☆
文/黃培 李培根
☆
當今世界進入了數據爆炸的時代，數據成為企業最重要的資產之一。推進數字化轉型，是制造企業生存和發展的必由之路。
制造企業的運營，從數據的視角來看，包括數據采集、數據存儲與備份、數據安全、數據建模與可視化、數據分析與預測等過程。企業涉及的數據類型非常多，包括靜態數據和動態數據，也可以分為實時數據和非實時數據，還可以分為結構化數據、半結構化數據和非結構化數據，來源包括企業的信息系統、設備、傳感器、供應鏈，以及社交網絡。
•如何獲取數據、傳輸數據、管理數據、發揮數據的價值?
•如何用數據來驅動企業的業務運作和正確決策?
•為什么要構建數據驅動的企業?
•如何構建數據驅動的企業?
對這些問題，本文將進行深入剖析。
數據驅動企業創新業務流程
現代制造企業的產品研發、生產、采購等業務流程都應當基于信息系統，實現數據驅動。例如，客戶需求應當通過結構化數據來描述，并且與產品數據關聯起來，將產品結構、裝配關系、制造工藝、產品配置等產品全生命周期的數據統一管理。
圖1. 產品全生命周期的數據貫通
如圖1所示，在整個產品生命周期，從客戶需求到概念設計、詳細設計、工藝設計、仿真試驗、生產制造到售后服務過程的數據應當全部貫通，并且通過結構樹的方式準確地表達。這樣，客戶需求如果出現變更，會對產品結構，乃至后續的制造和服務產生哪些影響，才能夠追溯清楚。對企業級BOM的有效管理，是制造企業實現設計重用，提升研發效率，實現產品快速配置的基礎。如果沒有準確的服務BOM數據，沒有準確管理好客戶在購買產品時的產品配置信息，客戶在更換備品備件時，就可能會出錯。
企業在產品創新過程中應當最大限度地利用已有的設計成果，實現設計重用，而不是隨意設計新的零件。制造企業應當實現基于模型的產品定義(MBD)，構建產品的Digital Twin(數字孿生模型)，在交付實體產品的同時，交付產品的Digital Twin，建立數據供應鏈。如圖2所示，德國已經有諸多成功案例，生產各種機械、電氣行業標準件、通用件的零部件企業，在提供實體零部件的同時，也會提供其產品的數字模型，而下游企業可以直接應用。圖3展現了汽車行業數據供應鏈的理念。企業在整個產品生命周期應當打通數據主線(Digital Thread)，確保各類產品數據的一致性和正確的數據源。
圖2.德國Schunk公司網站上提供的產品數字模型
圖3. 汽車行業的數據供應鏈
隨著社交媒體的廣泛應用，企業進行產品創新設計也可以基于社交大數據的反饋來優化設計方案，使產品設計更加貼近客戶的需求。同時，根據不同產品的銷售數據分析，有針對性地調整產品的生產計劃，加大暢銷產品的產量。企業在社交媒體上的商譽數據也必須高度關注。企業在做市場推廣時，如果需要聘請明星做廣告代言人，應當通過大數據分析，根據明星在社交媒體粉絲的人群分布與目標市場的匹配程度，受歡迎程度等因素進行遴選。
物聯網數據不光可以幫助企業提升服務質量，還可以通過采集已銷售產品的運行狀態數據來反饋產品設計、制造過程中可能存在的問題，從而幫助企業不斷改進產品。同時，企業如果想實現商業模式的創新，例如從賣產品轉型為賣服務，也需要基于采集的運營數據來合理計費，監控產品的運行狀態，確保產品能夠正常使用。
增材制造技術完全依賴數據驅動，通過將零件三維模型的各個截面的形狀不斷累加而制造出零件。而創成設計(Generative Design)技術則是基于零件的設計約束和邊界條件，由計算機自動生成滿足條件的海量方案供設計師選擇，再通過增材制造和傳統制造的結合，從而制造出重量輕、強度大、結構優化的零件。
企業進行工藝規劃、生產計劃排產和確定物料需求計劃，也應當實現數據驅動。企業應用ERP系統可以實現產、供、銷、人、財、物的協同管理，MES系統則是基于人、機、料、法、環等影響生產和質量的數據。如圖4所示，著名的業務流程建模軟件ARIS能夠將企業的業務流程與組織架構、產品及服務、數據和信息系統功能之間的關系梳理清楚，對業務流程進行仿真與優化，幫助企業實現按照規范的流程完成業務。
圖4. ARIS的房式模型
數據驅動企業提升關鍵績效
制造企業要在激烈的市場競爭中立于不敗之地，需要不斷提升與企業運營有關的KPI指標，包括產品質量、服務水平、能耗、勞動生產率、資金、庫存和設備績效等。要提高企業的關鍵績效指標，需要實時采集工廠的生產數據、質量數據、能耗數據、設備數據，乃至人員數據。企業應當實時洞察企業的運營數據和外部市場數據，主動應對變化。
產品質量不是檢測出來的，而是設計出來、制造出來的。企業應當在產品設計、工藝規劃和生產制造、采購、裝配、發運等各個價值鏈關鍵環節確保產品質量，也需要充分關注整個供應鏈的質量管理。企業應當推進工序質量控制，借助統計軟件和大數據分析工具進行質量分析。企業應當應用數字化的質量檢測設備，直接將檢測結果連入信息系統，避免手工輸入錄入質量檢測數據。在準確采集質量數據的基礎上，可以通過SPC(統計過程控制)和認知計算等方法，對質量數據進行深入分析，從而促進企業改進產品質量。
企業應當盡可能地利用設備的數據接口來獲取相關數據。對于老設備，如果無法直接獲取設備數據，則應當添加外接傳感器。通過采集設備的能耗，可以判斷出設備的狀態是停機、空載還是在加工，甚至還可以分析出刀具磨損的狀態，對斷刀進行預警。不少廠商提供了可以外接的數據采集終端和相關軟件。
企業可以通過與設備廠商、數控系統廠商合作，獲取設備內部的傳感器數據，從而實現對設備的狀態監控，及時對設備可能存在的異常狀態進行預警，避免由于設備故障而造成非計劃性停機。例如，全球知名的裁床制造企業力克(Lectra)已經能夠通過物聯網對設備狀態進行遠程監控，力克75%的用戶已購買了該服務;全球激光設備制造龍頭企業德國通快集團也提供設備的遠程監控服務;華中數控也可以通過物聯網實時監控其數控系統的“心電圖”，如圖5所示。在設備數據采集的基礎上，企業可以通過對傳感器數據的分析，基于“機器學習”等人工智能算法，實現對設備的狀態監控和設備健康管理，進而進行預測性維修維護(Predictive Maintenance)，甚至預見性維護(Preive Maintenance)。
圖5. 華中數控采集的機床“心電圖”
對于裝備制造企業而言，推進已服役產品的運行狀態的數據采集，一方面可以提高服務質量，指導用戶更安全地使用設備，建立良好的使用習慣，在賣產品的基礎上賣服務，促進備品備件銷售，或者將賣產品轉型為賣服務，羅羅公司已推出針對航空發動機的Total Care全包服務;另一方面，通過安裝GPS定位和各種傳感器，監控設備的運行狀態，可以根據設備所處的地域進行大數據分析，促進企業有針對性地制定未來的區域市場營銷策略。日本小松公司率先對工程機械的開機時間進行統計分析，如表1所示，從2016年10月至20017年9月，除了一月、二月(即我國春節期間)數據略低外，中國的工程機械平均使用時間維持在130小時/臺以上，四五兩月甚至達到150小時/臺以上。而同期日本機械設備平均使用時間約為55小時/臺，北美約70小時/臺，歐洲為80小時/臺左右。三一重工、徐工也定期發布挖掘機指數，成為我國基礎設施建設的晴雨表之一。
表1.日本小松公司發布的月度工程機械工作時間對比
圖6是IBM完成的一個質量分析的案例。通過物聯網對生產過程、設備工況、工藝參數等信息進行實時采集;對產品質量、缺陷進行檢測和統計;在離線狀態下，利用機器學習技術挖掘產品缺陷與物聯網歷史數據之間的關系，形成控制規則;在在線狀態下，通過增強學習技術和實時反饋，控制生產過程減少產品缺陷;集成專家經驗，改進學習結果。
圖6.IBM利用認知計算進行質量數據分析
數據驅動企業高效運營與決策
企業管理和決策的基礎是數據，數據要真實、可靠、全面、及時。企業要提升運營效率，需要把員工逐漸從繁重的手工勞動中解放出來，實現通過數據來驅動員工執行工作任務，讓員工在對目標負責的前提下，有充分的自由。企業的財務管理從核算型向管理型發展，讓財務人員有更多的時間投入到財務分析。企業的財務系統與電商平臺和業務管理系統打通，可以自動生成憑證。企業可以建設主數據管理系統(MDM)，將企業的物料、設備、人員、組織結構等靜態數據統一管理，信息系統需要企業的基礎數據，直接從MDM系統調用。新一代的信息系統已經逐漸消除了文件的概念，產品數據、業務數據都是存在數據庫之中。
為了提高企業進行協同管理的效率，可以應用企業門戶(EP)系統，實現各種信息系統統一登錄。企業越來越多地利用移動版的協同辦公軟件，將需要審批的數據推送給相關負責人。企業應當在BI(商務智能)系統建立各種“儀表盤”，能夠根據負責人的角色，實時提供相關的圖表，讓負責人根據數據及時作出準確決策。
圖7. 基于角色的移動版BI系統
在企業運營過程中，涉及到很多與創新有關的工作。對數據進行分析會形成有效的信息，對有價值的信息進行梳理和積淀，會形成知識或Know-how。然而在實踐當中，企業的知識工作者往往花費很多時間，在做數據的收集、整理工作。因此，企業需要思考如何實現知識工作的自動化，將知識的挖掘、知識的表達，以及海量的數據分析與處理方面的工作由信息系統替代，從而讓知識工作者聚焦于創造性的工作。
數據驅動企業構建和諧生態
企業必須關注整個供應鏈、生態系統中的數據，以實現對市場波動的快速反應。制造企業應當聚焦于自己最擅長的領域，例如產品設計和最終裝配，再加上若干關鍵零部件或關鍵工序，而將其他業務外包，因此供應鏈數據的準確、及時和雙向交互對企業至關重要。如圖5所示，國外的汽車、電子等行業已廣泛應用了EDI(電子數據交換)來實現上下游企業之間的數據交互，無需人工干預，而我國大型企業還主要是通過建立供應商門戶來與供應商進行數據交互，這實際上只是單向的，供應商只能查詢數據。更進一步，如果要實現供應鏈協同計劃與優化，更需要上下游企業之間實現供應鏈數據的共享和同步，避免出現“牛鞭效應”。
德國Supplyon公司依托EDI平臺，構建了面向整個歐洲航空行業的供應鏈數據交互平臺AirSupply，整個行業的相關企業都通過該平臺交換數據，從而大大提升了業務協作效率，降低了協作成本。供應鏈數據的透明，使得供應商可以準確了解主機廠的需求，以便準時交付符合主機廠需要的的產品正確的配置。原材料的價格波動對企業的成本有很大影響，企業應當高度關注，地質災害也有可能給企業的供應鏈帶來巨大風險，因此，企業也需要充分關注與供應鏈有關的宏觀數據。
圖8. EDI助力企業實現供應鏈數據雙向交互
海爾實踐的協同設計定制模式是將用戶的碎片化需求進行整合，從為庫存生產轉變為為用戶生產，用戶可以全流程參與設計、制造，從一個單純的消費者變成“產消者”。協同設計與全流程交互平臺整合攸關方資源和跨界合作伙伴，智能化、物聯網產品服務橫向集成7 項業務過程：用戶交互、研發、數字營銷、模塊采購、供應鏈、物流、服務，實現了群體智能。
企業數據的邊界在不斷擴展。著名管理專家Michael Porter和PTC公司CEO Jim Heppelmann先生在《哈佛商業評論》上發表的‘智能互聯產品如何改變競爭格局’一文中指出，隨著產品的結構越來越復雜，由普通的機械產品演化為智能產品，進而演化為智能互聯產品，在基礎上，由多個產品組成產品系統。而用戶企業則需要關注更多的數據。例如，一個現代農場需要關注農業機械、氣象、種子、灌溉和天氣的諸多與企業運行有關的生態系統數據。因此，企業收集數據的視野要開闊。如圖9所示。
圖9.一個現代農業企業需要關注的生態系統數據
總之，未來能夠實現可持續發展，決勝未來的企業，一定是數據驅動的企業。
本文作者：
e-works CEO 黃培博士
中國工程院院士 李培根
粵公網安備44011202002709