设备数据治理在钢铁行业的应用

首钢京唐钢铁联合有限责任公司 戴昭颖 郭亮 孙欢

钢铁行业作为制造业的支柱产业，其设备数据来源不一、种类较多、结构复杂，导致数据质量差，这就需要依托数据治理手段提高数据管理水平，以便更好地实现数字化转型。本文依据首钢京唐公司设备数据治理的项目经验，介绍了一种钢铁行业数据治理的实施方法，阐述了取得的成效，为读者提供一些数据治理的思路。

首钢京唐钢铁联合有限责任公司（以下简称京唐公司）在飞速发展的过程中，随着IT 系统规模的扩大，业务范围的拓展，公司面临市场不断变化的需求和挑战。对外生成用户画像、分析用户行为等业务，对内提高设备运行效率、保证产品质量等目标使得京唐公司业务系统之间跨系统、跨领域的交互更加频繁，数据间的耦合性大大增加。因此，通过一套高效的数据治理体系去梳理、建设现有数据的内容、结构、模式、数据属性、数据质量等重要的内容，对已有IT 系统诊断，指导今后IT 系统建设和辅助领导作出正确决策是非常必要的。

“大数据”作为一种新兴的IT 实现工具，在深刻影响信息化变革的同时，也为钢铁行业带来了新的发展和机遇。京唐公司拥有大量的设备专业数据，若弄清数据背后的含义，合理梳理并且管理好这些数据，用数据指导设备运行和生产，并将这些数据与京唐公司的业务相结合，能获得较好的收益。为了进一步完善和细化京唐公司数据治理体系，提供正确、准确的数据和指标，充分发挥数据作用，支撑公司重大决策，以此开启了设备主题的数据治理工作。

1 实施策略

首钢京唐设备主题数据治理工作为加强人员设备主题数据管控，对相关系统进行数据标准梳理，通过采集元数据、数据关系，进行元数据关联性分析、影响分析、血缘分析。通过接口协助运营平台管理数据标准变更、元数据变更、相关配置变更等，预防变更产生的风险。根据数据标准及检核规则，对业务数据进行质量检核，以提升数据质量。可视化平台从数据分布情况、数据使用情况、数据质量分析等维度展示数据治理情况。平台建设阶段主要工作围绕构造四大体系进行，四大体系分别是构建企业数据地图、建立元数据管理模块、建立数据标准管理模块、建立数据质量管理模块[1]。

1.1 构建企业数据地图体系

在数据治理平台中，数据地图是一个非常重要的组成部分，其也是最直观的、最直接地反映客户资产的可视化工具。首先创建系统层次，梳理和设备系统有交互的同等级系统，例如采购系统等，然后维护系统与数据库之间的关系，之后等待定时任务将数据关系汇总即可在数据地图中展现链路，如图1 所示，展示了设备系统的数据地图，该地图可以下钻到其他与之有交互的业务系统的数据库表。帮助用户分析出海量元数据之间的关系，可视化展现出京唐公司设备专业数据资产全貌和数据之间的流向。

图1 设备系统数据地图下钻示意图Fig.1 Schematic diagram of device system data map drilling down

1.2 建立元数据管理体系

无论是公司的信息化部门还是业务部门，完整地拿出一套企业各项数据的业务含义、口径、技术标准、分布情况等的说明是很困难的，为了自动获取整个公司的数据业务含义，增加分析的敏捷性，帮助理解数据，使用元数据管理是不错的选择，如图2 所示为元数据管理框架图。

图2 元数据管理框架图Fig.2 Metadata management framework diagram

在建立元数据管理体系时项目团队对设备主题的数据及相关系统范围、分布情况进行调研与梳理，确定元数据需要采集的系统，申请数据库权限，并在数据资产管理平台数据库建好DBLINK。从定义—获取—分析三个阶段进行元数据梳理，梳理结果作为基线，纳入平台管理。

1.3 建立数据标准体系

为了技术人员、业务人员在提到一个词的时候有规范的含义，数据标准提供了一整套规范。数据标准地制定要适应技术和业务的发展要求，优先解决急需的、普遍的问题。经过详细的数据调研、讨论、设计、评审等流程，开发数据标准以业务数据为出发点，遵循“循序渐进、不断完善”的原则，支撑完整的数据标准创建过程、确保每一条数据标准都和企业需求一一对应，做到数据标准有据可查，有理可依，也可作为数据质量发现问题的依据。公司设备专业的数据标准主要从基础标准、指标标准、代码标准三个方面进行规范[2]。

（1）设备基础标准包含了基准人员信息、基准信息、机旁物流管理信息、检修信息、点检标准信息、状态管理信息和设备折旧七大方面54 个元数据的基本信息、业务属性、管理属性、技术属性，如图3 所示为设备基础标准示例。

图3 设备基础标准示例Fig.3 Example of equipment foundation standards

（2）指标标准从检修管理、点检管理、物料管理、特种设备管理、状态管理五个方面26 个指标进行定义，例如物料管理中的机旁备件上机率，业务属性计算逻辑为备件到机旁库后90 日内实际上机金额/当期到机旁备件总金额。

（3）代码标准完成了事故级别、停机类别、入库单号等34 项指标的定义，例如停机类别，描述为停机信息的分类，分为计划停机、计划检修、生产准备、生产操作故障停机、计划待料停机、设备故障停机、其他工序引起停机、其他单体设备停机、待料、换辊等，如图4所示为设备代码标准示例。

图4 设备代码标准示例Fig.4 Example of equipment code standard

1.4 建立数据质量管理体系

数据质量管理体系设计是本次项目的一项重点工作，建立了质量管理的机制才能使数据质量提升。数据质量是指数据在业务环境下，为了符合业务人员的使用要求，能够满足业务场景具体需求的程度。

本次数据质量设计方法主要包括业务规则设计、技术规则设计、检查点设计、质量报告设计四个方面。通过这四个方面的质量设计方法，兼顾了基础数据的技术规则和指标数据的业务规则，数据质量检查点全面覆盖部署的所有数据流程。

（1）业务规则设计：根据设备专业业务逻辑、计算公式等提炼业务相关的数据质量规则，重点关注数据的及时性、数据值比较关系、数据值一致性、数据值对计算公式的满足情况。

（2）技术规则设计：主要关注数据完整性、规范性、唯一性、有效性等，为上层计算打好基础。

（3）检查点设计：贯穿数据全流程，识别数据质量检查点，确定应执行的检查规则、执行触发条件等，覆盖事前、事中、事后建立数据质量稽核模型。

（4）质量报告设计：设计数据质量报告展示方案、用户，及时直观地洞察数据质量问题，通知相关用户。

2 效果

设备专业数据治理工作共制定了设备专业数据标准99 个，数据校验规则15 个，其中8 条用于数据质量问题检核，6 条用于辅助明细分析，协助进行专业管理。

功能上线后问题数据量显著减少，问题数据占比呈下降趋势。数据一致性方面，优化设备系统与采购系统间同步机制，保持物料代码和设备编码的一致性；数据准确性方面，实现问题数据精准定位到责任人、问题字段，以此指导点检员主动完善基础数据；标准有效性方面，重点关注点检标准和检修标准项目执行有效性以及异常联络单质量。针对周期不合理、长期未调用项目和异常闭环路径不合理的现象，系统筛查和现场检查相结合，发现问题，杜绝造假，指导标准优化。

3 结语

在钢铁行业的设备数据治理过程中，要注重数据标准化环节，确保数据规范一致性，要基于行业模式、行业标准等积累完整、准确的内外部数据以保证数据合规性，进而规避风险。对于一个拥有大量数据资产的企业，保障信息的交互、流动，拥有良好的采集、运用以及保持数据活力增长，决定其核心竞争力。数据治理是一项长期的工作，不可能一蹴而就，需要一个循序渐进的过程分阶段进行，更需做好充分的作战准备，加强业务人员对数据的合规操作，严格遵守数据治理实施标准，才能不断地提高企业数据质量。通过有效的数据治理工作，结合良好的业务应用，不仅能使数据保值增值，还会给企业带来更大的经济效益和社会效益。

引用

[1] 祝守宇,蔡春久.数据治理工业企业数字化转型之道[M].北京:电子工业出版社,2020.

[2] 段效亮.企业数据治理那些事[M].北京:机械工业出版社,2020.