制造企业的数据基础是否健康，不能用“系统数量多不多”或“是否已经部署人工智能”来判断。真正的标准是：关键业务数据能否持续产生、跨部门关联、被准确解释，并最终支持计划、质量、库存、交付和成本决策。若数据仍依赖个人表格、口头传递或重复录入，企业表面上拥有大量信息，实际上并未形成可复用的数据资产。
从六个维度识别健康度
第一看业务覆盖：订单到交付、采购到付款、计划到生产等关键链路，是否被连续记录。只记录结果、不记录过程，通常无法支撑异常追溯。
第二看主数据统一：物料、产品、客户、供应商、设备和工序是否采用统一编码。同一物料多种名称、同一编码对应多个对象，会直接破坏统计和分析。
第三看状态一致：销售、计划、采购、生产和质量部门对“已确认”“生产中”“待检验”等状态的定义是否一致。状态口径不统一，跨部门协同就没有共同事实。
第四看数据质量：是否存在缺失、重复、过期和异常数据，以及明确的修正机制。数据质量不是一次性清洗项目，而是持续管理责任。
第五看权限与责任：谁能查看、修改和导出数据，谁负责维护，出现错误后如何追溯。没有责任人的数据，即使进入平台，也难以长期可信。
第六看价值闭环：数据能否触发计划调整、异常处理、质量改进或库存优化。如果数据只能生成报表，却不能推动行动，健康度仍然有限。
从业务链而不是系统清单开始
评估时应先选择一条真实业务链，例如“订单到交付”或“计划到生产”，逐节点记录业务动作、数据输入、使用系统、维护人员、下一环节的使用方式，以及异常发生后的修正路径。由此建立“业务—数据—系统—责任人”关系图，通常比盘点企业拥有多少系统更能发现问题。
重点寻找三类断点：数据存在但分散在不同部门的数据孤岛；数据已经产生却没有及时传递的协同断点；关键业务尚未系统化、无法持续沉淀的基础缺口。
健康度应服务于投入决策
评估结果不宜简单归类为“数字化程度高”或“低”，而应形成可处理的问题清单，例如订单变更没有统一审批节点、质量缺陷编码不一致、库存账实无法稳定核验。问题越接近具体流程，改进越容易验证。
只有当数据来源稳定、责任边界清晰、流程能够承接结果时，企业才适合选择人工智能试点。健康的数据基础不是追求系统齐全，而是确保数据真实、连贯、可追责，并能在业务闭环中持续产生价值。