La governance inizia quando il dato guida una decisione
La governance dei dati industriali inizia quando un segnale, allarme, valore di contatore, work order, nota di ispezione, documento o indicatore calcolato influenza una decisione operativa.
Per un digital twin operativo, la connessione del dato non basta. Il team deve conoscere sorgente, asset o spazio descritto, unita, regola temporale, owner del mapping, affidabilita del valore e workflow AI Agent o dashboard che lo usano.
Data Fusion Services supporta questa disciplina nello stack FactVerse: connette sistemi sorgente, mappa dati alle entita del twin, pulisce e normalizza campi, calcola indicatori, prepara data mart e collega il contesto live al twin.
Cosa governare con DFS
| Area | Domanda pratica | Valore |
|---|---|---|
| Sorgente | Quale sistema possiede il valore e chi ne approva l'uso? | Chiarisce la responsabilita |
| Accesso | Quale ruolo, sito o boundary puo leggere il dato? | Protegge dati sensibili |
| Entita | Quale asset, spazio, sistema o workflow descrive? | Trasforma tag grezzi in contesto |
| Unita e tempo | Quale unita, fuso, sampling e aggregazione valgono? | Rende confrontabili trend e allarmi |
| Qualita | Il valore e mancante, vecchio, interpolato o fuori range? | Mostra la forza dell'evidenza |
| Lineage | Quale connector, mapping, transform e release lo producono? | Supporta audit e troubleshooting |
| Consumatori | Quali dashboard, AI flow, report o ticket lo usano? | Valuta l'impatto prima del cambio |
Governare per identita operativa
Lo stesso oggetto puo avere nomi diversi in SCADA, historian, CMMS, BIM e nel linguaggio di campo. La governance deve collegare questi alias a un'identita operativa stabile.
FactVerse fornisce contesto condiviso per spazi, asset, sistemi, relazioni, documenti, binding dati e workflow. Data Fusion Services mappa campi e tag sorgente a quel contesto, collegando ogni valore all'asset, al luogo e al loop operativo corretti.
L'identita dovrebbe coprire sito, edificio, piano, zona, stanza, linea, route, classe asset, asset ID, owner, stato lifecycle, relazioni di sistema, alias, documenti, SOP, punti di ispezione, riferimenti work order e boundary di permesso.
Qualita, lineage e controllo modifiche
Le serie temporali e gli eventi cambiano continuamente. Le regole devono coprire valori mancanti, soglie di stale data, conversioni di unita, timestamp, sampling, aggregazione, outlier, sostituzione sensori, logica di allarme e formule KPI.
I dati industriali cambiano spesso senza visibilita: un punto BMS rinominato, un contatore sostituito, un tag historian migrato, un campo CMMS reinterpretato, una formula modificata. Il twin puo sembrare corretto mentre il dato sottostante non lo e.
Un change record dovrebbe includere sorgente, connector, tag o formula modificata, asset e workflow impattati, consumatori downstream, reviewer, stato approvazione, data effettiva, rollback ed evidenza di validazione.
Accesso, evidenza e machine learning
I dati operativi possono contenere stanze riservate, layout cliente, stati di produzione, salute asset, profili energetici, note di manutenzione e record di servizio. I confini di accesso devono restare chiari nel twin.
Inspector e i sistemi di lavoro connessi registrano chi ha rivisto un finding, quale azione e stata presa, quale evidenza e stata raccolta e se la condizione e migliorata. Questi record diventano dati di governance per AI review e machine learning.
Il machine learning richiede segnale, contesto asset, stato operativo, decisione umana, azione e risultato. La governance conserva feature, filtri qualita, label da work order, versioni modello, suggerimenti rifiutati e risultati post-action.
Pattern di rollout DataMesh
- Scegliere un decision loop - Predictive maintenance, inspection, data center asset review, energy evidence o digital SOP.
- Nominare data owner - Sorgenti, identita, mapping, qualita, calcoli, accessi e workflow downstream.
- Mappare l'identita operativa - Allineare spazi, asset, sistemi, relazioni, documenti, workflow e alias in FactVerse.
- Connettere e governare - Usare Data Fusion Services per connettere, mappare, normalizzare, allineare timestamp, calcolare e marcare qualita.
- Registrare consumatori - Dashboard, AI Agent, moduli Inspector, report e dataset ML.
- Rivedere prima del rilascio - Tag, formule, connector e permessi.
- Catturare outcome - Evidenze di campo, decisioni di review e valori post-action.
- Migliorare le regole - Eccezioni, mapping falliti, dati stale, suggerimenti AI rifiutati e feedback campo.
Checklist
- Ogni sorgente ha owner business e tecnico?
- Identita di asset, spazi, sistemi e workflow sono coerenti?
- Unita, timestamp, sampling e regole qualita sono visibili?
- Gli indicatori calcolati hanno formula, owner e data review?
- Il lineage resta visibile dal connector al consumatore downstream?
- Dashboard, AI Agent, report e dataset sono registrati?
- Spazi sensibili, record cliente e documenti riservati sono protetti?
- Evidenze campo e work order alimentano review e ML?
Riferimenti pubblici
La pagina Data Fusion Services descrive il layer di integrazione dati di FactVerse.
La guida Data Readiness, la guida Operational Digital Twin Model Governance e la guida Industrial Knowledge Graphs coprono i fondamenti collegati.