先把数据做扎实，再让价值长出来：某家电集团的数智化实践

很多企业谈 AI、谈智能体、谈智能运营，但真正走到业务现场时，问题往往会回到最基础的一层：数据能不能信，能不能用，能不能支撑决策。

对某家电集团来说，这也是数智化建设绕不开的第一步。

作为始创于 1986 年的大型集团企业，某家电集团业务覆盖空调、用电、配电、新能源、医疗等多个领域。随着企业规模扩大、业务板块增多、系统不断建设，数据逐渐成为集团经营管理中越来越重要的基础资源。但在很长一段时间里，和许多制造型集团企业一样，某家电集团首先面对的并不是“如何做 AI”，而是一个更现实的问题：这么多系统、这么多数据，如何真正管起来、用起来。

以下内容基于某家电集团数据平台部门黄总与冯总，分别在数睿数据线下交流会上的分享总结。

一、数据问题，先从业务现场暴露出来

某家电集团的信息化建设起步较早，各业务部门、各事业部围绕自身需求陆续建设系统。系统能够快速支撑局部业务，但长期积累下来，也带来了典型的烟囱式问题。

在集团复盘中，某家电集团发现，正在运行的系统就有 87 个，如果加上一些小型应用和老旧系统，整体数量超过 100 个，数据源超过 20 万个。系统多、口径多、链路长，数据孤岛、数据遗漏、标准不统一等问题逐渐显现。这些问题并不只停留在 IT 后台，而是会直接影响业务运行。

例如，供应商付款时找不到银行账号，签订合同时缺少统一社会信用代码；项目流程中，还曾出现“委外测试时间早于立项时间”的异常情况。这些问题看似是某个字段、某条记录不准确，但对IT部门来说，背后反映的是数据标准、质量规则、主数据管理和数据链路追溯能力的不足。

所以，某家电集团最初考虑的并不是直接上智能应用，而是先把数据治理这件事做起来。

这也形成了某家电集团数智化实践中的第一个关键判断：数据没有治理好，后面的分析、应用和智能化都很难真正建立信任。

二、先搭好平台，让治理成为一件可持续的事

因此，某家电集团开始系统性推进数据治理，并从组织层面进行调整，成立集团数据管理部，围绕未来三到五年的全域数据治理做整体规划。

在这一阶段，某家电集团的重点非常明确：不是先做炫目的前端应用，而是先把底层数据资产梳理清楚，把标准、质量、血缘、服务等基础能力建设起来。

基于数睿数据数据通平台，某家电集团逐步接入核心业务数据，建立增量与全量同步机制，确保数据能够持续更新；同时配置数据标准和数据质量规则，通过平台能力对数据质量进行监控和管理。

过去，报表中出现数据问题，往往需要人工一层层追溯源系统，定位链路长、沟通成本高。现在，借助平台的数据血缘能力，可以更快定位数据来源、加工过程和影响范围，让问题从“靠人查”逐渐转向“可追溯、可定位、可治理”。

截至目前，某家电集团已接入 60 多个数据源，沉淀 300 多项数据资产。数据不再只是分散在各个系统中的后台资源，而是逐步进入统一的数据资产中心，面向集团业务部门开放。业务人员可以知道哪些数据能申请、能查看、能使用；不同密级的数据，也可以通过相应审批流程进行管理。最终实现数据质量显著提高，

更重要的是，经过一段时间的治理实施后，某家电集团 IT 团队不再只是被动处理数据问题，也不需要依赖外部技术人员，而是能够基于平台，持续、自主的进行数据接入、质量监控、标准复用和资产管理。

也就是说，数据治理从一个阶段性项目，逐渐变成了一项可持续运行的内部能力。

三、当数据变得可用，应用开始自然长出来

数据治理做到一定阶段后，某家电集团开始进一步思考：这些被治理好的数据，如何真正进入业务流程，发挥更大价值？

这时，应用建设才成为新的重点。

过去，业务部门提出一个新需求，通常有两种方式：要么采购成熟软件后再做定制，要么由内部 IT 团队进行高码开发。前者适配成本高，后者开发周期长，而且需要在业务、产品、开发之间多次转译，容易出现理解偏差。

在数据平台建设完成并持续运行后，某家电集团IT部门开始基于已治理的数据资产，基于smardaten企业级开发平台，自主构建数据类、管理类的应用，例如统一组织机构管理、人事类应用、财务类应用，以及用于管理数据处理过程中问题和缺陷的 DTS/TTS 平台等。这些应用都是基于已经沉淀的数据资产、标准规则和质量规则进一步复用，确保应用中数据的完备性和准确性。

通过数睿数据平台的AI与无代码开发能力，某家电集团 IT 人员可以更灵活地搭建应用、配置流程、对接数据，在 6 个月内搭建了 8 个系统，简单应用从提出需求到最终上线可以缩短到2周内。

这种变化的意义，不只是“开发更快”，而是 IT 与业务之间的协作方式变了。过去，懂业务的人提出需求，懂技术的人负责开发，中间需要多轮沟通。现在，懂业务逻辑的 IT 或产品人员，可以基于平台能力更直接地完成应用构建，减少需求转译带来的偏差。客户在分享中提到，基于这一体化建设方式，某家电集团已实现人均成本下降 60%、建设周期缩短 50%。

这些成效，本质上是数据治理价值的侧面体现：当数据更准确、标准更清晰、资产更可用，应用建设才会变得更快、更稳、更贴近业务。

四、智能化不是起点，而是治理成熟后的下一步

在数据治理和应用建设逐步推进后，某家电集团才开始进一步考虑智能问数、AI 智能体等更高阶的数据应用。

在诸多业务场景中，某家电集团优先选择对组织管理打造AI健康度诊断能力。因为随着集团组织规模持续扩大，组织管理面临越来越复杂的问题：组织层级、编制、职责与业务发展是否匹配？关键岗位配置是否合理？人员结构、离职率、招聘合格率、晋升率等指标是否存在异常？过去，这些工作很大程度依赖人工取数、人工汇总和专家经验，效率低，也难以形成持续、标准化的诊断机制。

数睿数据协助某家电集团梳理健康度诊断需求，基于专家经验梳理诊断规则、形成分析框架，通过Agent Studio 搭建 AI 组织健康度诊断智能体，并基于已经构建好的组织管理系统进行呈现，同时还包括组织学历分布智能体、组织职能分布智能体、岗组织位分配智能体。

结合组织结构、人员分布、岗位层级、关键指标等数据，形成组织全景展示、指标呈现、AI 诊断、建议输出和报告沉淀等能力。基于已有组织数据、指标口径和诊断规则，自动形成组织健康度评分、综合分析和优化建议，帮助管理者从“看数据、靠经验”，逐步走向“看全局、可分析、可决策”。

从建设效率看，这4个组织诊断 AI 智能体从需求调研、方案梳理、能力搭建到汇报验收，整体用时约2周；基于无代码平台，系统主体能力 5 天内快速完成搭建。

这正是前期数据治理、平台搭建和应用沉淀带来的结果：当数据基础和平台能力具备之后，AI 智能体才能更快进入真实管理场景，以高质量数据形成可验证的业务价值。

五、从治理到应用，再到智能，价值是一步步长出来的

对企业来说，企业级AI的落地并不是单独加一个 AI 工具，而是建立在数据质量、资产管理、业务流程和组织能力之上的系统工程。

某家电集团的实践也说明，数据治理的价值不只体现在后台指标上，也会体现在 IT 响应速度、业务查询效率、应用建设周期、管理分析质量等多个方面。当数据被治理好、被沉淀好、被持续使用起来，后续的智能问数、AI 诊断、智能工厂等应用，才有真正落地的基础。

对于正在推进数智化转型的企业而言，某家电集团提供了一个很务实的样本：先把数据做扎实，再让应用长出来，最后让智能真正进入业务。这或许也是企业走向智能化时代前，最该补上的一堂基础课。

回看某家电集团的实践，它并不是一条“直接奔向 AI”的路径，而是一条更符合大型集团企业实际情况的渐进式路径：

先发现数据问题，推动全域数据治理；

再搭建平台能力，让治理可持续、可复用；

随后基于治理成果建设数据类应用，让业务真正用起来；

最后再探索智能问数、AI 智能体等能力，让数据从“可查可用”进一步走向“主动分析、辅助决策”。

这条路径看似更慢，但更稳。