问题：当前制造业数字化转型持续推进，但生产设备、工艺流程、质量检测和供应链管理等环节中，数据应用仍面临诸多挑战。企业内部普遍存在"数据孤岛"现象，数据标准不统一、准确性欠缺、可追溯性差。关键数据采集困难，即使获取后也因格式混乱、分散存储和来源不清等问题难以有效利用。在数据清洗加工阶段，"脏数据"和杂乱无章的数据结构严重影响后续建模与应用效果。此外，数据与业务场景脱节、标准化程度不足，也制约了高质量数据集的供给。 原因：造成这些问题的原因主要有三点：首先——制造业现场环境复杂——设备型号多样且系统更新频繁，导致数据采集时出现接口不一致、采样频率差异和时间戳错位等技术性问题。其次，部分企业长期重视业务系统建设而忽视数据资产管理，缺乏贯穿全流程的数据治理机制，在责任划分、指标定义和质量评估等未能形成闭环管理。再者，随着人工智能应用的快速落地，企业对数据的规模、质量和标注提出了更高要求，但在数据工程能力、工具链配置和人才储备上的不足造成了应用断层。 影响：低质量数据直接影响模型的训练效果和迭代能力，进而削弱预测性维护、良品率提升、能耗优化等应用的可靠性和推广价值。若不建立统一的治理框架和实施路径，制造业将难以充分释放数据要素的价值，也可能错失数字化转型带来的效率提升机遇。 对策：新发布的参考指引提出以实际场景为牵引的系统化治理方案。针对31个典型人工智能应用场景，为不同发展阶段的企业制定了分级实施路径，设置入门、基础和进阶三级目标。同时针对数据治理的核心环节——包括采集、预处理、特征工程等六个关键步骤——明确了具体要点和实施方法，并提供技术应用清单和工具清单。省工信厅涉及的负责人建议企业根据自身情况优先解决最紧迫问题，逐步建立可持续的数据治理体系。 前景：业内专家指出，随着人工智能应用的规模化落地，数据治理正从被动合规转向主动创造价值。江苏此次发布的指引为企业提供了可行的操作框架，有助于建立统一的数据标准和质量管理体系。未来通过推动行业标准协同、完善工具供给和强化安全管理等措施，将深入促进产业链协同和数据要素的价值释放。
数据治理是制造业智能化转型的基础性工作。江苏发布的指引不仅提供了实用工具和方法，更重要的是推动企业转变观念——从被动应对到主动作为。随着更多企业将数据治理纳入战略规划，江苏制造业的智能化水平有望实现质的飞跃，并为全国提供有益经验。