1. 制造数据治理评审导论
制造数据治理评审，是在制造企业数据治理体系运行过程中，由独立或相对独立的评审角色，依据既定标准、制度与指标，对治理对象、治理过程与治理结果进行系统性检查、验证与判定，并输出可追溯结论与改进要求的一类活动。它既不是一次性的“数据质量抽查”，也不等同于日常的数据运维监控，而是把“治理是否按设计运行、是否产生预期效果、是否可持续”转化为可核查证据的管理机制。
理解评审，先要把它与三类相邻活动区分开。第一类是数据质量检验：它关注单点数据是否满足规则，例如某批物料主数据的必填率、唯一性；评审则进一步追问规则是否覆盖关键业务、规则失效时谁负责、整改是否闭环。第二类是日常监控告警：它面向实时或准实时指标，强调发现异常；评审面向周期或里程碑，强调判定与责任。第三类是项目验收：它针对一次性交付物；评审则覆盖持续运行中的治理机制，包括组织、制度、流程、标准、平台与数据本身。
评审的目标可以归纳为四个层次：合规性——治理活动是否符合数据标准、安全分级、主数据管理规范与内控要求；有效性——治理措施是否真正降低了数据问题对生产、质量、供应链的影响；一致性——同一数据对象在研发、工艺、制造、质量、服务等环节是否保持定义、口径与版本一致；可持续性——责任是否落到岗位、问题是否进入闭环、指标是否可复算。四者缺一不可：只有合规没有效果，评审会沦为形式；只有效果没有合规，治理难以规模化复制。
在数据治理体系中的位置，可以用“设计—执行—评审—改进”的闭环来理解。数据战略与治理政策给出方向；数据标准、主数据模型、安全分级、质量规则构成“设计层”；各业务域与数据Owner按流程执行“执行层”；评审位于执行层之上、改进层之前，承担独立验证与反馈职责。评审结论不是终点，而是下一轮标准修订、流程优化与资源投入的依据。因此，评审在体系中既是“控制点”，也是“反馈回路”。
制造场景下的特殊性，首先来自数据对象的物理—数字双重属性。物料、BOM、工艺路线、工装、批次、序列号、检验特性、设备参数等，既在PLM、ERP、MES、QMS、WMS、SCADA等系统中以记录形式存在，又对应真实的物理实体与现场动作。评审不能只看系统字段，还要核对“系统里的批次号是否与现场流转卡一致”“工艺参数版本是否与设备实际配方一致”。这决定了制造数据评审必须包含现场核查与实物比对环节。
其次是多系统、多版本、多工厂的异构性。同一物料在研发、工艺、制造、售后可能有多套编码与描述；同一工艺参数在不同工厂、不同产线可能存在合理差异。评审要区分“应统一而未统一”与“因工艺差异而合理不同”，不能简单以“不一致”判为问题。例如，某集团规定物料主数据的关键属性（物料组、基本单位、批次管理标识）必须全集团一致，而安全库存、采购提前期允许按工厂维护。评审时就要按属性分级判定。
第三是强实时与强追溯要求。汽车、电子、医药、装备等行业对批次追溯、序列号追溯、工艺参数追溯有法规或客户要求。评审需要验证追溯链是否完整：从成品序列号能否反查到关键工序参数、操作人员、设备、来料批次；正向能否从问题来料定位到受影响成品范围。这类评审往往需要构造追溯测试用例，而不是仅检查字段是否存在。
第四是数据问题与业务损失直接挂钩。BOM错误可能导致停线或错料，工艺参数错误可能导致批量报废，主数据重复可能导致采购重复下单。评审在判定问题时，应尽量量化影响：影响工单数、影响批次、影响金额、影响客户交付。这使评审结论更容易获得业务部门重视，也便于排定整改优先级。
制造数据治理评审面临的挑战同样突出。其一是证据获取难：现场记录可能纸质与电子并存，历史版本可能已被覆盖，跨系统日志留存周期不一。其二是责任边界模糊：一个数据问题可能涉及研发创建、工艺维护、生产使用、IT平台多个环节，容易出现“都能解释、无人负责”。其三是评审与生产节奏冲突：停线核查成本高，评审窗口有限，需要采用抽样、旁站、非侵入式取证等方式平衡。其四是指标口径不统一：不同部门对“数据准确率”“及时率”的定义不同，导致评审结论争议。因此，评审前必须确认指标定义、抽样规则与判定阈值。
以一个可操作的示例说明评审如何落地。假设对某工厂“物料主数据”开展一次专项评审，评审范围限定为近三个月新建的原材料物料，样本量按95%置信度、5%误差抽取约120条。评审依据包括《物料主数据编码规范》《主数据审批流程》与ERP字段必填规则。评审动作分为三步：第一步，从ERP导出样本清单，核对编码规则、物料组、基本单位、批次标识等字段；第二步，抽取其中20条与PLM中的研发物料描述、现场收货记录进行三方比对；第三步，对发现的差异，按“规则缺失、执行偏差、系统缺陷、业务合理差异”四类归因，并统计每类占比。判定时，若编码规则错误或关键字段缺失，判为严重；若描述不一致但不影响采购与生产，判为一般；若因工艺保密需要而限制字段展示，判为观察并记录理由。最终输出评审报告，包含样本量、问题分布、根因归类、整改建议与复评时间。
需要强调的是，评审的价值不在于“查出多少问题”，而在于让治理体系形成可验证的信任。当评审结论能够被业务部门认可、整改能够闭环、标准能够据此修订，数据治理才从“运动式治理”走向“常态化运行”。制造企业的评审还应逐步从人工抽样走向“规则自动核查+人工重点复核”的混合模式，把评审员的时间集中在跨系统、跨现场、跨责任的复杂问题上。