我国制造行业的发展态势与机会

       制造业是实体经济的基础，是未来经济高质量发展的关键。在面向数字经济时代的全球竞争中，依托数字技术发展更高水平、更有竞争力的先进制造业，已然成为各国的战略共识。近年来，德国提出了“工业 4.0”规划，美国提出了“国家制造创新网络”，日本提出了“创新产业结构计划”，中国也提出了“中国制造2025”发展规划，其共同点是充分运用物联网、5G 通信、机器人、人工智能等技术手段提升制造行业的智能化、无人化程度。

       在此背景下，作为制造大国，我国制造业也迎来了新的发展。根据资料表明，截止到2021年，我国制造业增加值占GDP比重达到27.4%同比提高了1.1个百分点，2021年也是我国制造业增加值排名连续第12年位居世界首位。

       我国制造业蓬勃发展的同时，也出现了一部分制造外流的现象。受到部分成本优势削弱、政策退坡等因素的驱动，部分中低端产业流至越南、印尼等东南亚国家，叠加目前国内疫情管控升级，对部分行业的供应链造成一定影响。

       与此同时，我国制造业发展也遇到了一些瓶颈。目前部分产业仍处于全球价值链的中低端，产品附加值较低。比如我国的芯片就存在“卡脖子”的现象，此外在航空工业、集成电路、高端数控机床、农业 机械、高性能医疗机械等领域的核心技术仍与发达国家存在一定的差距，缺乏核心竞争力。同时企业在环保上重视程度也比较低，存在“高能耗、高排放、高污染”现象。

制造企业数字化转型如何去迈出第一步

       制造业数字化转型，是战略主导下的业务变革，是数据驱动、智能助力的研发、生产、运营、服务改善，最终推进盈利模式优化和用户体验提升。它需要推动业务与系统双向融合，以数字化为核心，借助网络化手段，实现智能化赋能，保证产品和服务高效保质交付，持续提升企业核心竞争力。三个核心点就是实现战略变革，提升企业运营的效率，提升用户体验。

       如何把数据利用起来，实现数据驱动业务，数字化转型的第一步。但制造业在数据应用时存在普遍的痛点：

       1、数据孤岛

       制造企业由生产到销售的链路长、环节多，数据存在分散在不同系统、数据口径不一致、数据颗粒度粗、更新频率低等问题。企业内外部数据相互分散，数据的口径和质量不一致，导致在业务人员在对数据进行分析时，需要耗费大量的时间对不同系统中的数据进行整合与清洗，甚至出现数据大量缺失的问题，最终结果缺乏准确性。

       2、数据应用不足

       制造业企业数字化起步相对较晚，数据在实际业务中的应用少，业务价值尚未被充分验证。企业内对数据的应用多为简单的数据收集、统计、对比，对数据进行深挖与洞察方面仍存在大量不足，未能将数据分析方法与实际业务场景决策、流程相结合，缺乏数据应用实践案例。

       3、数据价值抑制

       多重因素导致企业的数据价值被抑制，难以用数据指导业务。

       针对这些问题，BI因其简洁易用、快速变现等特征成为了各大企业关注的焦点。BI的优点是可以实现对不同来源的数据进行整合解决数据孤岛，可以利用BI里的数据分析方法和数据处理的技术让业务人员将业务经验和数据有效的结合形成数据应用，除此之外也可通过分析和查询的工具准确快速的提供各种报表和看板，为企业提供决策支持，发挥数据的价值。

       利用BI实现数据驱动业务增长通常分为 4 个阶段：结果监控、问题诊断、决策支持、智能预测。

       1、结果监控

       对当前的业务对象及时准确的监控，对出现异常情况能预警提示。在这个层级里面，需要不断去看结果指标；帮助及时监控业务状况，提高监管效率，实现智慧运营。

       以一家手机制造业的可视化分析为例。通过BI对车间的生产进行监控，搭建指标，了解计划达成率、生产线是否正常、各车间工位的产量是否达标，通过这样的监控可以直接让工厂的领导知道生产的现状，哪些存在问题。

       2、问题诊断

       只是看结果还不够，还需要快速找到业务问题所在。结合场景业务逻辑，还有数据，通过多维分析方式，逐层洞察数据，快速定位业务问题。其中还能预设规则，高亮预警逾期业务环节。帮助问题快速溯源，提升问题诊断效率。

       以一家家电企业为例。产品交期是一家企业生产能力的重要体现，也是生产管理者最为关注的重要指标，同时也因其复杂的影响因素，而让管理者无从下手。该企业交期指标由平均交期、交期达标率、平均影响天数和不达标订单数构成。当平均交期不理想时，可以进行问题的下钻诊断，查找到是因为仪表生产线的原因导致平均交期变长，而仪表生产线则是因为在财务审核过程过长导致，从而追溯到影响产品交期的根本原因，帮助企业采取更有针对性的措施，以提高产品交期效率。

       3、决策支持

       找到问题还不是根本目标，根本目标是找到解决问题的方法，帮助决策支持。什么叫“真正的决策支持”？就是能从依托数据直接找到决策方法。

       以一家家居企业为例，以采购经理为视角，每天上班最关心的问题是：

       哪些商品型号/物料今天需要下采购订单？

       下给哪家供应商？

       下多少数量？

       供应商有多大可能延期交货？

       以商品“北欧简易布艺沙发为例”，当点击此类商品会进行联动分析。通过库存变化趋势发现，如果不予补给，第7天北欧简易布艺沙发的库存量将下降至安全库存值以下。通过类似的方法，这就能回答“哪些商品型号/物料今天需要下采购订单？“这个问题。

       接下来要需要看的是下给哪家供应商？下多少数量以及供应商有多大可能延期交货。

       假设下单数量为500，通过供应商信息可以发现，从最小下单要求来看，A/B/C三家供应商都满足；通过红灯高亮预警，进一步发现供应商A当前处于“忙“的状态，而需要7天内供货，所以从供应商交期安全角度，可排除A。

       再从供应商历史交货准确率角度，可以优先选择B。如果前提是想有更大库存冗余，比如700的数量，那么有一部分数量就不是那么紧迫，从供应商平衡角度，可以考虑下500给B，将剩余的200下给C。

       从采购经理角度，原来通过查看各类表单数据甚至打电话逐一确认，最快也要20、30分钟，现在通过BI用1分钟就可以完成，也就意味着决策效率比以前提升了几十倍。

       4、智能预测

       除了利用当前或者历史的数据帮助发现目前业务中的问题，找到原因，辅助领导做决策支持，还可以利用历史数据建立AI模型对未来进行预测，比如在制造业里预测哪些设备可能存在故障等。

       以一家风机企业为例。一般来说，风机的寿命是20年。大部分风机质保在最初运行的两到五年，而且风机的维护模式多以“被动式运维”为主，主要依靠现场工作人员进行定期维护和故障检修。单纯靠人工蹲点维护，运维成本极高，也容易出现由于人员水平不一导致的发电损失甚至运行安全问题。

       在这种情况下就希望建立一个预测模型，帮助及时发现风机的故障。首先确定需求，然后收集数据，做数据清洗、预处理、特征工程，最后利用AI算法建模，进行模型的部署，最后模型的准确率可达80% 左右。有了这样的智能预测，就可以提前知道哪些风机有故障，有针对的维修，减少人员和时间的成本。

来源：数字化转型研习社