大数据公司对传统制造业数字化转型路径的见解

中国制造业的重要性

无“农”不稳，无“工”不强，无“商”不富。由于农业受制于相对有限的产出，在三个产业中，工业是真正具有强大造血功能的产业，对经济的持续繁荣和社会稳定有着非同寻常的意义。

随着改革开放以来，我国制造业发展迅速，现已成为世界第一制造大国。目前，在500多种主要的工业产品中，我国有200多种产量位居世界第一。但是近几年来，随着经济水平的提高，劳动力成本也是在逐渐提升，这给很多企业造成了不可估量的压力。

而在经济数字转型过程中，很多企业开始将成本压力转化为创新动力，沿着制造业高端化、信息化、服务化、智能化的发展方向不断探索创新，新产品、新模式、新业态不断涌现，我国经济增长的新动能正在稳步达成。

传统制造业数字化转型需求

近日，探码接到台玻成都玻璃有限公司关于企业的数字化转型的需求咨询，希望通过大数据公司的专业知识、丰富实践以及成功案例，汲取一些经验，指引台玻成都公司数字化转型的方向。

台玻集团，玻璃十大品牌，全球最大玻璃工业公司之一，中国玻璃行业龙头企业，中国第一大综合玻璃公司，中国玻璃行业真正的领跑者，中国第一家批量生产镀膜和Low-E玻璃的企业，世界前五大玻璃工业集团。 2002年，台玻集团为了加强海峡两岸的经济合作，配合西部大开发，在青白江区创立了台玻成都玻璃有限公司。台玻成都公司主要是生产浮法玻璃、高档低辐射镀膜玻璃、高档银镜、特种玻璃及液氮，销售本公司产品、相关玻璃制品，目前有拥有员工1,000余人。

台玻各部门领导与探码专家坐在了一起，进行了需求分析以及关于双方的知识普及。在沟通过程中，各部门领导对企业向数字化、智能化转型抱有很高的热情和期望。但是目前企业一个很大的困境是纵有1000余人的企业，没有一个IT信息部门，因此全体人员都持有众多的疑虑和困惑，问题的焦点落在了什么是大数据？（曾经做了一个全面的回答：什么是大数据？）怎么采用大数据技术让企业数字化转型，走向智能制造。在探讨的过程中，总结来一些路径供参考。

全面意识数据的重要性——数据是转型中的战略资源

无论是社会发展，还是企业的意识，都需要对数据进行重新的考量，需要重新认知数据对于业务拓展和满足市场及社会需求的意义，需要重新设计其数据策略，为数字化进程做好基础性准备工作。

制造企业需要在充分理解业务生态（全流程、全界面）、市场需求（客户、消费者、社会诉求）、价值创造（多重利益相关方共享价值）三个维度的内涵，找出商务逻辑，并使此逻辑的实现落在创造经济价值的同时，创造社会和环境价值的支点上。分三个阶段，实现数据共识，成为战略资源。

首先确认数据的功能可以应用到提升哪些方面的价值或带来更好的社会、环境效益上，进而决定数据的影响领域和对数据应用所产生的经济-社会-环境绩效的考量目标。

其次，从实现多重价值的途径选择（价值模式选择）中，确定最为适用和有效的一种或组合。在选定了模式之后，设计出满足使用者在使用数据中创造或获得价值的逻辑，将这个逻辑生成为概念，进而形成实施的计划框架。接下来，对现存数据进行总体性、系统性、动态性的梳理，找出与实现目标所需数据的差距，进一步确定新的数据源作为数据完整性的补充。

最后，进入计划实施阶段。在此阶段中，充分考量技术因素，业务因素，应用因素，行为因素。

传统制造企业转型路径——尖端技术与传统人力结合

与传统制造业线性思维逻辑不同的是，数字化智能制造需要有多个维度交互思维的能力。除了企业自身运营中产生的大量数据之外，来自客户、供应链、合作伙伴、终端消费者等多个利益相关方的数据，都会实时在线地渗入企业个性化定制、柔性生产、新产品开发、投放市场、采购和资源整合等各个环节，并在此交互过程中，为企业决策和营销提供战略性指引。企业只有在在深刻理解自身的业务流程、商业生态之后，才能做出真正有意义的新的商业逻辑和新的商务模式的考量。

采用新型的人工智能、物联网、大数据尖端技术，将所有人、产品和设备连接起来，使得人类和机器能够协同工作，全面了解产品制造过程、设备、生产场地、生产人员以及客户的需求，从而创建更高效、更具成本效益的业务流程。

产品质量控制

一、企业数据质量管理

1. 对整个产品生命周期的质量有一个单一的、全面的看法。
2. 消除数据孤岛，将流程、产品和客户的声音结合起来。
3. 整合来自所有来源的结构化和非结构化质量相关数据。

二、高级预警分析

1. 使用预测分析和嵌入式人工智能快速组合和分析大量数据。
2. 尽早发现问题，甚至在问题发生之前，这样就可以主动采取纠正措施来改善结果。
3. 使用专利分析模型比传统的预警技术更快、更准确地发现新趋势。

三、预测建模分析

1. 利用预测建模技术（包括神经网络、回归分析和聚类）实现先进过程控制（APC）；
2. 自动监控所有生产过程的健康状况，以确保产品质量的连续性；
3. 根据上游结果建立下游流程，以弥补之前的质量问题。

四、纠错分析

1. 减少废品产量。
2. 利用一整套市场领先的先进分析工具，从探索性分析到优化器实验设计，再到因果分析工具，加深对过程的理解。
3. 通过使用根本原因分析来快速排除和纠正问题，从而实现更高的正常运行时间和更流畅的操作。

生产设备健康监测

在工业4.0时代，连接整合全方位的数据源，结合使用监测、诊断和预测性的维护技术，实时监测生产设备的健康状况，降低意外停机的成本。

一、整体运营观

1. 消除孤立的操作系统所带来的障碍，并全面了解车间内和现场发生的情况；
2. 汇集产品生产过程，以便对产品质量有一个全面的掌控；
3. 集成来自各个业务来源的结构化和非结构化运营数据。

二、预测性维护

1. 最大限度地减少计划外的停机时间并提高生产设备的可用性；
2. 最大化的使用生产设备效率。
3. 通过缩短平均维修时间来提高资产回报率（，同时降低维护成本。
4. 避免交货急件、修理加班费和高缓冲库存。

三、潜在问题的预警

1. 应用特定于设备监测的数据模型算法与分析，以数据为基础的根本原因分析，更加深入的对生产设备进行预警；
2. 帮助预测生产设备潜在的灾难以及生命周期；
3. 快速发现设计和生产缺陷，然后将其快速反馈给生产人员。

四、灵活的实施方案

从特定的生产设备开始，然后逐步发展分析应用的成熟度，不断增加生产设备监测的数量，规模化部署，让互联网时代的工厂网络化、智能化。

供应链优化

以市场为导向的来管理供应链，根据实施的精准数据进行预测，实时地保持需求与供应库存的平衡。

一、需求驱动的供应计划

1. 在每个阶段生成准确的预测，即使是单个SKU
2. 使用时间序列预测来构建反映常规业务的模型，同时考虑到偶然的需求，比如新产品发布、促销定价、甚至天气。
3. 使用复杂的优化算法比较和调整预测，以便您选择最佳策略。

二、多级库存优化

1. 管理生产和物流，以适应客户需求的不断变化以及市场动态不断的变化；
2. 使用多级优化和最新模型来计算最佳库存策略。 
3. 使用预测建模和假设分析来确定不同变量将如何影响供需平衡。  

三、需求感知与准备

1. 感知市场变化越来越快的需求信号。
2. 将需求信号（如季节性、节假日活动和商品促销）转化为更有效的市场驱动的响应。
3. 采用可视化的方法分析需求数据，以挖掘有关销售、发货、定价、促销以及运营、品类或区域绩效的模式和见解。

打通各类数据，建立预测性模型算法进行分析，从而推动生产效率、产品质量的持续改进；捕获传感器以及生产设备性能等数据，建立预测模型算法，以获取生产设备潜在的故障，及早监测预警设备生命健康状况，减少设备停机时间，提高资产性能，降低成本；链接客户需求及供应链数据，促进销售部门、市场营销、财务、运营和供应团队以及第三方利益相关者之间的协作，以达成业务计划流程；实时了解供需动态数据，采用多级优化计算需求与库存的平衡关系，满足客户需求的同时不增加库存成本。

以上是传统制造企业转型的基本路径，企业从业务生态梳理着手，将数据作为战略资产进行重新考量、找出满足经济、社会、环境发展需求的逻辑；在此基础上提出企业的数字化战略，从数字化进程入手，并引入变革管理的方法论，指导这一升级转型的过程，在重构商务逻辑基础上，以系统的战略、方法和具体措施（接地气的战术）来推进这一进程，对阶段性的数字化智能化成果进行动态的检验。这当中，以可持续发展为目标的战略领导力核心是成功的关键。企业家需要有清晰的社会目标、前瞻的战略愿景、坚强的必胜信念，才能引领企业完成转型，取得面向未来的阶梯式成功。

类似这样的传统制造企业，想要采用大数据等先进的技术来改善企业内部生产及运作模式，还需要很要很长的一段时间。现在人工智能、大数据、物联网等先进技术已经具备，并且在持续的迭代更新，成功案例也那么多，那么传统企业了解内部的的具体形势，将全员意识提升，了解自我需求，主动的接触先进的数据化技术将是开启制造业走向智造业的第一步。