0%阿尔斯通 2030 年采购碳排降低目标，已向供应商提出材料要求，并按 GS1 做零件追溯
DATA SYSTEM · 内部研讨材料
数据如何
形成竞争力
以杜邦、巴斯夫两家国际材料企业为镜，回答一个问题：
轨道车辆运营数据
为什么应当成为贯穿设计、生产、质量和客户服务的核心主数据。
0 亿美元
杜邦为「场景数据」
付出的收购对价
付出的收购对价
0 %
Renfe 状态修
自动部件评估可靠性
自动部件评估可靠性
0 %
阿尔斯通 2030 年
采购碳排降低目标
采购碳排降低目标
01 / 12
向下滚动
摘 要
研究杜邦与巴斯夫，
研究杜邦与巴斯夫，
不是比系统先进程度
而是理解国际领先制造企业如何把数据作为企业核心资产，贯通研发、制造、质量、供应链、客户服务和可持续发展，最终形成产品创新能力、运营管理能力和市场竞争能力。
轨道车辆运营数据，应成为贯穿产品设计、生产制造、质量管理和客户服务的最重要主数据之一。
—— 核心观点
02 / 12
为什么是车辆数据
产品装在具体车辆、具体转向架、具体线路上
没有运营数据，企业只知道产品「怎么设计、怎么生产、怎么检测」，却不知道它「在什么条件下使用、表现如何、为什么失效」。
不是卖材料，是理解表现
要理解高分子材料在复杂工况、长期载荷、环境变化和客户应用场景中的性能表现。
把五个业务场景串在一起
它们共用同一份车辆运营主数据，必须打通——
产品质量追溯 基于运营数据的售后失效分析 关键工序质量预警 基于运营场景的客户产品选型支持 供应商质量评价
把材料能力变成产品能力
用数据把材料科学能力转化为稳定的产品能力、工程应用能力和客户服务能力。
0亿$杜邦 2024 年收购 Donatelle：400 余人、仅一座工厂，买的是六个医疗场景的数据与工艺能力
0个系统韩国国土交通部 2026-07 宣布新车在 16 个系统装传感器；日立明确 2027 年起新造车标配
0万个SKF REP 中心实时监测的轴承数量，服务范围明确包含铁路转向架，状态监测已按效果收费
往后不是「竞争吃亏」的问题，是连谈判桌都上不去的问题。
—— 数据能力正在从竞争力变成入场资格
CH.01
一 · 总体认识：世界一流制造企业的数据体系本质
共同特点：数据不仅仅是信息化部门单独管理的技术资源，而是贯穿企业经营全过程的管理资源（生产资料）和战略资产。
把分散在研发、制造、质量、供应链和客户现场的数据转化为可复用、可分析、可决策、可增值的企业核心资产。
研发创新
实验数据、材料性能数据、模拟计算和应用反馈，加快新材料、新产品、新工艺开发。
已在跑 巴斯夫 Quriosity · AI 反应器
生产制造
过程参数、设备状态、传感器数据、质量检测数据，提高生产稳定性和设备可靠性。
已在跑 巴斯夫数千传感器 AI 异常检测
质量管理
批次追溯、异常分析、失效模式识别和风险预警，从事后处理转向事前预防。
已在跑 线束失效分析 · 西门子 8D 双路径
供应链协同
订单、采购、库存、物流和客户交付数据，提高供应链效率和响应速度。
已在跑 巴斯夫物流协同 · 日立×SBB
客户服务
客户应用场景、产品选型、使用表现和售后反馈，提供解决方案而非单纯销售产品。
已在跑 杜邦 WAVE · 诺尔-布伦斯按可用率
可持续发展
能耗、排放、材料、碳足迹和生命周期数据，支撑绿色制造、合规披露和供应链准入。
已在跑 阿尔斯通碳排 · GS1 追溯
03 / 12
聚焦到一条主线
车辆运营数据 = 连接设计、制造、质量与客户现场的主线数据
车型、转向架参数、线路条件、运行速度、载荷变化、运行里程、气候环境、检修周期、现场故障与客户反馈——都须纳入公司级主数据管理。
它不是孤立数据库，是枢纽
线路、车辆、转向架、产品设计、生产制造、质量问题、市场与客户共同构成数据底座；通过五类交叉关联，才能形成可分析、可追溯、可预测的数据资产。
线路—车辆—转向架—产品
设计—质量
工况—故障
供应链—质量
检修—需求
系统只是工具，真正关键的是数据标准、业务流程、责任机制和应用场景。
CH.02
二 · 我们与杜邦、巴斯夫，是同一类企业
我们聚焦轨道交通减振降噪，但本质上同样是高分子材料工程应用型企业。产品不是普通标准件，而是材料、金属结构、粘接工艺、力学设计和车辆运行工况共同作用下的功能性部件。
材料端高分子材料体系、配方、供应商、批次、入厂检测、材料性能
工艺端混炼、硫化、粘接、压装、表面处理、温度、压力、时间
产品端结构设计、刚度阻尼、尺寸公差、疲劳试验、环境老化试验
应用端车型、转向架、线路、速度、载荷、里程、气候环境、检修周期
失效端开裂、老化、脱粘、永久变形、刚度漂移、异常磨耗
↑ 各节点依次自动展开收拢 · 也可点击任一节点手动查看
温度、湿度、臭氧、疲劳载荷、冲击振动、压缩变形、介质环境和使用时间都会影响材料性能。优势不只是配方与制造能力，更是掌握材料在不同行业、不同客户、不同工况中的表现规律。
材料性能不是孤立形成的，而是由配方、原材料、工艺过程、结构设计、检测验证和使用环境共同决定。
打通之后：从「出现质量问题后找原因」，升级为「基于历史数据提前识别风险、优化设计和制造控制」。
打通之后：从「出现质量问题后找原因」，升级为「基于历史数据提前识别风险、优化设计和制造控制」。
只有客户现场数据才能证明材料和产品在真实工况下的价值。需判断：试验条件是否覆盖真实工况、产品寿命预测是否准确、客户维护周期是否合理。
从「提供产品」走向「提供轨道交通减振降噪解决方案」。用数据说明：为什么这个车型适合某种产品结构、为什么某种材料体系更适合某类线路、为什么某个维护周期更合理。
统一产品编码、材料编码、车型分类、线路分类、失效模式分类、检测项目口径和客户项目数据标准，才能把不同国家、客户、线路上的应用经验沉淀为全球共享资产。
同行已经把这一步做成了产品：Trelleborg ConeX3。瑞典特瑞堡联合 optiMEAS 开发测量系统 ConeX3，装在转向架上，非接触式测量实时载荷、变形和温度，数据经 CAN 总线传上云。获得系统性的，应用场景数据，为产品技术开发和质量控制提供强有力的数据支撑！
关键一句：形成的数据库将用于进一步的研究和改进——正在为弹簧及相邻部件（减振器、耦合器、转向架构架）建立寿命模型
04 / 12
出发点
固定化的检修周期
让那些本来还能继续跑的车辆也被送去检修了，造成完全不必要的浪费。现在采用真实现场数据对不同车辆的检修周期进行个性化安排，直接省钱省力。
一条完整的路子
给客户省检修钱 → 换取装在车上的数据 → 反哺自己的寿命模型和产品改进。
同一条路上还有谁
NSK 集团（B&K Vibro）× 施泰勒 × 柏林地铁：施泰勒拿下柏林地铁最多 1,500 辆新车框架合同（近 30 亿欧元），B&K Vibro 随之签下 606 辆车的 VCM-3 状态监测系统。
关键在路径：跟着主机厂的整车订单一起进。
CH.03
三 · 杜邦：以材料科学和应用研发为核心
此类业务的显著特点是：产品价值不仅取决于材料本身，还取决于材料在不同工况、不同客户、不同环境中的实际表现。
【增强 3.1】数据资产是可以被定价的
3.65 亿美元
2024 年杜邦收购 Donatelle Plastics——1967 年成立、400 多人、只有一座工厂的精密注塑企业。
不是产能只有一座工厂
不是产品注塑成型是成熟工艺
不是专利没有独门技术
| 那买的是什么？五项能力 | 每一项背后都是数据 |
|---|---|
| 医疗器械注塑成型 | 每种材料、每种几何形状对应的工艺窗口参数 |
| 液态硅胶（LSR） | 材料—工艺—性能的对应关系 |
| 精密机加工 | 公差与表面质量的加工能力边界 |
| 器械组装 | 零部件之间的配合与装配数据 |
| 模具制造 | 模具设计与寿命的积累 |
我们很高兴将 Donatelle 一流的先进注塑成型制造能力，以及他们与主要医疗器械制造商长达数十年的客户关系，纳入我们的医疗健康产品组合。
杜邦官方表述——注意顺序：能力在前，关系在后「业务场景数据」是什么意思
官方列了六个服务场景：电生理、给药、诊断、心律管理、神经刺激、骨科四肢。
不是「我们会做塑料件」，而是「我们清楚这六个治疗场景各自要什么、什么条件下会失效、怎么验证」。
电生理给药诊断
心律管理神经刺激骨科四肢
一个细节印证
杜邦旗下 Spectrum 公开案例：客户要做膝关节重建手术器械，客户自己画的图纸最初是「不可脱模的」——零件设计成出不来模，量产会被卡住。工程团队主动接图纸、现场给可制造性建议、多轮试模，做出能稳定生产的方案。
⇒ 那 3.65 亿买的不是产能，是「知道怎么让一个设计能造出来」的那套数据与经验。
同方向连买两次
2023 年先花 17.5 亿美元买 Spectrum，2024 年再花 3.65 亿买 Donatelle——同一板块、同方向连买两次，管理层明确定义为「继 Spectrum 之后的第二笔收购」。
⇒ 判断很清楚：这个场景的数据资产还没攒够，值得继续投。
3.2
把产品数据转化为解决方案能力 · 杜邦 WAVE
WAVE 是用于水处理工厂设计的集成专家建模软件，覆盖超滤、反渗透、离子交换等技术，包含产品数据库、运行参数、设计约束、质量平衡、液压约束、清洗协议、产品性能和项目特定参数。
0近三年下载次数
0+全球水专业人士在用
0+被技术期刊引用
这三个数字的意义：一款免费设计软件能被百余份技术期刊引用、被数千名专业用户日常使用，说明它不是营销物料，而是行业工作流里的一环——这才是「数据变成产品」的判断标准：不是做出来了，是有人天天在用。
1产品数据库能力：性能参数、适用条件、技术边界
2工程规则沉淀能力：结合流量、压力、水质、温度、工况计算
3专家经验产品化能力：经验固化成参数、规则和默认建议
4客户服务前移能力：方案设计阶段就给出准确支持
5数据驱动销售能力：基于客户工况提供系统方案
05 / 12
对我们的启示
不一定要做软件，但做得出一页纸
最小可行形态：把客户提出的工况要求，翻译成对我们产品的具体含义。
| 客户工况 | 翻译成产品的什么 |
|---|---|
| 瑞典 X80 -40 ℃ 低温可靠 + 80 cm 积雪 | 低温刚度稳定性、低温脆性、冰雪磨蚀三项 → 与现有机型谱对比，做成差异化卖点 |
| 麦加地铁 耐高温 50 ℃ 以上 + 耐沙尘 | 材料配方耐热与耐沙尘性能 → 提前做材料预研，别等招标 |
| 宽轨 1520 mm 轨距与线路条件不同 | 转向架与悬挂不能简单换型号 → 补齐轨距与气候参数 |
一个 Excel 就够，但它必须「能当场翻」。
⇒ 下一步要补的工况：中东、东南亚、拉美的极端工况要求需同步列入采集计划——这几个市场是海外增量的主要来源。
3.3
「重要依据」已经变成「写在合同里的要求」
阿尔斯通采购条款
General Purchase Conditions：2030 年采购碳排降低 30% 的目标，明确要求提高生物基、再生材料使用，并向供应商提出材料要求；同时按 GS1 标准给每个可追溯零件配唯一标识。
要准备：产品级材料碳足迹（客户要向欧盟申报，我们不给数他就报不上去）+ 再生料比例与可再利用设计说明。
韩国 · 16 个系统
国土交通部 2026-07 宣布为新车在 16 个系统装传感器，目标 2028 年故障前预警、2030 年预测单个零件剩余寿命。
日立 · 2027 起标配
明确 2027 年起新造车全部标配传感器。
往后几年，「不带可读数的部件」会越来越难进新造项目。
这是机会，不是压力。减振降噪件寿命更长、维护更少、可靠性更高，本身就是绿色低碳价值的一部分——外部客户要求恰好给了它一个量化出口。
一条硬约束：这类数据必须提前攒，临阵编不出来。
CH.04
四 · 巴斯夫：统一主数据 + 算力 + 过程数据
业务广、工厂多、供应链长、客户网络复杂。对这样的集团化企业，数据体系建设的首要任务是：
统一标准和主数据。
4.1 · 七类主数据应先统一
1产品主数据：编码、型号、规格、技术参数、适用场景
2物料主数据：材料编码、牌号、供应商、批次、检验标准
3客户项目数据：客户编码、项目编码、车型平台、技术协议
4设备工装数据：设备编码、模具编码、检具编码、维护记录
5工艺数据：工艺路线、关键参数、作业标准、控制要求
6质量数据：检测项目、缺陷分类、失效模式、判定标准
7售后数据：故障类型、原因分类、整改措施、验证结论
标准不统一，就会出现「同一个产品多个名称、同一种问题多个说法、同一家客户多个编码、同一项指标多个口径」，最终导致数据无法分析、无法追溯、无法支撑决策。
关联键要先定义：我们已经有了一套
这一节的清单在我方已有对应落地。关联键就是为「横向串起来」准备的：
· 产品用 物资编码（TX 号）
· 国内项目绑 车型编号
· 海外项目用 项目号
平台评审点出同一条原则：基础字典要先定义后使用。
⇒ 字典不统一，出厂数据和现场数据就对不上，车辆绑定也无从谈起。
06 / 12
MASTER DATA + COMPUTING POWER + PROCESS DATA
THE FUNDAMENTAL TREND OF DATA DEVELOPMENT
THE FUNDAMENTAL TREND OF DATA DEVELOPMENT
没有统一主数据
智能制造、供应链分析、质量追溯、AI 建模都会面临数据无法对齐
主数据能力是所有高级数据应用的基础。
4.2
数据从「内部工具」变成「客户协同工具」——两个更进一步的样板
① 日立铁路 × 瑞士联邦铁路（SBB）
日立拿下 SBB 全网数字信号改造框架合同，约 15 亿欧元，十年起步（可再延三次、每次五年），并包含 25 年的维保与支持。
关键在它的产品设计：日立供的智能对象控制器（基于欧洲 EULYNX 标准）除了控制道岔、信号和区间，还能采集和上报资产状态数据，包括传感器数据。
⇒ 数据采集不是合同附加条款，是产品的技术规格之一。把数据能力做进产品，让客户按规格采购，而不是事后再谈。
② 诺尔-布伦斯 × 德国铁路（DB）
签的是为期三年起步的合作协议，内容是「共同使用和分析」列车运营数据与车载子系统数据——不是「供应商向运营商提交」。应用示例：双层车门控数据预判车门故障。
⇒ 一个措辞特征值得记住：都是「服务」或「合作」，不是「数据提供」。客户买的是可靠性和可用率，数据接入是实现手段。
同一条路上还有：阿尔斯通 × 斯德哥尔摩地铁的五年服务级别协议，含远程车辆诊断与能耗监测，且为原车辆供货合同的延伸。
4.3-a · Quriosity：把研发数据模型化
新一代 Quriosity 计算能力达 3 petaflops，相当于约 20,000 台笔记本电脑，巴斯夫称其为全球工业化学研究领域使用的最大超级计算机。
0 万份QKnows 知识库：AI 帮研究人员在超 4 亿份文件中找到相关信息
0 倍首个 AI 反应器与人工操作相比速度提升
0%虚拟实验平均成本，约为传统实验
0 万/天上一代机型每天承载任务数，全球 400+ 员工在用
对我们的含义：客户问「你们凭什么比对手快、比对手准」，答案不是「我们研发实力强」（形容词），而是「我们有什么数据能让研发周期缩短、能提前告诉你产品在什么工况下会失效」（证据）。
07 / 12
不是要建超算
要学的是「研发数据模型化」的思路
把历史计算任务从约一年缩短到几天。
4.3-b · 同一条逻辑，客户侧已经跑出数字
96.7%Renfe 状态修
自动部件评估可靠性
自动部件评估可靠性
93%维修作业
时间减少
时间减少
30%阿尔斯通估算
可削减维修支出
可削减维修支出
西班牙 Renfe 用 CAF 与 Talgo 的平台，在 599 型与 112 型上按 ISO 17359 验证；新造 452 型、453 型自投运起即带状态修。
⇒ 这三个数字算的正是「哪条线路什么时候进入检修期」——和我们的备件与维保预测是同一个问题。
08 / 12
规模数据
SKF REP 中心实时监测 500 万个轴承
服务范围明确包含铁路转向架；Rotation For Life 把收费从「按件」改成「按效果」。
按效果收费解决了什么
传统按件收费下，供应商利润取决于卖了多少件，而部件寿命越长卖得越少——这是根本的利益冲突。改成按效果收费后，装在线状态监测这类「客户可能认为不必要」的投入，才符合 SKF 自己的利益。
⇒ 按效果收费 → 监测成本由供应商承担 → 客户不用被说服 → 数据反哺研发。
插 页
一条数据的路：从配方到失效，再回到配方
把「材料—工艺—产品—应用—失效」这条链走一遍。每往下一站，数据的所有权就从我们手里转到客户手里——所以最后一站必须设计成能走回来的路。
STEP 01 / 06
材料与配方
STEP 01
材料与配方
高分子体系、供应商、批次、入厂检测。数据在我们手里，是研发与采购的起点，也是后面所有追溯的第一根桩。
要收：牌号 · 批次 · 检验结果 · 材料性能
STEP 02
工艺与制造
硫化温度、时间、压力、压装参数、粘接条件、模具状态。数据在我们手里，但只有与后面的现场表现连起来，才知道哪个参数真的影响寿命。
要收：工艺参数 · 设备状态 · 异常记录 · 人员班次
STEP 03
装车上线
装车时间、位置、产品批次、车辆编号。这一步是绑定点——绑上了，才有后面的追溯；绑不上，出厂记录和现场表现永远是两套账。
要收：车辆编号 · 装车位置 · 批次 · 项目号
STEP 04
运营工况
速度、载荷、曲线半径、坡道、隧道、气候、里程、启停频次。数据在客户手里——这是整条链上最难拿的一段，也是最有价值的一段。
要收：速度 · 载荷 · 里程 · 环境 · 线路条件
STEP 05
检修与更换
检修周期、维护记录、更换记录。架修（5 年 / 60 万 km）与大修（10 年）是刚性的，可预测——因此备件需求也是可预测的。
要收：检修制度 · 更换记录 · 异常记录
STEP 06
失效与反馈
故障现象、失效模式、发生里程、现场工况、原因分析、整改闭环。这一站的价值在于：它必须能走回第 01 站——否则每一次失效都只是一次投诉，而不是一次改进。
要收：失效模式 · 故障里程 · 根因 · 整改与验证
CH.05
五 · 五条共同特征，与数据价值的六条路径
杜邦更强调材料科学、客户应用和可持续治理，巴斯夫更强调全球运营、生产效率、供应链协同和 AI 应用。但两者的共同点是：数据体系都服务企业核心战略。
1
数据服务核心战略，而不是停留在统计报表
围绕要解决的关键问题：如何更快研发、稳定质量、降低风险、提高效率、服务客户、满足可持续发展要求。
围绕要解决的关键问题：如何更快研发、稳定质量、降低风险、提高效率、服务客户、满足可持续发展要求。
2
主数据和标准体系是基础
数据治理首先要解决「口径统一、编码统一、责任统一」。
数据治理首先要解决「口径统一、编码统一、责任统一」。
3
数据必须形成全生命周期闭环
把产品从需求、设计、采购、制造、检测、交付、使用、维护到失效全过程连接起来。质量问题往往不是单一原因造成的。
把产品从需求、设计、采购、制造、检测、交付、使用、维护到失效全过程连接起来。质量问题往往不是单一原因造成的。
4
数据治理必须嵌入业务流程
业务部门既是数据生产者，也是使用者和质量责任人。
业务部门既是数据生产者，也是使用者和质量责任人。
5
数据应用要从记录型走向分析型、预测型
通过分析和建模发现规律，支持预测和决策。
通过分析和建模发现规律，支持预测和决策。
09 / 12
【增强 5.4】谁都替代不了谁
一线补后台的「深」，后台补一线的「广」
责任清单解决的是「这块数据归谁」；落到执行层，还有一个更现实的问题——一线和后台各能拿到什么。
| 强在 | 弱在 | |
|---|---|---|
| 一线业务人员 销售、售后、现场服务 | 最全、最快、最真实的现场信息：客户原话、季节、装车状况、对手最新动作 | 覆盖窄，只知道自己手上那条线 |
| 后台数据团队 市场信息岗、海外战略数据团队 | 广度、结构、持续积累 | 拿不到现场的细节和时效 |
数据团队能给你过去 10 年的采购项目，但给不了上周客户在会上随口说的那句抱怨。
业务人员不能只当数据的「消费者」，要同时当「生产者」。
5.5
五条「从…走向…」，每一条都有外部数字
从质量追溯 → 走向质量预警
Renfe 状态修：自动部件评估可靠性 96.7%，维修作业时间减少 93%，阿尔斯通估算可削减约 30% 维修支出。
从投诉统计 → 走向失效规律分析
线束企业：不合格率长期 50% 以上，帕累托找到主因（压接不良占 66.67%）后不停下，因果图挖到根因——连接器区域电线在机器高速运转时被拉伸、末端折断。
如果停在「员工操作不仔细」，换谁来做都会重复出错。
从设备维修记录 → 走向预测性维护
巴斯夫数千传感器 AI 异常检测；SKF REP 中心实时监测 500 万个轴承，服务范围含铁路转向架。
从经验选型 → 走向数据化选型
杜邦 WAVE：4,000 多名水专业人士在用，被 100 多份技术期刊引用。
从单个项目复盘 → 走向产品平台优化
Trelleborg ConeX3 用车上实测数据，为弹簧及相邻部件（减振器、耦合器、转向架构架）建立寿命模型。
5.6
【增强 · 新增】数据价值实现的六条路径
上面五条是「特征」。下面这张表回答另一个问题：数据到底是怎么变成价值的。六条路径，每一条都有真实企业在跑，且每一条我们都能对上号。
PATH 01
数据变成产品
内部经验结构化成客户可调用的工具
谁在做：杜邦 WAVE
我们的抓手：工况对照表、历史案例库、选型知识库
PATH 02
数据变成资产
长期场景数据积累成可定价的核心资产
谁在做：杜邦 3.65 亿美元收购 Donatelle
我们的抓手：车辆运营数据（车型、线路、载荷、气候、检修周期、失效表现）
PATH 03
数据加速研发
历史数据 + 算力替代试错
谁在做：巴斯夫 Quriosity + AI 反应器
我们的抓手：设计边界、工况覆盖、寿命模型
PATH 04
数据变成服务收入
运营数据变成可用率承诺
谁在做：Renfe 状态修、诺尔-布伦斯按可用率、阿尔斯通数字孪生
我们的抓手：后市场、按可用率定价、维保合同
PATH 05
数据驱动质量
数据链让根因可验证
谁在做：线束失效分析 + 西门子 8D 双路径根因
我们的抓手：8D、失效分析、批次与工序追溯
PATH 06
数据成为准入
没有数据能力就出局
谁在做：阿尔斯通 2030 碳排 -30% + GS1 追溯；韩国 16 个系统；日立 2027 起标配
我们的抓手：材料碳足迹、再生料比例、产品可读数接口
关于第五条：一条可直接用的方法论
西门子对 8D 的官方表述里，根因分析要同时走两条路径——发生原因（产品为什么会坏）和逃逸原因（问题为什么没被拦住流到客户）。
大多数 8D 只写清了第一条，第二条含糊其辞。而客户真正关心的恰恰是第二条。
这两条路径直接告诉我们该收集什么
发生原因 → 材料批次、配方工艺、硫化粘接条件、模具状态；
逃逸原因 → 首件记录、过程检验覆盖范围、出厂判定标准。
⇒ 这正是「材料—工艺—产品—应用—失效」数据链在质量场景下的字段清单。
互动
连一连：六条路径 ↔ 六家企业
最后一条也是最关键的一条：数据不是抽象资产，它必须附着在具体业务场景上才有价格。医疗行业有「治疗场景数据」（杜邦为此付了 3.65 亿美元）；我们有「运营场景数据」——车型、线路、载荷、气候、检修周期、失效表现。
CH.06
六 · 对数据体系建设的七条建议
七条建议：前五条讲数据体系怎么建，建议 6 讲「客户凭什么把数据给我们」（要采集运营数据，先回答数据从哪儿来），建议 7 讲「从哪儿开始喂数据」。
01
把车辆运营数据确立为公司级核心主数据
| 方向 | 系统在接什么 | 数据价值怎么兑现 |
|---|---|---|
| 向前 · 设计 | 接公司的设计数据底座，实现产品设计与车辆绑定 | 「真实载荷、环境边界、寿命目标」过去只能靠通用标准和台架试验推，现在能看到这个设计参数对应的那批产品在真实线路上跑成什么样 |
| 中间 · 质量 | 接 QMS，实现质量数据的车辆绑定 | 出厂判定与现场表现两条线并到一起 → 每一次质量事故，都能顺着车辆追溯到出厂批次、工艺参数、检测记录 |
| 向后 · 市场 | 招标跟踪、架修窗口、后市场触发器 | 从靠新闻和印象排优先级 → 靠库里的字段和指标 |
中间那条最值钱。出厂时测的是合格不合格，装车后表现如何、什么时候坏、什么工况下坏，过去是两套互不相干的数据。绑定之后：
· 分析——不再从客户投诉开始猜，而是从车辆出发直接定位批次与工序；
· 预防——同一批次的件跑在同一条线上，一处出问题就能反推其他同类件的风险。
⇒ 没有车辆绑定，「质量追溯」只能追到发货单；有了车辆绑定，才能追到它在路上跑成什么样。
02
建立以运营数据为主线的产品全生命周期数据链
市场需求产品设计采购供应工艺制造
质量检测交付装车运行维护售后失效
车辆运营数据不是这条链条中的某一个普通环节，而是贯穿整条链条的主线。设计数据要用运营数据校准，制造数据要用运营表现验证，质量数据要用运营结果解释，客户服务要用运营证据支撑。
03
优先建设八类核心数据资产
车型、车辆编号、车辆平台、转向架型号、线路条件、速度等级、载荷特征、运行里程、运行区域、气候环境、检修维护周期。连接设计、生产、质量和客户现场的关键主数据。
产品编码、名称、型号、规格、结构参数、性能参数、适用车型、适用场景、技术标准。质量追溯、客户服务和市场分析的基础。
材料牌号、供应商、批次、入厂检验结果、材料性能、异常记录、供应商质量评价。橡胶、金属件、胶粘剂等关键材料直接影响质量稳定性。
硫化、粘接、压装、机加工、表面处理、装配等关键工序参数。判断质量问题根因的重要依据。
出厂检验、型式试验、疲劳试验、老化试验、刚度测试、破坏试验。不只用于判定合格，更应用于分析性能分布和设计裕度。
装车时间、装车位置、车辆编号、项目名称、客户单位、线路区段、运行条件。与运营主数据打通，形成「产品批次—装车位置—车辆运营—现场表现」的关联。
故障现象、故障时间、运行里程、失效模式、原因分析、整改措施和验证结果。应从「问题记录」转变为「产品改进数据」。
客户项目、配套历史、技术需求、招标信息、竞争对手情况、检修周期、更新改造需求。直接支撑市场开发和产品策略。
04
选择典型应用场景推动落地
↓ 点击任意一张卡翻面：正面是这个场景解决了什么，背面是这个场景怎么落地
场景一 · 产品质量追溯
点击翻面 · 建议首个试点
落地要点
从客户现场的产品，一路追溯到生产批次、材料批次、检测记录、工艺参数和供应商信息。价值最清晰、边界最确定，直接提升客户响应速度与质量问题处理能力，适合作为第一个试点。
场景二 · 基于运营数据的
售后失效分析
售后失效分析
点击翻面
落地要点
按车型、转向架、线路条件、运行里程、产品批次、材料批次、工艺参数、失效模式多维分析。关键不是统计「坏了多少」，而是回答「在什么运营条件下、什么批次、什么工艺背景下更容易出问题」。
场景三 · 关键工序
质量预警
质量预警
点击翻面
落地要点
采集关键工序参数——硫化温度/时间/压力、粘接条件、压装力与位移——与检测结果建立关联，识别可能导致质量波动的工艺因素，逐步从事后判定走向事前预警。
场景四 · 基于运营场景的
客户产品选型支持
客户产品选型支持
点击翻面
落地要点
把历史项目、产品性能、运营场景和售后表现沉淀成选型数据库。面对不同车型、线路、载荷、速度和检修制度，能基于已有案例给出推荐——它就是销售手里那页「能当场翻」的对照表的后台。
场景五 · 供应商
质量评价
质量评价
点击翻面
落地要点
基于材料批次、入厂检验、生产异常、成品质量和售后表现，对供应商做数据化评价。把「供货质量」从印象变成指标。
05
一个中心 · 六类数据库 · 一个关联层 · 四类业务赋能
↓ 悬停任意一行，看这一类库长什么样
01市场与客户数据库业主、设计总包、运营商、车辆制造商、维保方；客户项目、采购合同、交付与维保计划；竞品参数、价格、故障率、份额
02线路参数数据库基础信息、红线参数（轨距/速度/限界/曲线半径/坡度）、核心参数（轨道结构/供电/信号）、适配参数（环境/站间距/客流/检修设施）
03车辆参数数据库车类、车型、转向架类型、编组、出厂与投运时间、配属地、数量；部件信息含产品编码、供应商、安装数量；检修周期、更换记录、故障统计
04产品设计数据库一系/二系悬挂设计参数：外形尺寸、各向刚度、使用寿命、金属与非金属材料、零件参数、疲劳试验参数
05生产制造数据库胶料配方、批次、硫化时间/温度/压力、机台编号；原材料牌号与供应商资质；产品编号、班次、流水号、产能、合格率
06质量问题数据库检测标准（各车型国标参数阈值）、故障库（现象/参数偏差/失效模式）、处理库（原因分析/解决方案/跟踪要求）
10 / 12
一个中心
车辆不是客户对象，是产品应用场景的载体
只有以车辆数据为中心，才能形成「某个产品—用于哪辆车—装在哪个位置—跑在哪条线路—经历什么工况—发生什么表现」的完整链条。
销售赋能
识别即将进入检修期的车辆与部件，提前布局备件与维保；用数据证明适配性，提高中标率与复购率。
设计赋能
线路与车辆参数输入设计模型，实现参数化设计；用历史运营数据校准仿真，预测全工况性能与寿命。
生产赋能
设计—工艺—质量关联模型识别最佳工艺窗口；预测备件需求，减少库存积压与缺货。
质量赋能
全生命周期追溯与预测性预警；故障溯源从数天缩短到数小时；风险系数模型提前识别需更换的产品。
06
【新增】建立运营数据的获取机制：客户凭什么把数据给我们
这是决定前五条能否成立的一条。
运营数据、故障记录、检修节拍大部分不在我们手里——那是客户的资产，部分还是商业机密。他不会因为你说得动听就交出来。
⇒ 真正的题目不是「怎么说服」，而是「我拿什么换」。
↓ 悬停任意一行，看这种做法的细节
一把数据采集设计成服务的前置条件罗尔斯·罗伊斯 TotalCare：不要健康监测，就不提供 TotalCare 品牌
二把收费从「按件」改成「按效果」SKF Rotation For Life：监测成本由供应商承担，客户不用被说服
三把传感器做进自己的产品里Trelleborg ConeX3、NSK/B&K Vibro、Perpetuum：数据入口天然归自己
四承接维保Wabtec × GB Railfreight：585 辆平车十年维保；维保本身就必须掌握资产状况
五把采集能力写进交付物技术规格日立 × SBB：客户按规格采购，不存在「给不给」
六把数据主权留给客户西门子 Railigent：主权归你、数据可带走、平台开放给 16 家伙伴含竞争对手
七用合作协议或服务合同承载诺尔-布伦斯×DB、阿尔斯通×斯德哥尔摩地铁：措辞是「服务」，不是「交数据」
11 / 12
做法三为什么最关键
把传感器做进自己的产品里
数据入口天然归自己——与我们的产品线最接近的一条路径。
| 对象 | 他手里有什么 | 我们拿什么换 |
|---|---|---|
| 主机厂 | 设计数据、BOM、检修规程 | 这里我们常是交数据的一方。策略：先合规交出他要的，在交付过程中拿到我们缺的；或像 NSK 那样跟着整车订单一起进 |
| 业主 / 运营商 | 运营数据、故障记录、检修节拍 | 用「帮你省钱」换——真实载荷优化检修周期、省维修支出。我们的工具（架修窗口、选型对照）就是筹码 |
| 渠道商 | 备件消耗、更换记录 | 用供货关系换——他关心稳定供货和利润，数据是次要的。别用对运营商的话术跟他谈 |
三个不要做 · 之一
点击翻面
不要做 01
不要在同一次接触里既要数据又要订单。要数据时用「帮你看问题」的由头，别跟报价绑在一起——否则客户会觉得你在套信息压价。
三个不要做 · 之二
点击翻面
不要做 02
不要拿了数据不反馈。这一条决定第二次还有没有——哪怕结论是「这个问题我们暂时解决不了」，也要给回一份东西。
三个不要做 · 之三
点击翻面
不要做 03
不要用「行业惯例」去压客户。说「别人都给了」只会让他警觉；用「我给你算出来的结果」去打动他。
一条最值得警惕的反证
点击翻面
Rail A vs Rail B
纯靠合同强制 → 供应商只交最低可接受量、隐去不利信息；合同控制 + 解释和留余地 → 供应商愿意超出最低要求提供数据。光有条款拿到的是合规下限。
07
【新增】明确一线数据入口与六件可启动动作
建议 1~6 讲的是「建什么」。这一条讲「从哪儿开始喂数据」——六件可以直接启动的事，都不是额外任务，而是把本来就发生在手上的信息变成数据链里的一段。
第一件 · 客户现场信息回公司
每次接触固定带回三样：工况（车型/线路/季节/里程）、批次（哪批、何时装）、处置（现场怎么解决、客户接受吗）。
「某产品坏了 20 件」是记录，不是数据。判断标准：技术或质量部门拿到这三条，能不能直接立项？
第二件 · 一页能当场翻的对照表
技术岗给工况对应关系 → 市场岗汇总成一页 → 销售随身带、当场用。对应 3.2-b 的最小落地形态。
第三件 · 把架修窗口算出来
架修周期是刚性的（5 年 / 60 万 km、10 年 / 160 万 km），通车年份公开可查——代进公式就能算出窗口落在哪一年，而采购启动比窗口早 5–6 个月。
中标方不一定等于真正的供应商，盯上游比直接投标门槛低。
第四件 · 把一手情报源补起来
分清两个东西：海外车辆数据库（我们自己的项目库，已完整）与海外一手情报（公开面上的对手动作、招标动态）。缺的是后者。
一条纪律：公开面没消息 ≠ 对手没动作。部件采购的决策发生在供应商准入与招标平台。
第五件 · 让产品能被监测
按可用率收费的前提是产品可监测。客户正在把它变成硬门槛：Renfe 新造车自投运即带状态修、韩国 16 个系统、日立 2027 起标配。
⇒ 先确认空簧的压力/位移、一系簧的位移/温度这类接口目前有没有。
第六件 · 备着材料碳足迹数据
产品级材料碳足迹 + 再生料比例与可再利用设计说明。先确认谁在负责；这类数据必须提前攒，临阵编不出来。
工 具
架修窗口计算器：把通车年份变成采购日历
架修周期是刚性的（架修 5 年 / 60 万 km，大修 10 年 / 160 万 km，寿命约 30 年 / 480 万 km），通车年份是公开可查的——代进公式就能算出检修窗口落在哪一年，而采购启动比窗口早 5–6 个月。
拖动滑块或用键盘方向键。档位会自动吸附——松手后弹簧回弹到最近档。
投运年份2016
修程次轮 · 大修
检修窗口2026 年
采购启动2025 年 Q3
距今年数0 年
建议动作立即跟进
首轮架修（+5 年）
多为整车架修总包，中标方是主机厂 / 联合体，我们是总包分供方、没有话语权。
次轮架修（+10 年）
拆成备件框架单独采购，中标方常是本地渠道商、区域设备公司——我们可通过渠道商进入或直接投标。
一个容易忽略的判断
中标方不一定等于真正的供应商。业主常把备件框架给本地渠道商，而真正的件必须来自渠道商的上游——盯上游比直接投标门槛低。
CH.07
七 · 分阶段推进：五个阶段，我们走到哪一步了
总原则：全面的数据管理体系应围绕现有平台基础构建，避免推倒重来或另起炉灶，坚持「小步快跑、价值先行、试点带动、逐步推广」。
| 阶段 | 体系要求 | 当前实际状态 |
|---|---|---|
| 一 · 统一基础数据标准 | 口径统一、字段梳理 | 已有 8 张数据表；关联键已定义（物资编码 TX 号 / 车型编号 / 项目号）；平台评审确认「基础字典先定义后使用」 |
| 二 · 数据库样板 | 打通七类数据、形成闭环样板 | 国内已成形：614 条数据源（A=524 / B=81 / 参考=9，A 级占 85.3%）、57 城 369 线；2026-09 新增「线路投运年份」字段，目标覆盖 336 线 ≥90% |
| 三 · 跨库关联分析 | 五类关联关系 | 已有 10 维交叉验证引擎 + 8 项交叉验证；三步流水线，偏差分级 ≤5% 通过 / 5–10% 复核 / >20% 阻断 |
| 四 · 高价值场景 | 质量追溯、失效分析、选型支持、备件预测 | 2026 年高级修招标 787.5 标准组已标注为「减振件后市场直接触发器」；招标跟踪 129 条（含 15 条海外/国际） |
| 五 · 长期治理 | 标准维护、质量检查、应用评价 | 自述为「规则已定、执行欠账」，需在推广阶段补齐落地机制 |
12 / 12
结构性判断
国内这一段已经通了，海外的库等着接进来
算法我们有，缺的是「把库接进来」这一步。
平台评审给出的一条硬判断
海内外数据形态完全不同，应分开建表，不共用模型。
同时「海外项目模块需从零建设」指的是平台里那个模块，不是数据本身——海外项目数据是有的，别混为一谈。
互动
数据家底：横线划过，读出每一项
0
柱高按相对比例呈现，读数显示真实值。数据来自轨道车辆数据库项目当前状态（v1.33）。
CH.08
八 · 汇报总结：三句话
数据体系建设不能只停留在系统建设和报表统计层面，而应围绕产品全生命周期。
尤其要把轨道车辆运营数据确立为贯穿设计、生产、质量和客户端的核心主数据。
01 · 数据是有价格的
杜邦为六个医疗场景的数据与工艺能力付了 3.65 亿美元，而且是同方向连买两次（前一年 17.5 亿收 Spectrum）。
我们有「运营场景数据」：车型、线路、载荷、气候、检修周期、失效表现。
02 · 从竞争力变成入场资格
阿尔斯通把碳排与材料要求写进采购条款、按 GS1 做零件追溯；韩国与日立把传感器写进新造车计划。
往后不是「我们有没有数据优势」，而是「我们有没有数据」。
03 · 获取是一道设计题
罗尔斯·罗伊斯把它写进服务定义（不要监测就没有 TotalCare），SKF 改成按效果收费让监测成本自己承担，Trelleborg 把传感器做进减振件，Wabtec 去承接维保。
与其去要数据，不如去接能产生数据的活。
系统是工具，数据是内容。真正会丢的是那些只发生过一次的现场细节——客户当时提的到底是什么要求、现场什么季节、装车时什么情况。
当时不记，事后永远补不回来。
自检
散会之前，这八件事能不能答上来
勾选状态保存在本机浏览器，下次打开还在。
《数据如何形成竞争力》· 轨道车辆运营数据为什么是核心主数据
案例与数据均来自公开来源，法规与合同条款以官方原文为准