▌数字化转型背景分析

在工业化时代，我国很多制造型企业通常处于产业链的中下游，核心技术及发明专利积累薄弱，一般靠规模效应和低价竞争来取胜，致使企业规模大而不强，只能寄望于客户旺盛的产品需求，造就了很多庞大但不强的制造型企业，企业发展壮大只能寄望于外部市场需求旺盛，通过不断压缩原料和人工成本来续命，原材料利用率较低、资源损耗量大、环境污染严重。随着我国经济社会发展进入新时代，制造型企业发展的重心早已发生变化，规模与成本不再是制胜的法宝，产能过剩问题集中爆发，客户的个性化需求决定着企业的生产方式、产品样式及运营模式，这对企业传统的业务流程和管理方法将带来极大的颠覆式改变。

无论是德国的“工业4.0”战略，美国的“先进制造业国家战略计划”，还是中国的“中国制造2025”战略，其本质都是以智能制造为手段，大力发展制造业，带动国家整体经济实力的提升。智能制造首先不是简单地生产智能化的产品，也不等同于生产环节的自动化和人工智能的替代和智能化，而是融合了物联网、云计算、大数据和人工智能等技术，由数据驱动的全方位的数字化转型，实现机器、人之间全面连接交互，使单一机器、部分关键环节的智能控制延伸至生产全过程，促进了机器自组织、自决策、自适应生产，在贯穿整个企业运营管理各环节的数据的映射下，充分的挖掘数据洞见，提升内部效率，实现业务创新。

▌数据驱动智能制造模式

在数字经济时代，每个用户会围绕自己的个性化需求定制属于自己的高品质产品，制造型企业要满足用户的需求就必须实现数据驱动的智能制造，从用户下单、到生产，再到物流配送，整个智能制造过程只有通过数据联动起来，才能做到无缝衔接，另外智能工厂的核心就是数据联动，数据中心是支配整个智能制造过程的 “大脑”，它可以令资源配置更加合理，流程更加标准、省时、高效。基于数据驱动的智能制造可帮助企业实现智能感知，准确获取企业、车间、设备、系统的实时状态，可对获取的数据进行快速准确的加工、识别和处理，可根据数据分析的结果按照设定的规则自动进行判断和选择，可对设备状态、车间及生产线计划作出调整。根据数据在智能制造过程中的作用，初步总结了以下四种模式：

1   ▏基于管理软件的个性化定制

企业通过定制化的互联网平台可收集用户的个性化产品需求，也能获取到产品交互和交易的有效数据；挖掘和分析这些客户及产品动态数据，能够帮助客户参与到产品的需求分析和产品设计等创新活动中，实现定制化设计与体验，再依托柔性化的生产流程，就能为用户生产出量身定做的产品。

2   ▏基于完善生产体制的智能生产化

完善的生产体制能够有效帮助企业制订更加合理的规划生产计划，加强对制造生产全过程的自动化控制和智能化控制，促进信息共享、系统整合和业务协同，实现制造过程的科学决策，最大程度实现生产流程的自动化、个性化、柔性化和自我优化，提高精准制造、高端制造、敏捷制造的能力，加速智能车间、智能工厂等现代化生产体系建立，推进产品全生命周期过程的智能生产。

3   ▏基于优化经营管理体系的精益化管理

整合企业生产数据、财务数据、管理数据、采购数据、销售数据和消费者行为数据等资源，通过数据挖掘分析，可帮助企业找到生产要素的最佳投入比例，实现研产供销、经营管理、生产控制、业务与财务全流程的无缝衔接和业务协同，促进业务流程、决策流程、运营流程的整合、重组和优化，推动企业管理从金字塔静态管理组织向扁平化动态管理组织转变，利用云端数据集成驱动提升企业管理决策的科学性和运营一体化能力。

4   ▏面向商业模式创新的服务型制造

通过嵌在产品中的传感器，企业能够实时监测产品的运行状态，通过商务平台，企业能够获得产品的销售数据和客户数据。通过对这些数据的分析和预测，企业能够开展故障预警、远程监控、远程运维、质量诊断等在线增值服务，提供个性化、在线化、便捷化的增值服务，扩展产品价值空间，使得以制造产品为核心的经营模式向“制造+服务”的模式转变。

▌数据驱动转型的实施步骤

数据驱动，意味着以数据为核心，将企业的数据资产梳理清楚，对之进行集成、共享、挖掘，从而发现问题，驱动创新。数据是最客观的，是最清晰的，数据能够帮助管理者化繁为简，透过复杂繁芜的流程看到业务的本质，更好地优化决策。数据驱动式数字化转型的核心是构建一个企业级的数据资产平台，梳理清晰整个企业的数据资产，并借助数据和智能的算法，在数据资产中发现新的业务价值点，创新产品和服务，从而构建数据驱动的数字化转型。数据驱动的数字化转型是一个体系化的工作，可从理论体系、平台工具、数据、组织、机制五个方面开展工作：

1   ▏企业级数据资产梳理

基于L-DAMF框架，识别、定位、梳理出公司的数据资产目录，明确数据含义，了解数据访问与业务流程之间的关系，帮助企业业务使用者可以使用数据和应用数据帮助他们更好完成工作，推动全面数据化运营。连接和映射更多数据，充分发掘现有的数据之间的关系，扩大数据规模效应，让数据可以充分发挥其作用和价值。为其他的数据资产管理活动，包括数据质量、数据生命周期管理、数据操作、数据安全、主数据管理等提供一个高质量的基础。

2   ▏制定精益数据级数据治理体系

总结管理职责、数据标准、数据质量、挖掘利用、安全规范、数据集成各方面的痛点，现状，打造组织、管理、技术和执行四个维度的精益数据治理体系，建立持续的数据资产保障机制。构造数据拥有者、使用者、数据以及支撑系统之间的和谐互补关系，从全机构视角协调、统领各个层面的数据管理工作，确保内部各类人员能够得到及时、准确的数据支持和服务。

3   ▏打造企业数据资产平台

采取分阶段、分步骤、快速迭代等策略，基于云基础设施打造企业数据资产平台，全面收集、存储、组织、管理已梳理的各类数据资产，实现数据的获取、存储、探索、分析、利用全生命周期价值，提供信息资源目录管理、主数据管理、元数据管理、数据质量管理、数据标准管理以及数据生命周期管理等功能，为企业的各用户角色提供对应的数据服务。

4   ▏建立数据资产应用团队

为有效推进数据治理，深入挖掘和分析数据价值，有效契合公司数据战略，需要建立业务分析师、数据分析师和数据工程师为核心的数据组织，持续的挖掘、产生数据洞察，需要明确企业的业务需求和战略意图，再制定数据驱动战略，数据团队在搭建的时候，典型的有金字塔模式和矩阵模式，也可以是两种模式的混合，不断培养基于场景的想象能力，实现决策响应、基础体系及业务粘性的集成。

5   ▏建立数据驱动的创新孵化机制

数据资产平台的数据集、算法、模型和可视化报表等都会以服务的方式提供出来，在统一的服务市场里进行管理，用户可以搜索、获取使用这些服务。数据资产和服务都是可以被交易的，所有的交易是被监控，被管理的。每一个角色都能够通过提供数据、提供技术工具、提供分析服务等手段获得对应的价值回报，从而形成协作，共赢的数据价值生态，促进企业的持续数据创新。

▌数据驱动转型的建议

1   ▏数据战略与数据思维

我国传统制造型企业深受既有生产模式和组织结构的影响，尽管在产品全生命周期过程中产生了大量的数据，但对数据资产重视不够，没将数据作为一种战略资产进行审视和利用，缺少数据思维和数据习惯，在新经济冲击下茫然无措。为更好的推动数字化转型，企业必须重视和发掘数据价值，不断培养数据思维和数据战略意识，以便在激烈的市场竞争中赢得主动和先机。

2   ▏数据梳理与规划

制造型企业在设计、生产、工艺、试验、装配、综合保障过程中产生了多种多样的结构化和非结构化数据，企业必须加强数据体系基础管理工作，着力推进数据体系顶层设计，深入开展数据资产梳理，明确数据定义，明确数据血缘关系，构建涵盖元数据、主数据、编码数据、业务数据、主题数据等类别的多样的数据资源目录体系，以便为后续搭建数据资产平台，提供各类数据服务奠定基础。

3   ▏数据人才队伍建设

制造型企业数字化转型是一个系统性工程，涉及互联感知、数据应用、生态体系等多个环节，而数据是数字化转型的核心要素，数据支撑了采集、传输、存储、建模、处理、聚合、分析、展现等多个过程，需要多种专业技术人才的支撑，制造型企业应建立数据人才引进、培养、使用机制，建立数据人才成长通道，提供人才激励机制，为推进数字化转型提供技术支撑。

4   ▏数据生态与赋能

制造型企业未来的发展趋势必然是基于数据的生产、管理、运维服务和决策开展，不断地产生数据、分享数据、管理数据、决策服务，制造型企业必须将自身融入到整个产业链环节中，通过与上下游企业、合作伙伴进行数据交换与共享，不断赋能产业生态体系的完善和发展，赋能方式是文化、制度、流程、业务、日常管理和全方位开展，推动信息资源的高度融合，实现数据渗透。

▌结语

在制造型企业数字化转型的过程中，数据将会凸显其核心价值和战略作用。随着各类数据采集、整理、分析相关技术的发展及应用，数据的价值逐步在多方面得到了体现，越来越受到企业的重视，数据必将在未来的工业转型过程中扮演越来越重要的角色。

想了解更多IT资讯，请访问中培伟业官网：中培伟业