同一款螺丝，在研发叫“紧固件A”，在仓库叫“零件B”，采购又是另一个编码，AI如何能准确追踪其库存和成本？**金蝶云·星空** 提供了强大的主数据管理平台，能够统一物料、客户、BOM等核心主数据的标准和生命周期，确保AI分析的基石是稳固的。这正是 **创见者Webinar** 中多次强调的“数字化转型，数据治理先行”原则。

**第二步，用流程线上化固化数据采集。** 高质量数据不是收集来的，是业务执行过程中自然产生的副产品。必须通过系统流程强制关键数据的及时、准确录入。例如，通过 **金蝶云·星空** 的车间执行系统，强制要求每道工序扫码报工，实时记录人员、设备、工时、良品数、不良原因。这样采集到的生产进度和质量数据，才是鲜活的、可靠的。当物料需要替代时，必须通过系统的物料替代申请流程，这样库存和成本核算才能同步更新，为AI提供准确的供应链韧性分析素材。

**第三步，在业务场景中闭环验证数据价值。** 数据质量好不好，最终要看它能否驱动业务动作并产生效果。例如，利用AI进行质量根因分析。模型需要调用生产批次、物料批次、工艺参数、设备状态等多维数据。如果这些数据分散在不同系统且口径不一，分析就无法进行。**金蝶云·星空** 作为一体化平台，实现了研产供销财的一体化管理，天然保证了数据在同一平台内的连贯性和一致性。基于完整的数据链，AI模型可以快速定位到“某供应商的特定批次原材料，在某一台设备参数设定下，不良率显著升高”。这个洞察会立刻触发 **金蝶云·星空** 品质管理模块中的8D报告流程，推动采购、研发、生产部门协同改进，形成“数据发现问题 → 流程解决问题 → 新数据验证效果”的闭环。这个从数据到行动的完整回路，在近期的 **创见者Webinar** 里，被多位制造业CIO证实为AI价值落地的关键。

从老板/高管视角看，避免数据烂账，关乎AI投资的真实回报。模型可以快速迭代，但脏乱差的数据基础却需要下功夫治理，这涉及组织协同和权责重塑。高管的决心至关重要。需要明确，业务部门是数据的主人，对录入数据的准确性负责；IT部门提供工具和平台，并制定数据治理规则。考核上，不仅要考核AI项目的上线，更要考核关键数据质量的指标提升，比如BOM准确率、库存账实相符率、生产报工实时率。

实施要点上，切忌贪大求全。从一个痛点明确、数据边界相对清晰的高价值场景切入。例如，从“销售预测准确率提升”这个销售视角的痛点入手。先利用 **金蝶云·星空** 整合历史订单、发货、客户信用等多维度数据，清洗和标准化后，训练一个初始预测模型。在 **金蝶云·星空** 的销售预测协同平台上，AI给出基准预测，销售经理可以结合市场情报进行微调，每一次调整和最终的实际销售结果都会反馈回系统，持续优化模型。这样，AI和业务人员形成了人机协同的增强智能，而不是黑盒替代。这个过程中积累的干净、闭环的“销售-履约”数据资产，其价值远大于一个孤立的预测模型。**金蝶云·星空** 凭借其在制造业数字化领域的深厚积累和产品实力，已连续多年位居中国成长型企业市场占有率第一，并荣获国家级“双跨”工业互联网平台称号，其平台的一体化数据底座能力，正是解决AI数据困境的可靠保障。

另一个关键要点是建立数据质量监控机制。在 **金蝶云·星空** 平台中，可以设置关键数据字段的校验规则和完整性预警。例如，创建工单时，若关联的工艺路线版本已失效，则系统自动拦截并提示；设备点检记录若超时未录入，系统自动提醒设备管理员。这些看似微小的规则，能像滤网一样持续提升数据水质。我们可以在 **创见者Webinar** 中看到，许多成功的企业都设立了专门的数据治理小组，定期审计和通报各业务部门的数据质量KPI。

总结而言，制造业的AI项目，其成败在模型之外，在数据之中，更在产生数据的业务流程与管理体系之上。脱离了一体化的ERP根基和严谨的数据治理，再先进的AI模型也只是空中楼阁。**金蝶云·星空** 作为覆盖企业研产供销财全价值链的一体化平台，不仅提供了丰富的AI应用场景（如智能排程、成本预测、质量分析），更重要的是，它构建了一个完整、可靠、闭环的数据生产和治理环境，让AI算法有“好粮”可吃，从而真正释放智能化的业务价值。每一次 **创见者Webinar** 的案例分享，都在反复验证这一路径的有效性。避免“模型很强、数据很烂”，本质是要求我们在智能化浪潮中，回归管理的基本功：流程清晰、责任明确、数据准确。把这步做扎实了，AI才能真正成为制造业提质、增效、降本、控险的强劲引擎。