DCMM 助力工业企业数字化转型发展最佳实践

导读本文将分享 DCMM 是如何助力工业企业数字化转型发展的。

主要围绕下面四点展开：

1. 建设背景

2. 建设过程

3. 经验总结

4. 展望致谢

分享嘉宾｜任海滨 徐州徐工矿业机械有限公司 部长

编辑整理｜刘波特

内容校对｜李瑶

出品社区｜DataFun

---

01

建设背景

1. 背景-徐工矿机对数字化转型的迫切需求

徐工矿机是徐工集团下属的二级子公司，是目前国内为数不多能够制造成套大型露天矿业机械的企业。企业目前逐步向全产业布局，从产品制造商向整体解决方案的提供商转型。目前已拥有上游的核心零部件自研公司和下游的矿山设备开采、工程管理公司。随着国际市场的日趋复杂，供应链的动荡，为满足公司内部对规模化、精益化经营的需求，数字化转型从“愿景”到“落地”的跨越迫在眉睫。

2. 背景-从两化融合到数字化转型

统观大环境，2007 年党的十一大提出信息化带动工业化，以工业化促进信息化，走新型工业的发展道路。2020年 10 月，十九届五中全会提出了十四五规划和制造强国的目标，提出互联网经济、数字化转型，数字经济、高质量发展、制造强国100 年的目标，其中明确提出了数字化转型，数字中国等整体要求。

为顺应大环境，徐工矿机也在考虑做需求驱动的数字化价值探索。随着两化融合对数字化、网络化、智能化的要求更加具体，以及 DCMM 和 CMMM 国家标准的相继推出，企业形成了标准引领，分级指导的整体思路。

3. 背景-徐工矿机数字化建设进程

徐工集团成立于 1989 年，挖机事业部是在 2008 年成立。到 2018 年矿业板块独立运营时，开展了两化融合管理体系，以及质量管理体系的实施和搭建。2019 年做了徐工矿业机械智能化制造基地安全和职业健康管理体系，2020 年被评为省级智能制造示范车间，2021 年荣获国内首批两化融合升级版 AAA 级认证，并获评为江苏省工业互联网示范工程。

2022 年随着数字化转型的深入，以及对数据应用、数据治理和数据质量提升的要求，开展了 DCMM 的认证工作，以及 CMMM 评估，并且获得了江苏省工业互联网标杆工厂的认证。

整体来讲，我们以两化融合作为基础体系，围绕徐工集团智改数转驱动“五化”高质量发展和徐工矿机自身数字化转型战略目标，强化实践应用，以评促建。

4. 徐工矿机数字化转型面临的数据问题

不论是数字化转型，还是 DCMM 认证，目的都是为了解决目前企业在数字化转型过程中面临的数据应用问题。徐工矿机在数字化转型过程中，将数据提升到了战略资源性层面。目前国内在金融、互联网领域有一些成功案例，但在离散型的制造业，尤其大型装备行业里还没有成熟且全面的可以借鉴的案例。在数据治理以及数据应用的初级阶段面临诸多问题，我们前期也经历了信息化建设的阶段，上了一些信息化系统，但在数据应用和数据管理方面仍面临一些难题。

第一，主数据管理不规范。物料主数据管理不规范，数据不准确，无归口部门统筹管理。未建立客户、设备、生产计划等重要数据资产管理规范。对于离散型制造业来说，主数据的管理是非常重要的，但是主数据管理的规范性、标准性以及体系化目前做得不够，导致基础数据问题严重。

第二，数据安全风险较高。低质量数据可能带来错误的导向，造成数据被误用或误解，增加了数据安全与隐私保护的风险。

第三，数据职责不清晰。数据的定义、生成、使用、管理以及数据最终的消除，全生命周期的管理无专门的部门负责，没有通过数据资产梳理定义好数据负责人，缺少问责机制，导致了不一致、不完整、不正确、不及时等数据问题。

第四，数据质量不高。一方面无法保证即时性和真实性，比如在数据采集阶段，由于制造行业的设备来自于不同的生产厂商，设备的控制系统、手工系统来自于不同的制造厂商，因此数据系统的开放性以及接口的通用性都存在一些问题，导致了数据采集的及时性和数据质量的问题。另一方面，缺少数据的清洗、加工以及转换的能力，也没有统一的数据管理平台。

第五，存在数据孤岛。数据集成深度不够，存在一些数据孤岛，导致部分数据无法被集成利用，无法做到数据资产共享。信息化系统也存在烟囱式系统，部门之间业务隔离，也造成了数据之间的不共通。因为无法有效集成和利用数据资产，造成业务应用部门在应用数据过程中，需要从不同系统、不同来源去采集数据，数据来源不清晰、不一致，让数据应用面临较大问题。

第六，数据定义不一致。存在同一数据叫法不同，以及不同数据同一叫法的情况，导致了数据统计、报送、经营管理方面的一系列问题。因此造成数据的应用深度不够，无法实现的以数据去驱动企业决策，以数据去驱动业务发展。

5. DCMM 以评促建建设目标

在了解了 DCMM 标准后，我们认为该标准适用于公司目前的发展阶段，通过这种以评促建的方式可以提升整体的数据应用和数据治理效果。因此我们把 DCMM 贯标和评估作为指引，以稳健级的要求为目标，从需求、问题和能力三个方面全面评估和诊断，旨在解决徐工矿机目前的一系列数据应用问题，支撑企业数字化转型升级。

通过 DCMM 想达到的效果包括：

• 全面掌握数据资产的现状，对数据进行全面盘点，形成数据地图，为业务应用和数据获取夯实基础。
• 提升数据质量，形成覆盖数据全生命周期的数据质量管理，实现数据向优质资产的转变。
• 保障数据安全合规，制定完善的数据安全策略，建立体系化的数据安全措施、执行数据安全审计，确保数据获取和使用合法合规。
• 实现数据互联互通，打破数据孤岛，实现内部数据高效共享，提升数据的服务应用能力。
• 实现业务融合，让数据随时快速有效就绪，缩短数据分析人员和数据科学家的数据准备时间，加快数据与业务的融合过程。
• 数据价值持续释放，通过一个持续和动态的全生命管理过程，使数据资产能够为企业数字化转型提供源源不断的动力。

6. DCMM 以评促建建设思路

公司数据资产化建设的整体思路为：

第一，通过数据战略、现状差距分析、实施路径分析，整体摸索出一套方法论，构成整体的战略与规划。

第二，在组织与制度建设方面，以业务现状为基础。数据应用、数据治理涉及公司各个部门，过去的做法是由信息化部门去统一管理，但统一管理只是管理信息化系统，比如ERP 系统等，缺乏对业务的深入了解。因此我们成立了数字化转型领导小组，由公司总经理作为领导小组的组长，统一做数据资产计划发布。数据资产信息化部，作为承接部门，也是各个业务部门的连接体，把业务部门对于数据的应用需求做整体的梳理和整理。并成立了跨部门的数字化专员团队，包括各个业务部门的关键用户，以及系统的关键应用人员，不断提升数字化专员的数字化转型意识，以及数据治理方面的专业能力，这样他们回到业务部门中能够发挥更好的作用，将数据应用、业务流程，以及企业的业务活动贯通起来。

同时，通过 DCMM 的评估过程，建立起一套适合于徐工矿机的数据治理制度流程，包括一些基本的制度、专项制度，以及像元数据标准、数据质量、数据安全、数据应用方面的制度等。

第三，开展一些专项数据治理工作，比如现在正在做的主数据的治理工作。主数据包括物料主数据、客户主数据、供应商主数据以及设备主数据。其中物料主数据设计是非常关键、非常重要的。因此我们以物料主数据作为抓手去提升数据质量，然后复制到其它主数据中去，实现数据架构的指标建设，数据应用建设，以及数据质量和数据安全的提升。

7. 服务机构选择赛昇科技

为了提高效率，我们选择了与赛昇科技合作。双方在两化融合体系建设的基础上，以 DCMM 数据管理体系为指引，结合徐工矿机数字化现状，以培训、评估、数据治理实施等多种手段，推进徐工矿机数据管理能力提升。

赛昇科技公司在数据治理、数据应用以及两化融合方面有着丰富的经验，为我们提供了非常有效的帮助和指导。

02

建设过程

1. 数据战略-规划

建设过程从整体的战略规划开始。坚持业务协同、数据驱动、过程量化的原则，以智能化运营决策为目标，以指标体系完善为手段，以多级业务看板实时驾驶仓建设应用为支撑，2025 年前充分释放数据价值，主要运营数据指标达到国内领先。通过数据应用数字化转型，为企业降本增效，达成主要运营指标提供解决方案。

2. 数据战略-方针

遵循两化融合管理体系与新型能力体系融合、新型能力体系建设与数据管理融合的“两融”指导思想，坚持以效能导向、智能转型、数据驱动、持续改进的数字化战略方针为指导，数字化转型指导方针是指导公司各层面的业务过程和能力建设的基本指导宗旨，是管理文化和治理体系综合建设的纲领。

• 能效导向指的是以服务质量、成本、效益等全要素、全过程、全方位的效益指标为驱动，构建产品组织、研发设计、装备、技术支撑以及组织流程等新的商业模式集成管理平台。
• 数据驱动是以智能装备与生产工艺、质量控制集成应用为支撑，提升业务集成与过程数据管理与应用能力，大力推进工位制节拍制准时化、柔性调度与精准控制等生产制造新模式。
• 智能转型是指充分发挥数据的核心驱动作用，驱动基于数据和指标体系全覆盖的营销服务、产品研发设计、制造成本质量、供应链资源等业务集成。
• 持续改进是指以新型能力建设为主线，围绕数据、技术、业务流程与组织结构四要素，加强数据治理体系建设，推动效率与效能的螺旋式提升，稳定获取预期的竞争优势。

3. 数据治理-组织架构建设

数据治理中，组织架构的建设至关重要。不同的企业有不同的做法，对于零散型制造业装备行业来说，各个业务部门自身对于业务的理解是最深入的。因此我们把数据资产信息化部门作为整体实施的衔接部门，对各个业务部门成立业务数字化专员，包括研发的技术中心、销售公司、工艺技术部以及质量保证部等，覆盖整个企业。

数字化专员是由公司的二级部门构成的，一些业务伙伴对业务比较熟悉，但是在数据的数字化思维方面存在欠缺，因此我们通过一些培训以及数据治理专项的实施，去推进数据治理的建设，同时提升数据化专员的自身能力。以数字化专员带动公司数字化转型，提升整个公司的全员数字化能力水平。

另外，我们通过月度的培训、考核、激励等手段，充分调动数字化专员的积极性和参与度。

4. 数据治理-制度体系建设

制度体系建设方面，根据国家相关标准，结合实际，建立数据管理制度体系，制定了公司数据资产、数据分类分级等多个制度文件，识别了 26 个相关制度规定，覆盖了 DCMM 的各个能力域。2022 年以来组织线上线下培训、展示宣传等 10 余次，涉及一二级部门 20 余个，1000 余人次，涵盖数据治理、数据应用、数据质量等数据管理的各个方面，将数字化转型内容深入公司每个人。编制了数据资产管理制度、分类分级管理制度、数据质量管理制度等。

5. 数据架构-数据资产梳理导向的平台建设

在数据资产梳理导向平台建设方面，我们以关键的信息化系统，包括企业的研发工艺、生产业务的数据流，对业务数据来源做了整体的分析，数据集成和共享成为了更加迫切的需求。

对于数据资产梳理导向的建设，由信息化部门牵头，通过制定数据架构管理程序，对新上系统进行规划和管理。前期已经建立的系统，平台化、系统性不够完善。对于这类已有系统，充分发挥业务数字化专员的作用，下沉到本部门所涉及的业务系统和业务流程中，对本部门的数据情况进行全面梳理，由数据资产信息化部门搭建数字化指标体系平台，统一对数据字典、数据权限进行管理，从而促进数据互通和共享。这样老有老的做法，新有新的对策。

目前，已完成组织级数据集成和共享平台的管理机制建设，初步实现了组织内对SAP、MES、CRM、DSC、WMS、线下台账等多源异构数据的整合，并形成了统一的数据仓库对数据进行管理。接下来我们针对更大体量的异构数据源进行集成共享，调研新一代的数据架构，并加强元数据的管理，以适应复杂的数据应用场景。

6. 数据质量-持续改进

数据质量需要持续不断地改进，这是数据化转型的关键，也是 DCMM 诊断重要的实践环节。

在数据质量需求方面，徐工矿机编制并发布了《数据质量管理程序》、《质量信息及数据分析管理程序》、《工业数据应用指标评价管理规定》以及各系统规定中的相关内容，制定了公司级的数据质量目标，建立了数据认责机制，明确各类数据管理人员以及相关职责，制定了各类数据的优先级和质量管理需求，规范了数据质量模板以及评价体系。

数据质量持续改进的工作覆盖了整个业务流程，覆盖面大，如果全面由开发去做，人力上以及能力上是难以覆盖的。因此我们通过诊断，把一些关键的、重要的分类分级出来以后，去做一些专项性的数据治理的改进。

建立了公司级的数据运营，由数据资产信息化部主持月度例会，公司高层参与，关键业务部门参加，形成考核机制。对各个业务部门在数据应用、数据治理、数据质量方面出现的问题进行分析，并且通过向全公司通报各个业务部门产生的质量问题及原因分析，保证了全员参与，以及对数据质量持续改进过程的支持。

7. 数据标准-物料主数据的治理

前文中提到，以物料主数据治理作为抓手，也是作为专项工作的改进点。通过数据资产信息化部牵头，由业务部门、生产、技术、工艺参加，同时借助外部力量，比如赛昇科技，实现了很多业务系统主数据的改善。

以 DCMM 为指导，实施物料主数据治理工作，编制并下发了《数据标准管理规范》、《物料主数据及计划参数维护管理规定》和《供应商主数据创建与维护管理办法》，规范了物料主数据和供应商主数据的管理流程。针对物料主数据标准、模型和质量进行统一管理。

同时，开发了物料主数据扩充系统。物料新增流程和扩充流程主要通过共享 Excel 表格的方式传递。信息化程度较低，无法保证数据及时性和规则校验的自动化等问题，数据资产信息化部自主开发物料主数据扩充系统，实现主数据提交、数据各字段填充分角色进行、错误情况追踪处理，并实现了对接 SAP 系统的接口，完成了数据的自动扩充，提升了物料主数据的规范性和数据质量，同时提高了工作效率。这样建立的数字化应用系统，也是数据治理对应用需求支持的体现。

物料主数据治理是一项持续的重点工作，每个月的公司级月度数据运营例会上，针对发现的数据质量问题出具分析报告，阐述详细原因，给出解决方案后，再通过次月指标值来检验效果，形成闭环，持续不断地提升企业的基础数据，夯实基础。

8. 数据应用-全链路的数据支持

以指标体系的搭建，辨识数据智能分析洞察业务改善方向。公司通过并颁布《数据应用管理程序》，以管理驾驶舱、物联网平台等实现对公司各类资源的统筹、穿透式管理和调配。因为企业里面系统比较多，数据来源比较多，物联网平台有来自于市场上的信息，也有主机实时采集的数据信息，管理驾驶舱是前端的展示，这一前一后把数据的应用层和采集层做了衔接，更利于发现问题。

目前沉淀各类业务核心指标 119 项，应用各类模型 30 余个，累计有效用户 500 余个，活跃用户数 110 余个。包括经营管理、决策等核心数据模型，并通过管理驾驶舱将数据模型和指标进行了落地，有利地支撑了公司领导层精准决策和战略规划。

刚刚介绍的是在内部，对于外部我们推出智慧矿山综合管理平台，依托公司全产业链服务管理能力，将数据应用解决方案推向客户端，为矿山精细化管理，降本增效和智能化转型做价值输出。智慧矿山综合管理平台搭建的核心，是通过整合车联网数据+公司内部服务数据+客户经营数据，为客户提供全方位的数据能力。这包括一些矿山行业的特征提取以及直观的可视化效果。

9. 数据应用-统一的共享服务接口

基于数字化指标体系平台实现统一的数据指标体系，提供全场景的服务，解决了传统的指标散布、访问不便利、展示不直观、数据口径不一致、决策及时性不足等问题。通过明确数据服务规范，将数据的全生命周期管理、指标体系的标准化和应用模型规范化纳入统一的数据服务目录，由数据资产信息化部门负责数据共享目录的管理和维护，通过数据开放和共享流程，提供统一的数据应用服务。

10. 数据安全-管理

随着数据深入应用，数据安全提到了更高的层级。我们建立了保密委员会，由各业务部门负责人以及信息化管理部门组成，负责保密安全战略制定、安全体系建设、数据安全管理审核以及数据安全技术管控等工作。这样，通过技防、管防、人防，形成了网络化的安全管理体系。

同时，制定了一系列管理制度，建立了权限相关流程。

11. 数据安全-策略

由信息化部门，通过配置数据生成应用程序、配置据传输方式、配置数据打开应用以及数据存储方式等安全加密策略，实现对现有电脑、设计软件、办公软件、存储介质等的业务数据进行安全加密。

安全技术策略功能，对设计类软件如：proe、pdm 等系统进行加密控制，设计过程中生成的图纸、过程文件都进行加密，并控制其复制、打印、传输、外发等权限，保证核心机密文件在生成、传输、消费过程中的全程加密保护，并在所有操作中记录日志，用于日志审核。

策略管控，对管理人员、技术人员设定不同的策略、实现多策略管理。对不同岗位的人员实现策略调整，逐个推送，实现精准加密。

12. 数据安全-审计

由保密委员会保密专员作为审计专员针对加密系统所有日志进行审计。

通过【收集任务日志】功能实现对所有解密流程日志执行收集任务。通过【日志管理】功能实现对所有使用加密系统的人员记录账号登陆、访问方式、登陆电脑MAC 地址、文件路径、执行动作等实现对系统日志、文件日志、流程日志等管理并提供日志下载用于保密委员会进行日志审计。通过【文件审计】功能实现查询所有解密流程申请记录、解密的文件、解密方式以及具体操作人员和时间。

安全专员针对数据安全审计出具季度报告，对其中解密不规范、解密理由审核不细致、解密文件不详查等问题进行通报并要求整改。

03

经验总结

接下来分享我们在数据应用和数据治理方面总结的一些经验。

1. 以评促建成效

以评促建，通过 DCMM 各个能力域的数字化转型的咨询和评估以及公司各个部门、层级的宣贯、培训，公司从上到下数字化意识有了显著提升。

通过 DCMM 的系统性诊断，明确了数字化建设的路径，依托于已有的信息化建设，逐步完善数字化底座，基于数据流的业务支持打破了部门墙和系统壁垒，让数字化转型可持续。

随着数字化意识逐步深入，数字化路径逐渐明确，业务数据质量也在稳步提升，数据资源化和数据资产化均得到改善，为下一步数据资产化以及数据深入的应用提供了支持。

2. 经验与教训

第一，以业务、流程梳理为基础。在数据治理过程中，要以业务、流程梳理为基础，通过全员参与，专员角色深入一线。另一方面，打破各部门之间的部门墙限制，避免数据孤岛。

第二，以点带面。例如通过核心主数据的治理，持续改进，以可落地的业务项目为支撑，避免为数字化最终目标而投入，快速获取数据价值回报，降低试错成本。数据治理覆盖业务面广，数据量大，如果全面去做，可能效果并不理想。而以点带面，去推动整体的发展，持续不断地去改进，以业务改善、提升企业核心竞争力为唯一最终目标，可以快速实现数据价值。

第三，充分利用指标体系。自顶向下对整个业务所有环节进行梳理，形成所有业务的路径框架；自底向上重点环节拆分，形成各业务项的专题分析，依框架逐节点、层级展开。以指标体系建设为推进点，通过指标反向去发现数据来源、数据质量方面的问题，提升数据治理和应用的效果。

04

展望致谢

1. 建设收获

目前已形成数据治理体系，为数字化转型提供了有效支撑。

首先，实现了决策数据化。通过数据去驱动决策，指引公司数据管理和治理建设方向；提升了公司数据标准化管理水平，提高了数据质量；挖掘数据价值，释放数据潜能，展示动态活数据，推动公司经营决策数据化、智能化；支撑了数据治理和价值挖掘有效落地。

另外，构建了多样化的数据应用。管理驾驶舱，满足集团领导经营决策分析的需求；多样化数据看板满足各业务部门数据需求；构建了面向供应商、客户的数据服务和应用，提升了上下游的业务联动和效率水平。

同时，提高了应用开发和管理效率。具备可视化搭建能力，拥有丰富可以复用的 IT 资产，助力快速开发应用；大大提升了员工在系统使用中的效率。

2. 未来展望

未来计划，在 2023 年实现全业务链的数字化，到 2025 年要实现上下游协同发展，最终达到行业标杆。充分发挥数据作为重要生产要素的价值，与公司的各个业务层面全面融合，实现数字化，向网络化、智能化升级，最终建设成标杆引领性的数字化工厂。

05

问答环节

Q1：贵公司是在贯标之前就已经开始了数字化转型、数据治理建设吗？

A1：因为之前我们做信息化建设、数字化转型开始较早，但是在引入 DCMM 以前基本是以点去做，通过 DCMM 的引入，包括贯标，使我们在数据治理方面形成了一套体系化的建设。

Q2：徐工集团推进数据治理和数字化转型的过程中，非常强调组织建设，但是组织建设在其他公司里面好像都比较难，徐工是如何推进的？能否分享一些具体的经验？

A2：我们早期推进信息化建设、数字化转型，都是以信息化部门或者某部门作为主要的落地实施点，做的过程中就发现非常难推进。现在也讲数字化转型是一把手工程，一把手工程上不仅仅是总经理，而是应该包含了各个业务部门的一把手以及他们的关键用户。所以我们现在是自上而下的，从集团的董事长到各个二级公司的总经理，作为数字化转型最直接的负责人，他们要对结果负责。同时，我们也发现靠信息化部门去推动效果并不明显，而且做不到可持续、可长期发展。因此我们也做了数字化专员团队，这里也是来自高层强有力的支持，把各个关键部门，关键用户纳入到我们数据治理和数据应用的团队里。所以是自上而下与自下而上相互交替的过程。

Q3：指标体系分解，会不会分解到原子指标，往后数仓建设会不会基于原子指标去进行建设？

A3：我们在驾驶舱建设的早期，也走了一些弯路，没有把分层分级做得很详细，对业务部门的业务提升帮助不大。因此我们以业务流程的梳理为基础，同时各个业务部门也是分级的，比如有公司级的，也有部门级和员工级的。举个例子，我们的营销体系对每个营销人员的赢单情况、拜访客户的情况每个月的回款，都是达到员工的级别。原子级是我们现在要做的，因为现在发现在提供数据的时候，很多公司也一样，因为数据的来源不一致、数据质量不高，而不敢去用。指标体系建设可以和数据资产梳理以及数据质量的提升结合起来。提到指标体系，我们是以 KPI 的指标体系作为抓手，以数据来源作为过程，同时在字段级元数据的层级来进行数据治理。

以上就是本次分享的内容，谢谢大家。

分享嘉宾

INTRODUCTION

任海滨

徐州徐工矿业机械有限公司

部长

亚洲澳门国际公开大学 MBA，有着在机械制造行业近二十年的运营管理经历，实施过精益及 MES、DNC 等系统，参与 ERP 的实施，大幅提升生产效率；有着离散型制造业智能工厂规划的经验和实施经历。

限时免费资料

往期优质文章推荐

往期推荐

点个在看你最好看