问题——制造业数字化转型持续推进的背景下，数据已成为生产组织、质量管控、设备运维和供应链协同的重要基础；然而不少企业在推进智能化应用过程中，仍在数据层面遇到“硬梗阻”：一是数据采集不充分、不精准，出现“采不到、采不准、采不全”；二是数据格式不统一、口径不一致，来源分散、溯源困难，形成数据“孤岛”；三是数据质量不稳定，清洗和预处理不足，导致数据“脏、乱、繁”；四是数据与应用场景衔接不紧，难以稳定沉淀可复用、可迭代的场景化数据集。多重问题叠加，推高了模型训练与业务验证成本，影响新技术在车间、产线和管理环节的规模化落地。 原因——制造业数据治理难，既有历史包袱，也有现实约束。从发展阶段看，许多企业信息化系统经历多轮建设与改造，设备与系统“各自为政”，接口和标准不统一，数据难以贯通。从管理体系看，部分企业把数据治理当作“上线系统后的附属工作”或“被动合规任务”，缺少统筹规划、职责分工与持续投入，数据资产管理机制不完善。从技术能力看，数据采集要适应工业现场的复杂性与稳定性要求，既要解决传感、边缘采集、网络传输等基础环节，也要面对数据标注、特征工程等更高门槛。再加上制造业场景差异大、工艺链条长，不同行业、不同企业难以套用单一模板，治理推进往往偏慢、成效也不均衡。 影响——数据治理水平直接影响产业智能化发展的质量与效率。高质量数据供给不足，容易造成模型训练偏差、推理不稳，进而影响质量预测、设备故障预警、工艺优化、能耗管理等关键场景的可靠性与可复制性。对企业而言，数据不一致会带来重复采集、重复清洗和反复验证，增加时间与资金成本；对产业链而言，上下游数据难共享、难对齐，制约供应链协同与敏捷响应；从区域竞争看，数据要素组织能力与标准化水平，正成为衡量制造业核心竞争力的重要指标。可以说，数据治理既是夯实底座的工程，也是提升效率、降低风险的关键环节。 对策——针对企业“痛点多、起步难、路径不清”的现实需求，江苏此次发布的《参考指引》强调“可对标、可落地、可分级”，为制造业企业提供一套更系统的方法框架。指引由省工业和信息化厅会同国家工业信息安全发展研究中心编制，围绕数据采集、预处理、特征工程、数据标注、数据划分、数据增强等六大核心环节提出治理路径，并结合31个典型应用场景，面向不同基础的企业划分入门、基础、进阶三个等级，便于企业结合能力与资源循序推进。 在操作层面，指引突出“问题导向”和“工具可用”。例如在数据采集环节，针对覆盖不足、精度不够、格式混乱、分布分散、追溯困难等常见问题，给出关键技术要点与配套工具参考清单，便于企业按需选择、快速补齐短板；在预处理环节，围绕去噪、纠错、补全、规范化等典型任务，强调把数据质量要求前置到业务链条，减少后端反复返工；在标注、特征工程等环节，引导企业围绕业务目标建立可复用的规则与流程，推动数据集建设从“临时拼凑”转向“体系化供给”。同时，分级设计也为中小企业提供更现实的推进路径：先把关键数据采得上、采得准、用得起来，再逐步实现跨系统贯通、场景复用和持续迭代升级。 前景——随着制造业智能化应用不断深入，数据治理将从“支撑性工作”逐步转向“价值驱动型能力”。业内普遍认为，未来一段时期，制造业会更强调以场景牵引数据治理、以数据质量牵引模型效果、以治理体系牵引规模复制。江苏在制造业基础、产业链配套和数字化转型上具备较好条件，此次指引发布，有望推动企业统一数据口径、构建可复用数据集、提升跨部门协同各上形成更清晰的路线图，带动更多场景从试点走向规模应用。同时，随着标准体系完善和工具链成熟，企业数据采集、管理、共享与安全使用上将更趋规范，数据要素价值释放空间也将深入拓展。
在数字经济与实体经济深度融合的关键阶段，江苏此次实践既回应了制造业转型中的现实难题，也为以标准化推动高质量发展提供了可借鉴的路径。随着数据治理从技术议题走向战略工程，如何兼顾创新效率与安全底线、局部突破与全局协同，仍需政产学研各方持续探索。这场围绕数据生产力的变革，正在重塑中国制造的核心竞争力格局。