Как разработать структуру управления данными для инженерных активов данных

Инженерные организации генерируют огромные объемы данных — от моделей САПР и результатов моделирования до результатов испытаний и показателей эффективности на местах. Без структурированной структуры управления данными эти данные становятся фрагментированными, непоследовательными и трудными для доверия. Хорошо продуманная структура управления гарантирует, что инженерные активы данных являются точными, безопасными, совместимыми и доступными для нужных людей в нужное время. Она поддерживает более быстрое принятие решений, снижает переработку и позволяет межфункциональное сотрудничество. Это руководство проходит через критические шаги для создания структуры управления, адаптированной к уникальным требованиям инженерных сред.

Шаг 1: Определите цели и масштабы

Начните с объяснения того, почему управление имеет значение для ваших инженерных данных. Общие цели включают улучшение качества данных для моделирования и анализа, обеспечение прослеживаемости в регулируемых отраслях, сокращение дублирующих или устаревших данных и обеспечение повторного использования данных в проектах. Без четкой цели усилия по управлению могут застопориться или стать чрезмерно бюрократическими.

Определение объема одинаково важно. Определить, какие активы данных подпадают под управление: модели проектирования, счета материалов (BOM), тестовые данные, журналы датчиков, документация соответствия или все вышеперечисленное. Ограничить начальный объем управляемым пилотом, таким как единая линейка продуктов или инженерный отдел, а затем расширить итеративно. Задействовать лидерство на ранней стадии для согласования целей управления с бизнес-результатами, такими как более быстрое время выхода на рынок или более низкие гарантийные расходы. Документировать объем в уставе, который определяет затронутые системы, области данных и ожидаемые выгоды.

Шаг 2: Определите заинтересованных лиц и роли

Управление не может быть обеспечено без четкого владения. Создать межфункциональный совет по управлению с участием представителей инженерных, ИТ, юридических, комплаенс и управления данными. В рамках этого совета назначить конкретные роли: владельцев данных (старшие инженеры или менеджеры, отвечающие за качество и безопасность данных в своей области), распорядителей данных (эксперты по предметным вопросам, определяющие стандарты и контролирующие соблюдение), и хранителей данных (IT или оперативный персонал, управляющий технической инфраструктурой).

Для инженерных данных рассмотрите стюардов, специализирующихся на конкретных дисциплинах — например, стюард по механическому дизайну обеспечивает соблюдение конвенций именования файлов CAD, в то время как стюард по симуляции проверяет наборы входных данных. Обучение и четкие описания ролей помогают избежать путаницы. Регулярно пересматривайте задания ролей по мере развития проектов. Опрос 2023 года, проведенный Gartner , показал, что организации с определенными ролями управления данными в 2,5 раза чаще сообщают о высоком качестве данных.

Шаг 3: Установить политику и стандарты в области данных

Политика устанавливает правила обработки данных, в то время как стандарты делают эти правила измеримыми и подлежащими исполнению.Начните с политики управления данными высокого уровня, которая охватывает классификацию данных (публичную, внутреннюю, конфиденциальную, ограниченную), принципы контроля доступа, периоды хранения и обмен данными между инженерными командами и внешними партнерами.

Для инженерных активов это включает в себя стандарты метаданных (например, использование ISO 10303 для данных о продукте), соглашения об именах для файлов и наборов данных, протоколы управления версиями (например, семантическая версия для имитационных моделей) и шаблоны документации , которые захватывают линии данных и предположения. Справочные отраслевые рамки, такие как DAMA-DMBOK для структурирования ваших политик. Убедитесь, что политики доступны через портал управления данными и обеспечивают учебные занятия для инженеров, которые создают или потребляют данные.

Шаг 4: Внедрение процессов управления данными

Основные процессы включают в себя: создание или проглатывание данных, архивирование или удаление.

  • Проверка качества данных: Правила автоматической проверки, которые улавливают недостающие значения, выпадения или несоответствия формата в точке входа.
  • Отслеживание происхождения данных: Запись преобразований и отображения от источника к цели, чтобы инженеры могли проследить результат до его исходных данных.
  • Рабочие процессы утверждения: Для изменений в критических наборах данных, таких как пересмотр базового сценария тестирования или обновление свойств материала.
  • Каталогизация данных: Ведение поисковой инвентаризации инженерных активов данных с метаданными, такими как дата создания, владелец, версия и ограничения использования.

Используйте инструменты, которые интегрируются с инженерными системами (PDM, PLM, платформами моделирования). Например, безголовая CMS, такая как Directus, может служить центром управления данными, подключаясь к существующим базам данных и выставляя метаданные через API. Автоматизируйте повторяющиеся задачи, такие как оценка качества данных и уведомление устаревших данных, чтобы уменьшить ручные накладные расходы.

Шаг 5: Обеспечение соблюдения и безопасности

Инженерные данные часто подпадают под строгие нормативные и договорные обязательства — ИТАР, GDPR, HIPAA или отраслевые стандарты, такие как AS9100 для аэрокосмической промышленности.

  • Контроль доступа: Разрешения на основе ролей, ограничивающие возможность просмотра, редактирования или удаления определенных активов данных.
  • Шифрование: В покое и в пути, особенно для проприетарных файлов дизайна или личной информации.
  • Аудиторские маршруты: Зарегистрируйте все доступы и изменения в конфиденциальных инженерных данных, с сохранением, соответствующим требованиям соответствия.
  • Маскировка данных: Для наборов данных, используемых в демонстрациях или обучении, удалять или запутывать конфиденциальные значения.

Проводить регулярные аудиты соблюдения с использованием автоматизированных сканеров, которые проверяют разрешения на соответствие политике. NIST Cybersecurity Framework предоставляет полезную ссылку для структурирования средств контроля безопасности. Документировать инциденты и почти промахи для улучшения профилактических мер. Помните, что безопасность не является одноразовой реализацией; она требует постоянного мониторинга и обновлений по мере развития правил.

Шаг 6: Мониторинг и улучшение

Управление не является статическим проектом — оно требует постоянного измерения и уточнения. Определите ключевые показатели эффективности (KPI), такие как процент полноты данных, время для решения проблем качества данных, скорость прохождения аудита соответствия и использование пользователями инструментов каталога данных. Создайте панели инструментов, видимые совету управления и руководителям инженерных служб.

Планируйте периодические обзоры (ежеквартально или раз в два года) для оценки того, соответствуют ли политики и процессы потребностям организации. Соберите отзывы от распорядителей данных и конечных пользователей с помощью опросов или семинаров. Используйте идеи для обновления стандартов — например, добавление новых полей метаданных для поддержки вариантов использования машинного обучения или упрощение рабочих процессов утверждения, которые стали узкими местами. Также отслеживайте новые передовые методы из отраслевых органов, таких как ISO 8000 (качество данных) и включайте их, где это уместно.

Преодоление общих вызовов

Даже при наличии твердого плана инициативы в области управления часто сталкиваются с сопротивлением. Культурные проблемы, такие как инженеры, рассматривающие управление как административное бремя, можно решить, продемонстрировав быстрые победы: показ того, как чистые данные сокращают переработку или как каталог данных экономит часы поиска. Еще одним препятствием является создание бункеров данных между департаментами или инструментами; нарушить их путем установления межфункциональных соглашений об обмене данными и интеграции управления в существующие рабочие процессы с помощью API и разъемов.

Сложность также растет с масштабом инженерных данных. Сначала расставьте приоритеты в отношении высокоценных активов данных и используйте автоматизированные инструменты обнаружения для инвентаризации устаревших наборов данных. Рассмотрим федеративную модель управления, в которой каждая инженерная область сохраняет автономию, придерживаясь общеорганизационных стандартов метаданных и качества. Этот баланс помогает избежать универсального подхода, который может игнорировать нюансы, характерные для конкретной дисциплины.

Использование технологий для управления

В то время как управление в первую очередь касается людей и процессов, технология ускоряет принятие и обеспечение соблюдения. Инвестируйте в платформы каталогов данных, которые поддерживают управление метаданными, визуализацию линий и автоматизацию политики. Directus, например, предоставляет гибкую безголовую CMS, которая может моделировать инженерные активы данных, обеспечивать соблюдение разрешений и предлагать удобный интерфейс для стюардов для обновления метаданных без вмешательства ИТ. Его подход API-первого позволяет интегрироваться с системами PLM, базами данных моделирования и аналитическими инструментами, создавая центральную консоль управления.

Другие технологии включают инструменты качества данных (например, Great Expectations, Ataccama), решения для линейки данных (например, Apache Atlas, Collibra) и платформы автоматизации соответствия (например, OneTrust). При выборе инструментов отдавайте предпочтение тем, которые интегрируются с существующим инженерным стеком и позволяют настраивать правила управления. Доказательство концепции с небольшим набором данных может проверить инструментарий перед развертыванием предприятия.

Заключение

Разработка структуры управления данными для инженерных активов данных требует продуманного планирования, участия заинтересованных сторон и итеративного исполнения. Определяя четкие цели, назначая ответственные роли, устанавливая надежные стандарты, внедряя надежные процессы, обеспечивая безопасность и соблюдение и постоянно контролируя производительность, организации могут трансформировать свои инженерные данные из обязательства в стратегический актив. Результатом является улучшение качества данных, более быстрые инновационные циклы и снижение риска - необходимые ингредиенты для сохранения конкурентоспособности в областях, требующих больших объемов данных. Начните с малого, выберите пилотную область и масштабируйте с уверенностью, используя инструменты, такие как Directus, чтобы упростить интеграцию технологий. Путь к управлению продолжается, но каждый шаг приближает вашу инженерную команду к совершенству данных.