Как оценить ваш уровень Data Governance? Признаки, риски и механизмы контроля

Автор статьи: Артём Смирнов Руководитель группы цифрового развития Дирекции по ремонтам ПАО «Северсталь»

Чтобы понять, где вы сейчас и сколько вложений нужно в Data Governance, не требуется консультант за 2 млн рублей. Достаточно честно ответить на 15 вопросов и понять свой уровень. Ниже — практичная модель зрелости в 4 уровнях, адаптированная под ТОиР.

Уровень 0. Хаос в Excel

Признаки:

• Справочники активов, отказов и работ ведутся в Excel или вообще не ведутся.
• Каждый цех/участок называет оборудование и коды отказов по своему.
• Нет единой иерархии активов (один и тот же актив называется по разному в SAP, у мастера и в IoT системе).
• «Прочее» или пустые поля в 30–50% нарядов.
• Нет владельцев данных — "кто хочет, тот и правит".
• Для подготовки отчёта аналитик собирает данные вручную из 5–10 источников и сводит в отдельный Excel.
• Данные из IoT не связаны с активами и историей отказов.

Риски:

• Невозможно посчитать реальный MTBF, MTTR или эффект от внедрений.
• Любая попытка аналитики превращается в археологию ("где та таблица?").
• Предиктивные модели на таких данных не обучаются — мусор на входе, мусор на выходе.
• Дублирование работы: каждый отчёт — с нуля, каждый проект RCM начинается с "давайте сначала наведём порядок в справочниках".

Что делать:

Переходите на Уровень 1: хотя бы соберите всё в одно место и договоритесь о базовых правилах.

Уровень 1. Локальные реестры в ERP

Признаки:

• Активы заведены в ERP (SAP/1С), есть иерархия.
• Работы ТОиР фиксируются в системе, но справочники отказов — либо минимальны, либо дублируются в Excel у инженеров.
• Есть базовые коды проблем в SAP, но они не стандартизированы (10–15 кодов типа "износ", "прочее", "поломка").
• Данные качества низкие: 20–40% нарядов с "прочее" или без кода.
• Владельцы данных формально назначены (главный механик, начальник ТОиР), но не следят за качеством активно.
• IoT данные существуют, но живут отдельно от ERP.
• Нет регламентов на добавление активов или кодов — "как получится".

Риски:

• Можно посчитать базовые метрики (количество нарядов, затраты), но глубокая аналитика по режимам отказов не работает.
• Сравнение между цехами затруднено (коды называются по разному).
• RCM/FMECA строится заново для каждого проекта, без переиспользования знаний.
• Предиктив возможен только точечно, на отдельных активах с чистыми данными.
• Механизмы контроля (начальные):
• Обязательное заполнение полей актива и кода проблемы в SAP при закрытии наряда (жёсткая валидация на уровне транзакции).
• Периодические отчёты по качеству данных (доля "прочее", пустые поля) — раз в квартал.

Механизмы контроля (начальные):

• Обязательное заполнение полей актива и кода проблемы в SAP при закрытии наряда (жёсткая валидация на уровне транзакции).
• Периодические отчёты по качеству данных (доля "прочее", пустые поля) — раз в квартал.

Что делать:

Переходите на Уровень 2: стандартизируйте справочники, введите регламенты и подключите отраслевой слой (ТООН/ИСМД).

Уровень 2. Единая модель данных в ТООН/ИСМД с контролем качества

Признаки:

• Справочники активов, функций, режимов отказов и FMECA ведутся в отраслевом решении (ТООН, ПО «Надёжность»).
• Синхронизация с SAP: мастер данные активов в SAP, расширенная модель (функции, критичность, FMECA) — в ТООН.
• Справочники отказов стандартизированы по ISO 14224 или собственному каталогу, "прочее" < 10%.
• Назначены владельцы данных по каждому справочнику с чёткими обязанностями.
• Регламенты на добавление активов, кодов отказов, изменение критичности описаны и выполняются.
• Автоматический контроль качества данных: дашборды показывают доли пустых/некорректных полей, дубликаты, коды "прочее".
• IoT данные связаны с активами через единый ID, временные ряды попадают в Data Lake.
• История отказов хранится структурированно с привязкой к RCA и мерам.

Риски (остаточные):

• Всё ещё есть "островки" данных в Excel (у отдельных специалистов).
• Качество данных зависит от дисциплины мастеров — автоматизированная валидация работает, но не покрывает 100% кейсов.
• Обогащение данных (например, добавление функций к старым активам) идёт медленно.

Механизмы контроля в ТООН/ИСМД:

1. Обязательные поля при создании актива: 

• ID, наименование, тип, иерархия, функция, критичность (A/B/C из FMECA).
• Система не даёт сохранить актив без этих полей.

2. Валидация кодов отказов при закрытии наряда: 

• Выбор только из справочника (нельзя ввести свободный текст).
• Для кода "прочее" обязательно текстовое пояснение (минимум 20 символов).

3. Автоматические проверки качества: 

• Еженедельные отчёты: доля нарядов без кода отказа, с "прочее", с пустыми полями.
• Дашборды для владельцев данных: топ 10 некорректных записей, дубликаты активов, активы без функции.

4. Регламенты на изменение справочников: 

• Запрос на добавление кода отказа → согласование владельца → публикация → синхронизация в SAP.
• История изменений справочников хранится (кто, когда, зачем).

5. Связка IoT и активов: 

• Каждый датчик привязан к активу через ID.
• Аномалии в IoT данных (пропуски, выбросы) фиксируются и сигнализируются.

6. RCA и меры хранятся структурированно: 

• Для критичных отказов обязательна запись RCA (непосредственная причина → содействующие факторы → коренная причина).
• Меры привязаны к отказам и отслеживаются (выполнено/не выполнено).

Что даёт:

• Можно строить глубокую аналитику по режимам отказов, MTBF, повторяемости.
• RCM/FMECA становится живым документом, а не "сделали раз и забыли".
• Предиктивные модели обучаются на качественных данных и дают результат.
• Сравнение между цехами, участками, заводами становится возможным (единые коды и метрики).

Что делать:

Переходите на Уровень 3: автоматизируйте обогащение данных, внедряйте ML модели для валидации и предиктива.

Уровень 3. Оптимизированная система с ML и автоматизацией

Признаки:

• Data Governance встроен в культуру: владельцы данных активно работают, регламенты выполняются без напоминаний.
• Автоматическое обогащение данных: ML модели предлагают коды отказов на основе текстового описания проблемы (мастер подтверждает или корректирует).
• Предиктивная валидация: система предупреждает о подозрительных записях (например, "код износа" для нового актива с наработкой 100 часов).
• IoT аномалии автоматически создают заявки или сигналы в ТООН.
• Полная прослеживаемость: от IoT события → отказ → RCA → меры → эффект.
• Data Lake используется для обучения ML моделей прогнозирования отказов.
• Качество данных > 95%: "прочее" < 5%, пустые поля < 2%.
• Автоматические отчёты и дашборды для всех уровней (от мастера до директора).

Риски (минимальные):

• Требуются инвестиции в поддержание ML моделей (переобучение, валидация).
• Высокая зависимость от квалификации команды Data Governance.

Механизмы контроля (продвинутые):

1. ML ассистенты для заполнения: 

• Мастер описывает проблему текстом → система предлагает 3 подходящих кода отказа.
• Мастер выбирает или корректирует → модель учится.

2. Предиктивная валидация: 

• "Этот код обычно не используется для данного типа актива — вы уверены?"
• "Наработка актива слишком мала для режима отказа 'усталость материала'".

3. Автоматическое обнаружение дубликатов и аномалий: 

• Два актива с похожими названиями → сигнал владельцу данных.
• Резкий рост кода "прочее" в конкретном цехе → расследование.

4. Обратная связь по качеству мер: 

• Для каждой меры из RCA отслеживается: выполнена ли, снизилась ли частота отказа после неё.
• Неэффективные меры помечаются для пересмотра.

5. Прогнозирование отказов: 

• ML модели на IoT + история отказов → "вероятность отказа этого актива в ближайшие 7 дней: 78%".
• Автоматическое создание заявки или сигнала инженеру.

Что даёт:

• Переход от реактивного к предиктивному управлению.
• Экономия времени мастеров (автоматические подсказки, минимум ручной работы).
• Высокая точность аналитики и прогнозов.
• Data Governance становится конкурентным преимуществом.

Итог

Data Governance — это не про "навести красоту в данных ради красоты". Это про возможность предотвращать отказы, а не героически их устранять. Уровень 0–1 — вы тушите пожары. Уровень 2 — вы видите, где они начнутся. Уровень 3 — вы их не допускаете.

Начните с чек листа выше и двигайтесь пошагово: сначала справочники и регламенты, потом контроль качества, потом — автоматизация и ML.

Как оценить свой уровень (самодиагностика за 10 минут)

Ответьте "да" или "нет":