在上一篇文章中，我们探讨了客户在初步接触我们时存在的一个疑问：用Excel也能完成计划制定，为何需要转向数智化软件？这一问题的答案，我们已在前文中给出了详尽的解释。随着客户进一步体验我们的产品，新的问题又浮出水面——这一次，焦点是数据。不少企业普遍面临一个棘手的争议：数据质量问题层出不穷，我们是否应该等待数据治理完善之后，再着手进行供应链项目的优化？本文将深入探讨这一问题，并提供我们的见解和解决方案。
关于数据治理与供应链优化争议的焦点，典型场景如下：
计划员发现某个指标数据统计口径不一致，从而造成一个指标两套数据，而且同时在使用，于是汇报到供应链总监。供应链总监召集IT部门以及使用此数据的相关业务部门，讨论如何解决这个问题，结果发现了更多数据中存在的问题，比如有些数据缺失，有些数据一直有使用需求但没人知道在哪里存放……于是在这场会议中，有两种声音引起了激烈的讨论。一方坚信，必须先完善数据治理，请IT部门牵头，全面盘点梳理数据，等有了治理成果再启动供应链优化项目；另一方则认为，供应链优化项目已经不能再等，况且如果不是要启动此项目，数据问题也很难发现，所以要优先供应链优化项目。
然而，这两种观点真的需要对立吗？供应链优化和数据治理是否必须有先后之分？或许，我们需要一个全新的视角来看待这两个至关重要的业务领域。
数据治理，顾名思义，是指企业对数据进行管理和控制的过程，确保数据的准确性、一致性、完整性和安全性。不同的企业因为发展历史、规模、数字化成熟度不同等，在数据资产和治理方面面临的问题也不尽相同。不过万法归一，数据是用来为企业决策服务的，因此，数据治理也需要有明确的目标，才能实现数据的价值。
有一个典型的案例，A企业是一家生产食品饮料的企业，拥有众多SKU。在一个大类饮料中，有六七个SKU使用了同一种原料。这些SKU的生产分布在全国各地的工厂，但由于系统记录的名称和编码不一致，导致了采购和库存的虚高，进而占用了不必要的成本资金。
这个问题之所以长期未被发现，源于企业历史发展中的多种因素。尽管各工厂的最终产品在销售端数据一致，但在原料管理上却各自为政，缺乏总部的深入统一管理。通过此次与积兆的供应链优化项目，总部供应链部门终于发现了这一问题，并迅速采取了修正措施。
但是，仅仅修正数据并不足以实现原物料库存的优化。积兆小流智算平台的物料需求计划（MRP）应用，基于运筹优化技术，为企业提供智能决策支持，有效实现了原物料库存的优化目标。
在过去二十年的发展中，国内众多中大型企业纷纷引入了ERP等信息系统，但在供应链计划的制定中，很多企业仍需要将线上数据导出到线下进行处理和决策。这种线上+线下的混合模式容易产生数据错误和不一致，因为数据经过导出、处理、再导入，不仅增加了数据管理的复杂性，也降低了数据的可信度和决策效率。
实施数智化决策系统能够有效解决这一问题。智能化系统对数据有较高的质量要求，在上线过程中会建立严格的数据标准和校验机制，确保输入的数据符合这些标准。随着这些标准化要求在企业各个业务环节的逐步推广，全面的数据治理得以实现。通过持续的监控和校验，企业能够不断提升其数据的整体质量，为决策提供坚实的数据支撑。
那么，供应链优化类的项目，应该从何处着手进行数据治理呢？
首先，圈定治理范围。即，供应链决策需要哪些类别的数据？从业务环节上分，包括销售、生产、采购、物流、仓库，以及财务；从数据状态分，可以分为相对静态类，如生产环节的物料清单（BOM），相对动态类，如销售计划，以及一些业务规则，对应供应链优化方案里的“业务约束条件”，如客户优先级等。
其次，拆目标分步骤。如果数据基础较差，治理工作庞杂，可以根据项目目标拆分成数个阶段的小项目，如第一阶段先实现各业务环节的主数据准确一致，第二阶段集中治理业务反馈比较严重或者使用频次较高但存在问题的数据。整体遵循轻重缓急原则。
最后，定期评估与调整。数据治理是一个长期且动态的过程，需要定期的评估和调整来确保数据使用的效率和可持续性。随着项目进展和业务需求的变化，治理策略可能需要相应的调整，以确保数据治理工作始终与企业目标保持一致。
回顾文章开篇提出的问题，数据治理与供应链优化的先后顺序已然清晰。两者之间并无冲突，而是可以并行推进的。没有目标的数据治理如同无水之源无根之木，终究会难以为继陷入失败。同样，供应链优化项目不必等到数据治理完全就绪才开始。这两个过程可以相互促进，共同前进。通过同步开展供应链优化与数据治理，企业不仅能够提升运营效率，还能持续提高数据质量。这种双轮驱动策略有助于企业实现持续的业务成功，并在市场中获得持久的竞争优势。
