一张数据资产表，催生的工厂数据治理

2024年初，中国数据资产入表政策正式落地。工厂的资产负债表上多了一项：数据资产。这看似会计问题，实际上却打开了工业数据治理的潘多拉盒子。当数据变成资产，它就不能再是散落在各个PLC和SCADA里的原始流，而必须被治理、标准化和估值。

从数据采集到数据资产的全链条

工厂数据治理的第一步是数据发现和采集。工厂里的数据来源繁杂：PLC实时数据、SCADA历史记录、MES生产数据、ERP业务数据、传感器物联数据。这些数据往散落在不同的系统中，格式不一、标准不同、质量参差。

要让这些数据变成可入表的资产，需要经过四个环节：数据编目（摸清家底）、数据标准化（统一格式）、数据质量评估（可信度打分）、数据价值评估（量化收益）。每个环节都有技术和管理上的挑战。

IT与OT数据的壁垒

工厂数据治理的最大障碍不是技术，而是IT与OT的隔阂。OT侧的数据（PLC、传感器）以实时控制为导向，精度高但缺乏语义标注。IT侧的数据（ERP、MES）以业务流程为导向，有语义但缺乏实时性。两边的数据库结构、通信协议、安全策略都不同，打通这堵墙需要从组织架构到技术栈的全面协调。

元数据管理是打通这堵墙的关键。通过建立统一的元数据目录，让OT侧的每个数据点都有业务语义标注，让IT侧的每个业务指标都能追溯到OT侧的原始数据。这种数据血缘追踪是数据资产估值的基础。

挑战与局限

数据质量是第一道坎。工业现场的数据经常存在缺失、异常、时间戳不一致等问题。SCADA系统每秒采集数千个点，但其中有相当比例的数据质量不达标。如果不做清洗和校验，这些数据不仅不能成为资产，反而会成为误导决策的负债。

价值评估是第二道坎。数据资产的价值评估目前缺乏统一标准。一兆字节的生产数据值多少钱？这取决于它能带来多少决策优化价值，而这个价值的量化极其困难。

判断与展望

数据资产入表倒逼工厂数据治理从口号走向制度。当数据需要在财务报表上体现价值，工厂管理者就不得不认真对待数据质量、数据标准和数据安全。这不是一个纯技术问题，而是组织变革和技术升级的交叉。从当前看，多数工厂还处于数据编目阶段，距真正的数据资产化还有2-3年的路要走。但方向已经明确：工业数据治理不再是可选项，而是合规要求。