决胜未来，构建数据驱动的企业！

文丨黄培 李培根

当今世界进入了数据爆炸的时代，数据成为企业最重要的资产之一。推进数字化转型，是制造企业生存和发展的必由之路。

制造企业的运营，从数据的视角来看，包括数据采集、数据存储与备份、数据安全、数据建模与可视化、数据分析与预测等过程。企业涉及的数据类型非常多，包括静态数据和动态数据，也可以分为实时数据和非实时数据，还可以分为结构化数据、半结构化数据和非结构化数据，来源包括企业的信息系统、设备、传感器、供应链，以及社交网络。

如何获取数据、传输数据、管理数据、发挥数据的价值？

如何用数据来驱动企业的业务运作和正确决策？

为什么要构建数据驱动的企业？

如何构建数据驱动的企业？

对这些问题，本文将进行深入剖析。

1

数据驱动企业创新业务流程

现代制造企业的产品研发、生产、采购等业务流程都应当基于信息系统，实现数据驱动。例如，客户需求应当通过结构化数据来描述，并且与产品数据关联起来，将产品结构、装配关系、制造工艺、产品配置等产品全生命周期的数据统一管理。

图1. 产品全生命周期的数据贯通

如图1所示，在整个产品生命周期，从客户需求到概念设计、详细设计、工艺设计、仿真试验、生产制造到售后服务过程的数据应当全部贯通，并且通过结构树的方式准确地表达。这样，客户需求如果出现变更，会对产品结构，乃至后续的制造和服务产生哪些影响，才能够追溯清楚。对企业级BOM的有效管理，是制造企业实现设计重用，提升研发效率，实现产品快速配置的基础。如果没有准确的服务BOM数据，没有准确管理好客户在购买产品时的产品配置信息，客户在更换备品备件时，就可能会出错。

企业在产品创新过程中应当最大限度地利用已有的设计成果，实现设计重用，而不是随意设计新的零件。制造企业应当实现基于模型的产品定义（MBD），构建产品的Digital Twin（数字孪生模型），在交付实体产品的同时，交付产品的Digital Twin，建立数据供应链。如图2所示，德国已经有诸多成功案例，生产各种机械、电气行业标准件、通用件的零部件企业，在提供实体零部件的同时，也会提供其产品的数字模型，而下游企业可以直接应用。图3展现了汽车行业数据供应链的理念。企业在整个产品生命周期应当打通数据主线（Digital Thread），确保各类产品数据的一致性和正确的数据源。

图2.德国Schunk公司网站上

提供的产品数字模型

图3. 汽车行业的数据供应链

物联网数据不光可以帮助企业提升服务质量，还可以通过采集已销售产品的运行状态数据来反馈产品设计、制造过程中可能存在的问题，从而帮助企业不断改进产品。同时，企业如果想实现商业模式的创新，例如从卖产品转型为卖服务，也需要基于采集的运营数据来合理计费，监控产品的运行状态，确保产品能够正常使用。

增材制造技术完全依赖数据驱动，通过将零件三维模型的各个截面的形状不断累加而制造出零件。而创成设计（Generative Design）技术则是基于零件的设计约束和边界条件，由计算机自动生成满足条件的海量方案供设计师选择，再通过增材制造和传统制造的结合，从而制造出重量轻、强度大、结构优化的零件。

企业进行工艺规划、生产计划排产和确定物料需求计划，也应当实现数据驱动。企业应用ERP系统可以实现产、供、销、人、财、物的协同管理，MES系统则是基于人、机、料、法、环等影响生产和质量的数据。如图4所示，著名的业务流程建模软件ARIS能够将企业的业务流程与组织架构、产品及服务、数据和信息系统功能之间的关系梳理清楚，对业务流程进行仿真与优化，帮助企业实现按照规范的流程完成业务。

图4. ARIS的房式模型

2

数据驱动企业提升关键绩效

制造企业要在激烈的市场竞争中立于不败之地，需要不断提升与企业运营有关的KPI指标，包括产品质量、服务水平、能耗、劳动生产率、资金、库存和设备绩效等。要提高企业的关键绩效指标，需要实时采集工厂的生产数据、质量数据、能耗数据、设备数据，乃至人员数据。企业应当实时洞察企业的运营数据和外部市场数据，主动应对变化。

产品质量不是检测出来的，而是设计出来、制造出来的。企业应当在产品设计、工艺规划和生产制造、采购、装配、发运等各个价值链关键环节确保产品质量，也需要充分关注整个供应链的质量管理。企业应当推进工序质量控制，借助统计软件和大数据分析工具进行质量分析。企业应当应用数字化的质量检测设备，直接将检测结果连入信息系统，避免手工输入录入质量检测数据。在准确采集质量数据的基础上，可以通过SPC（统计过程控制）和认知计算等方法，对质量数据进行深入分析，从而促进企业改进产品质量。

企业应当尽可能地利用设备的数据接口来获取相关数据。对于老设备，如果无法直接获取设备数据，则应当添加外接传感器。通过采集设备的能耗，可以判断出设备的状态是停机、空载还是在加工，甚至还可以分析出刀具磨损的状态，对断刀进行预警。不少厂商提供了可以外接的数据采集终端和相关软件。

企业可以通过与设备厂商、数控系统厂商合作，获取设备内部的传感器数据，从而实现对设备的状态监控，及时对设备可能存在的异常状态进行预警，避免由于设备故障而造成非计划性停机。例如，全球知名的裁床制造企业力克（Lectra）已经能够通过物联网对设备状态进行远程监控，力克75%的用户已购买了该服务；全球激光设备制造龙头企业德国通快集团也提供设备的远程监控服务；华中数控也可以通过物联网实时监控其数控系统的“心电图”，如图5所示。在设备数据采集的基础上，企业可以通过对传感器数据的分析，基于“机器学习”等人工智能算法，实现对设备的状态监控和设备健康管理，进而进行预测性维修维护（Predictive Maintenance），甚至预见性维护(Prescriptive Maintenance)。

图5. 华中数控采集的机床“心电图”

对于装备制造企业而言，推进已服役产品的运行状态的数据采集，一方面可以提高服务质量，指导用户更安全地使用设备，建立良好的使用习惯，在卖产品的基础上卖服务，促进备品备件销售，或者将卖产品转型为卖服务，罗罗公司已推出针对航空发动机的Total Care全包服务；另一方面，通过安装GPS定位和各种传感器，监控设备的运行状态，可以根据设备所处的地域进行大数据分析，促进企业有针对性地制定未来的区域市场营销策略。日本小松公司率先对工程机械的开机时间进行统计分析，如表1所示，从2016年10月至20017年9月，除了一月、二月（即我国春节期间）数据略低外，中国的工程机械平均使用时间维持在130小时/台以上，四五两月甚至达到150小时/台以上。而同期日本机械设备平均使用时间约为55小时/台，北美约70小时/台，欧洲为80小时/台左右。三一重工、徐工也定期发布挖掘机指数，成为我国基础设施建设的晴雨表之一。

表1.日本小松公司发布的

月度工程机械工作时间对比

图6是IBM完成的一个质量分析的案例。通过物联网对生产过程、设备工况、工艺参数等信息进行实时采集；对产品质量、缺陷进行检测和统计；在离线状态下，利用机器学习技术挖掘产品缺陷与物联网历史数据之间的关系，形成控制规则；在在线状态下，通过增强学习技术和实时反馈，控制生产过程减少产品缺陷；集成专家经验，改进学习结果。

图6.IBM利用认知计算进行质量数据分析

3

数据驱动企业高效运营与决策

企业管理和决策的基础是数据，数据要真实、可靠、全面、及时。企业要提升运营效率，需要把员工逐渐从繁重的手工劳动中解放出来，实现通过数据来驱动员工执行工作任务，让员工在对目标负责的前提下，有充分的自由。企业的财务管理从核算型向管理型发展，让财务人员有更多的时间投入到财务分析。企业的财务系统与电商平台和业务管理系统打通，可以自动生成凭证。企业可以建设主数据管理系统（MDM），将企业的物料、设备、人员、组织结构等静态数据统一管理，信息系统需要企业的基础数据，直接从MDM系统调用。新一代的信息系统已经逐渐消除了文件的概念，产品数据、业务数据都是存在数据库之中。

为了提高企业进行协同管理的效率，可以应用企业门户（EP）系统，实现各种信息系统统一登录。企业越来越多地利用移动版的协同办公软件，将需要审批的数据推送给相关负责人。企业应当在BI（商务智能）系统建立各种“仪表盘”，能够根据负责人的角色，实时提供相关的图表，让负责人根据数据及时作出准确决策。

图7. 基于角色的移动版BI系统

在企业运营过程中，涉及到很多与创新有关的工作。对数据进行分析会形成有效的信息，对有价值的信息进行梳理和积淀，会形成知识或Know-how。然而在实践当中，企业的知识工作者往往花费很多时间，在做数据的收集、整理工作。因此，企业需要思考如何实现知识工作的自动化，将知识的挖掘、知识的表达，以及海量的数据分析与处理方面的工作由信息系统替代，从而让知识工作者聚焦于创造性的工作。

4

数据驱动企业构建和谐生态

企业必须关注整个供应链、生态系统中的数据，以实现对市场波动的快速反应。制造企业应当聚焦于自己最擅长的领域，例如产品设计和最终装配，再加上若干关键零部件或关键工序，而将其他业务外包，因此供应链数据的准确、及时和双向交互对企业至关重要。如图5所示，国外的汽车、电子等行业已广泛应用了EDI（电子数据交换）来实现上下游企业之间的数据交互，无需人工干预，而我国大型企业还主要是通过建立供应商门户来与供应商进行数据交互，这实际上只是单向的，供应商只能查询数据。更进一步，如果要实现供应链协同计划与优化，更需要上下游企业之间实现供应链数据的共享和同步，避免出现“牛鞭效应”。

德国Supplyon公司依托EDI平台，构建了面向整个欧洲航空行业的供应链数据交互平台AirSupply，整个行业的相关企业都通过该平台交换数据，从而大大提升了业务协作效率，降低了协作成本。供应链数据的透明，使得供应商可以准确了解主机厂的需求，以便准时交付符合主机厂需要的的产品正确的配置。原材料的价格波动对企业的成本有很大影响，企业应当高度关注，地质灾害也有可能给企业的供应链带来巨大风险，因此，企业也需要充分关注与供应链有关的宏观数据。

图8. EDI助力企业实现供应链数据双向交互

海尔实践的协同设计定制模式是将用户的碎片化需求进行整合，从为库存生产转变为为用户生产，用户可以全流程参与设计、制造，从一个单纯的消费者变成“产消者”。协同设计与全流程交互平台整合攸关方资源和跨界合作伙伴，智能化、物联网产品服务横向集成7 项业务过程：用户交互、研发、数字营销、模块采购、供应链、物流、服务，实现了群体智能。

企业数据的边界在不断扩展。著名管理专家Michael Porter和PTC公司CEO Jim Heppelmann先生在《哈佛商业评论》上发表的‘智能互联产品如何改变竞争格局’一文中指出，随着产品的结构越来越复杂，由普通的机械产品演化为智能产品，进而演化为智能互联产品，在基础上，由多个产品组成产品系统。而用户企业则需要关注更多的数据。例如，一个现代农场需要关注农业机械、气象、种子、灌溉和天气的诸多与企业运行有关的生态系统数据。因此，企业收集数据的视野要开阔。如图9所示。

图9.一个现代农业企业需要关注的生态系统数据

总之，未来能够实现可持续发展，决胜未来的企业，一定是数据驱动的企业。

本文作者：

e-works CEO 黄培博士

中国工程院院士 李培根