在很多大型企业里，常会出现这样的场景：
同一个问题，研发有一套数据，质量用另一个口径，市场则给出不同的反馈。项目进度表上，任务跨越了好几个部门，而每跨过去一步，就似乎隔着一堵看不见的墙。
这堵“墙”，在一些关键业务中，甚至会直接影响产品质量、客户体验，进而影响市场表现。
部门墙为什么难打破？
- 研发专注功能实现，质量关注缺陷闭环，试验负责验证——分工虽然提高了专业性，但也割裂了问题的整体视角
- 运营希望降成本，研发要性能提升，试验要安全稳定——这些目标天然会冲突，而人的算力不足以平衡这些目标
结果就是，很难有一个跨部门的常态化机制去共同解决问题。
一个起点
22年初，连山团队开始和热管理团队合作，到热管理BP是项目的起点。当时，云端信号数据质量较差，我们先做了信号质量校验。这看似是技术活，实则是我们第一次进入热管理的业务世界。
刚开始，“提数—给结果”是最初的合作方式，我们不懂业务，他们不理解数据科学。但通过这种笨却快的方式，我们一边交付结果，一边学会了热管理的专业语言。
随着需求从 1 个快速增长到 100 个，我们意识到，临时处理的方式不仅响应慢，而且每次都在重复相似的分析。于是，我们与业务团队一起梳理常用信号、工况逻辑、可视化方法，将这些沉淀成可复用的分析框架，上线了通用工况分析仪。业务团队不再等报表，而是可以自行查询、分析工况。
两个部门从此通过共享的数据工具对话：用相同的数据、相同的口径，解决同一个问题。
 |
协作方式的变化
当大家面对同样的指标曲线时，讨论就不再是“我觉得” vs “你觉得”，而是一起去追问“为什么会这样”、“应该怎么办”。围绕共同目标，看清背后真实的问题。讨论的焦点，也不再是谁的责任，而是“最新的数据怎么说”。正是在这种高透明度的磨合中，信任被建立。
而一次吐鲁番的高温标定试验，让我们的协作从数据世界走向到物理世界。白天，气温 44℃，试验车内温度超过 60℃。工程师在闷热的车里做大量加速测试与调试：关空调，静音，加速踏板30%、50%、70%、100%，每组测五遍，车里只有滴汗的声音。看到这一幕，连山团队决定用技术减轻这种痛苦。
所以我们和一线工程师共同开发实践了【连山自动化试验】，设置监测环境温度>=40度自动开始充电并采集数据，生成温升曲线，帮助标定工作计算指标。让车自己做试验，就可以让人在极端高温的试验车里少闷一天。
在这时，连山不再是“外部支持”，而是两个团队在一致目标下的共创。
 |
三年的变化
三年期间，我们把同样的协作模式扩展到供应链和产线端。我们自研Ai-Brain，将过往的最佳实践沉淀为标准模型，部署在产线上，将质量问题拦截在制造源头。过程中，我们看到了这种方式带来的深层次转变：
- 连山与不同部门在讨论时，用的都是同一数据工具、同一指标
- 问题解决的过程可以被完整记录和复用，下次遇到类似场景，调用模型即可
- 协作不再是临时的“专项会议”，而成为日常流程中的自然动作
如果说起初是为了应对一次云端信号处理的临时需求，那么现在，它更像是一种新的协作方式。
三年协作，我们积累83个数据科学项目，3545个预警模型，56组试验库数据，1060个产线关键特性监控，49家互联供应商，38个质检模型，共计1,103,602次浏览量
回到最初
这就是连山持续推进打造的数据科学项目，它不是一个一次性交付的IT系统，也不是某个部门内部的专项分析，而是跨部门、围绕数据的持续协作模式：
- 从真实业务问题出发，通过指标定义可以量化和验证的目标
- 用统一的数据事实连接起不同职能的视角
- 将经验沉淀为模型、指标和工具，让它们能被下一个项目直接复用
- 让协作在数据中流动，而不是只在会议中争论
打破部门墙，不是靠喊口号，而是靠一次次真实协作的积累。三年，我们从一个简单的信号校验，走到跨部门共同开发的模式。未来，我们希望通过连山将这种协作方式不断推广，让人和人、人与AI、AI与AI，都能为了解决问题而自然协作。