制造业数字化转型走到今天，一个尴尬的现实是：设备联网率上去了，数据却“躺在”服务器里睡大觉。很多企业花重金上了工业物联网系统，产线数字化改造也做了，但管理者打开大屏看到的仍是“当日产量”“设备状态”这类浅层指标——真正能指导排产、预测故障、优化能耗的决策依据，依然缺位。问题的根源不在采集端，而在于从数据到价值的“最后一公里”没有打通，这正是数据中台要解决的核心命题。

先别急着建平台，把数据资产盘点清楚

不少企业一上来就采购昂贵的中台软件，结果发现源头数据质量惨不忍睹：同一台设备的温度，PLC里存的是16位整型，SCADA系统里变成了浮点，MES里又加了单位换算。这种“脏乱差”的数据，即便进了中台也是垃圾进、垃圾出。我们给客户做咨询时，第一步永远是梳理数据字典和接口规范，把每个测点、每张表的业务含义、精度、采样频率定义清楚。这一步枯燥，但决定了后续所有分析模型的上限。

架构设计要“轻”，但治理机制要“重”

数据中台的架构不必追求大而全，反而应当按“域”拆分：设备域、工艺域、质量域、能耗域。每个域由业务部门牵头定义指标口径，IT团队负责技术实现。比如在智慧园区场景里，能耗域要统一水、电、气的计量标准，设备域则要统一OEE（设备综合效率）的计算逻辑。很多项目失败，不是技术不行，而是业务侧没人愿意为数据质量负责——这必须在组织层面解决。

具体到实施路径，可以分四步走：

1. 采齐：用工业物联网网关补齐缺失的测点，尤其是那些依赖人工抄表的老旧设备，优先加装传感器；
2. 打通：通过边缘计算节点做初步清洗，把不同协议的数据转换成统一格式，再汇入中台；
3. 建模：针对具体场景（如刀具寿命预测、空压机能耗优化）建立分析模型，而不是先建一堆没用的报表；
4. 反哺：把模型结果推送到产线端的看板或控制系统中，形成“采集-分析-执行”的闭环。

一个真实的产线数字化案例

去年我们帮一家汽车零部件企业做产线数字化升级，他们三条机加工线的OEE长期徘徊在62%左右。通过数据中台接入工业物联网数据后，发现瓶颈不在设备故障，而在换型时间过长——每次换型平均耗时47分钟，远超行业标杆的25分钟。进一步分析换型期间各工位的动作时序，找出7个可并行操作点。调整后，换型时间压缩到31分钟，OEE提升至71%，相当于每天多出近两个小时的产能。这个收益，完全来自对既有数据的深度挖掘，没有新增一台设备。

这个案例说明，数据中台的价值不在于“拥有数据”，而在于把数据变成可执行的行动指令。对制造企业而言，智慧园区、智能工厂的最终形态，一定是业务人员能像使用Excel一样自如地调用数据资产，而不是依赖IT部门出报表。

说到底，数据中台不是终点，而是产线数字化持续演进的地基。那些率先把数据治理做扎实、把业务指标定义清楚的企业，才能在下一轮竞争中拿到真正的决策红利。路径并不神秘，难的是坚持把每一件“脏活累活”做到位。