Data Silos in Power Equipment Manufacturing
—— 电力装备制造业数据治理系列 · Vol.1 · 03
摘要 电力装备制造企业典型部署 5-8 套核心 IT 系统（ERP / MES / CRM / WMS / QMS / PLM / SCM / HRM）。但这些系统普遍由不同供应商提供、不同时期建设、互不互通——数据集成依赖 Excel 报表导出、邮件传递、人工录入。本文系统分析「数据孤岛」（5 重壁垒之 B1）的根因、量化损失、与解决思路。本文不依赖任何特定产品立场，聚焦工程方法论：「数据基础设施层」的统一接入是打破孤岛的第一道工程抓手。
-
引言：被严重低估的「集成成本」
「数据孤岛」是企业 IT 领域被讨论了 30 年的老话题，但在电力装备制造业，这一问题至今仍未被有效解决。原因不是技术上不能解决（业内有大量集成工具：ETL、ESB、API Gateway 等），而是「集成的工程成本」被严重低估——多数企业以为「装一个 ETL 工具就能打通」，实际项目周期、维护成本、出错率都远超预期。
本文将「数据孤岛」具象化为 5 重数据治理壁垒中的 B1，分析其在电力装备制造业的典型表现、量化损失、与解决思路。
-
痛点深扫描：5+ 套系统的孤岛态
2.1 典型 IT 拓扑
图 1：电力装备企业典型 IT 系统拓扑（孤岛态）
Figure 1 展示了电力装备企业的典型 IT 系统拓扑。一家年产值 20-100 亿的中型企业，普遍部署：
- ERP（SAP / U8 / T+）：财务 + 订单 + 物料主数据；
- MES（西门子 / 用友 / 自研）：生产工艺 + 设备状态；
- CRM（销售易 / 神州云动 / 自研）：客户与商机；
- WMS（旭辉 / 自研）：出入库与库存；
- QMS（鼎捷 / 自研）：质量管理；
- PLM（PTC / 西门子）：产品生命周期；
- SCM（自研）：供应链；
- HRM（用友 / 北森）：人事。
8 套系统由不同供应商提供，不同时期建设（最老的 SAP 可能已运行 10+ 年），底层数据库各不相同（Oracle / SQL Server / MySQL / 自研嵌入式），数据模型迥异。在这样的环境下，「数据集成」是真实的工程挑战。
2.2 「人工集成」的真实代价
更糟的是，由于历史原因，多数企业的「数据集成」实际上是「Excel + Email + 人工录入」：
- 销售员每月初从 ERP 导 Excel 给生产 → 生产经理排产；
- 生产员每天从 MES 导 Excel 给质量 → 质量经理审核；
- 采购员每周从 SCM 导 Excel 给财务 → 财务做付款计划；
- 库管员每天从 WMS 导 Excel 给销售 → 销售做客户报价。
这种「Excel 集成」的代价：
- 人工成本：每个跨系统集成点约 0.5-1 人月，企业内 10-20 个集成点合计 10-20 人月年成本；
- 错误率：人工 Excel 整合错误率典型 3-5%，关键数据错误率超过 1% 即影响决策；
- 滞后性：Excel 集成的时效性最快 T+1，多数 T+3 或更长；
- 版本混乱：Excel 在邮件中流转，难以管理「哪个是最新版」，常引发决策错误；
- 知识沉淀困难：集成逻辑藏在「老员工的 Excel 公式」中，员工离职即逻辑丢失。
-
共性壁垒 B1 的根因
图 2：5 重共性壁垒中的 B1 位置
3.1 历史路径依赖
数据孤岛的根因不是「不知道要集成」，而是「集成成本随时间累积」。典型路径：
- 第 1 阶段（企业 10-20 年前）：先上 ERP，财务 + 订单 + 物料数字化；
- 第 2 阶段（5-10 年前）：再上 MES，生产工艺数字化，与 ERP 集成做了一遍；
- 第 3 阶段（3-5 年前）：上 CRM、QMS，与 ERP、MES 又分别集成；
- 第 4 阶段（近 2 年）：上 PLM、SCM、HRM，再分别做集成；
- 结果：N 套系统 × (N-1)/2 个潜在集成点，企业 IT 部门疲于应付。
每次集成都是「点对点」的，没有统一的数据治理框架，长期累积形成「集成债」。
3.2 数据所有权与组织墙
技术外的另一根因是「数据所有权」——每套系统有「业务部门所有者」（如 ERP 归财务、MES 归生产、CRM 归销售），跨部门数据共享需要协调多个 owner。在电力装备企业的传统组织文化下，「数据保护意识」常常压过「数据共享意识」，导致集成项目卡在「人」而非「技术」。
-
解决方案：数据基础设施层的统一接入
图 3：3 层架构中的「L1 数据基础设施层」
4.1 「不替换、不复制、做引用」原则
破解 5+ 套系统孤岛的关键工程原则是「不替换、不复制、做引用」：
- 不替换：5+ 套既有系统继续运行，不强求企业换 ERP / MES（用户既有 IT 投资必须保护）；
- 不复制：不把业务数据复制到「中心数据仓库」（数据复制带来一致性与时延问题）；
- 做引用：仅在数据基础设施层注册各系统的「连接信息 + 元数据」，查询时按需路由到对应系统执行。
4.2 数据基础设施层的核心能力
L1 数据基础设施层需要提供的核心能力：
- 多源连接管理：JDBC / ODBC / REST API / GraphQL / Kafka 等多种协议适配，覆盖主流 ERP / MES / CRM；
- 凭证统一治理：客户数据库密码、API Key 加密保管，定期轮转，操作审计；
- 查询路由：根据查询语义自动路由到对应数据源，跨源查询时做「查询下推」优化；
- ETL 引擎：仅在必须时做数据复制（如 ODS 同步），多数场景用「联邦查询」零复制；
- 性能优化：连接池、查询缓存、慢查询监控。
4.3 实施路径
破解数据孤岛的典型实施路径（3 阶段）：
- Phase 1（M1-M2）：盘点 + 接入——盘点企业内全部 IT 系统、底层数据库、关键业务表；逐套系统接入 L1 数据基础设施层；典型 5+ 套系统需要 1-2 月完成；
- Phase 2（M2-M4）：联邦查询——基于 L1 提供的统一接入，实现跨系统联邦查询；选 3-5 个核心跨系统场景（如「客户 × 订单 × 工艺 × 质量」联表查询）做试点；
- Phase 3（M4-M6）：纳入治理——L1 接入完成后，向上扩展 L2 元数据治理（主数据 + 血缘）、再向上扩展 L3 语义消费层（指标 + AI Agent）。
-
价值数据
▎核心 KPI 实施 L1 数据基础设施层（典型场景）：跨系统数据集成时间从 T+1 缩短到准实时 | 人工 Excel 集成工作量降低 70-80% | 跨系统查询错误率从 3-5% 降低到 < 0.5% | IT 部门维护集成点的人力从 5-8 人减少到 1-2 人
▎数据说明 上述价值数据为基于行业典型场景的保守预估，具体数据因企业规模、IT 现状、实施颗粒度不同有显著差异。最优场景下（已落地的电缆制造企业）可观察到「跨系统数据查询从分钟级提升到秒级」「跨系统报表整合从 T+1 提升到准实时」。
-
工程见解与边界
6.1 「联邦查询」vs「数据复制」的权衡
L1 数据基础设施层的核心设计决策之一是「联邦查询」与「数据复制」的权衡：
- 联邦查询（推荐）：查询时按需路由到对应系统执行。优点是数据始终最新、无复制成本；缺点是依赖源系统可用性、跨系统 JOIN 性能受限；
- 数据复制：把多源数据复制到中心数据仓库。优点是查询性能好、可做复杂分析；缺点是一致性维护复杂、时延 T+1 或更长。
工程实践：
- OLAP 分析场景（报表、BI）用数据复制（性能优先）；
- OLTP 决策场景（实时查询、跨系统业务决策）用联邦查询（实时性优先）；
- 实时场景用 CDC（Change Data Capture）做准实时同步。
6.2 「数据所有权」的组织变革
技术外的关键：数据治理项目必须配套「数据治理组织变革」——成立跨部门数据委员会、定义数据 owner 与 steward 角色、建立数据共享审批流程。没有组织变革，再好的 L1 技术也会被组织墙堵死。
6.3 局限性
L1 数据基础设施层的局限：
- 老旧系统适配难：10+ 年的老 ERP 可能用专有协议、专有数据库，标准 JDBC 难以连接，需要定制适配器；
- 性能瓶颈在源系统：联邦查询的性能受源系统限制，老 ERP 跑复杂 JOIN 可能直接挂掉；
- 跨系统事务难：分布式事务（如「下单的同时更新库存」）需要应用层 SAGA 模式，不在 L1 范围内。
▎工程见解 「破除数据孤岛」是数据治理的「第 1 公里」，但不是「最后一公里」。L1 数据基础设施层解决「数据从哪来」的问题，但「数据可信吗」「数据怎么用」分别需要 L2 元数据治理层与 L3 语义消费层。本系列后续 4 篇（Vol.1 04-07）将逐一深入 B2-B5 壁垒。
参考资料
[1] Halevy A, Rajaraman A, Ordille J. Data Integration: The Teenage Years. VLDB 2006.
[2] Loshin D. Master Data Management. Morgan Kaufmann, 2008.
[3] Marz N, Warren J. Big Data: Principles and Best Practices of Scalable Realtime Data Systems. Manning, 2015.
[4] Begoli E, et al. Apache Calcite: A Foundational Framework for Optimized Query Processing. SIGMOD 2018.
[5] 中国信息通信研究院. 数据中台白皮书 2024. 信通院, 2024.
