我國制造行業的發展態勢與機會

       制造業是實體經濟的基礎，是未來經濟高質量發展的關鍵。在面向數字經濟時代的全球競爭中，依托數字技術發展更高水平、更有競爭力的先進制造業，已然成為各國的戰略共識。近年來，德國提出了“工業 4.0”規劃，美國提出了“國家制造創新網絡”，日本提出了“創新產業結構計劃”，中國也提出了“中國制造2025”發展規劃，其共同點是充分運用物聯網、5G 通信、機器人、人工智能等技術手段提升制造行業的智能化、無人化程度。

       在此背景下，作為制造大國，我國制造業也迎來了新的發展。根據資料表明，截止到2021年，我國制造業增加值占GDP比重達到27.4%同比提高了1.1個百分點，2021年也是我國制造業增加值排名連續第12年位居世界首位。

       我國制造業蓬勃發展的同時，也出現了一部分制造外流的現象。受到部分成本優勢削弱、政策退坡等因素的驅動，部分中低端產業流至越南、印尼等東南亞國家，疊加目前國內疫情管控升級，對部分行業的供應鏈造成一定影響。

       與此同時，我國制造業發展也遇到了一些瓶頸。目前部分產業仍處于全球價值鏈的中低端，產品附加值較低。比如我國的芯片就存在“卡脖子”的現象，此外在航空工業、集成電路、高端數控機床、農業 機械、高性能醫療機械等領域的核心技術仍與發達國家存在一定的差距，缺乏核心競爭力。同時企業在環保上重視程度也比較低，存在“高能耗、高排放、高污染”現象。

制造企業數字化轉型如何去邁出第一步

       制造業數字化轉型，是戰略主導下的業務變革，是數據驅動、智能助力的研發、生產、運營、服務改善，最終推進盈利模式優化和用戶體驗提升。它需要推動業務與系統雙向融合，以數字化為核心，借助網絡化手段，實現智能化賦能，保證產品和服務高效保質交付，持續提升企業核心競爭力。三個核心點就是實現戰略變革，提升企業運營的效率，提升用戶體驗。

       如何把數據利用起來，實現數據驅動業務，數字化轉型的第一步。但制造業在數據應用時存在普遍的痛點：

       1、數據孤島

       制造企業由生產到銷售的鏈路長、環節多，數據存在分散在不同系統、數據口徑不一致、數據顆粒度粗、更新頻率低等問題。企業內外部數據相互分散，數據的口徑和質量不一致，導致在業務人員在對數據進行分析時，需要耗費大量的時間對不同系統中的數據進行整合與清洗，甚至出現數據大量缺失的問題，最終結果缺乏準確性。

       2、數據應用不足

       制造業企業數字化起步相對較晚，數據在實際業務中的應用少，業務價值尚未被充分驗證。企業內對數據的應用多為簡單的數據收集、統計、對比，對數據進行深挖與洞察方面仍存在大量不足，未能將數據分析方法與實際業務場景決策、流程相結合，缺乏數據應用實踐案例。

       3、數據價值抑制

       多重因素導致企業的數據價值被抑制，難以用數據指導業務。

       針對這些問題，BI因其簡潔易用、快速變現等特征成為了各大企業關注的焦點。BI的優點是可以實現對不同來源的數據進行整合解決數據孤島，可以利用BI里的數據分析方法和數據處理的技術讓業務人員將業務經驗和數據有效的結合形成數據應用，除此之外也可通過分析和查詢的工具準確快速的提供各種報表和看板，為企業提供決策支持，發揮數據的價值。

       利用BI實現數據驅動業務增長通常分為 4 個階段：結果監控、問題診斷、決策支持、智能預測。

       1、結果監控

       對當前的業務對象及時準確的監控，對出現異常情況能預警提示。在這個層級里面，需要不斷去看結果指標；幫助及時監控業務狀況，提高監管效率，實現智慧運營。

       以一家手機制造業的可視化分析為例。通過BI對車間的生產進行監控，搭建指標，了解計劃達成率、生產線是否正常、各車間工位的產量是否達標，通過這樣的監控可以直接讓工廠的領導知道生產的現狀，哪些存在問題。

       2、問題診斷

       只是看結果還不夠，還需要快速找到業務問題所在。結合場景業務邏輯，還有數據，通過多維分析方式，逐層洞察數據，快速定位業務問題。其中還能預設規則，高亮預警逾期業務環節。幫助問題快速溯源，提升問題診斷效率。

       以一家家電企業為例。產品交期是一家企業生產能力的重要體現，也是生產管理者最為關注的重要指標，同時也因其復雜的影響因素，而讓管理者無從下手。該企業交期指標由平均交期、交期達標率、平均影響天數和不達標訂單數構成。當平均交期不理想時，可以進行問題的下鉆診斷，查找到是因為儀表生產線的原因導致平均交期變長，而儀表生產線則是因為在財務審核過程過長導致，從而追溯到影響產品交期的根本原因，幫助企業采取更有針對性的措施，以提高產品交期效率。

       3、決策支持

       找到問題還不是根本目標，根本目標是找到解決問題的方法，幫助決策支持。什么叫“真正的決策支持”？就是能從依托數據直接找到決策方法。

       以一家家居企業為例，以采購經理為視角，每天上班最關心的問題是：

       哪些商品型號/物料今天需要下采購訂單？

       下給哪家供應商？

       下多少數量？

       供應商有多大可能延期交貨？

       以商品“北歐簡易布藝沙發為例”，當點擊此類商品會進行聯動分析。通過庫存變化趨勢發現，如果不予補給，第7天北歐簡易布藝沙發的庫存量將下降至安全庫存值以下。通過類似的方法，這就能回答“哪些商品型號/物料今天需要下采購訂單？“這個問題。

       接下來要需要看的是下給哪家供應商？下多少數量以及供應商有多大可能延期交貨。

       假設下單數量為500，通過供應商信息可以發現，從最小下單要求來看，A/B/C三家供應商都滿足；通過紅燈高亮預警，進一步發現供應商A當前處于“忙“的狀態，而需要7天內供貨，所以從供應商交期安全角度，可排除A。

       再從供應商歷史交貨準確率角度，可以優先選擇B。如果前提是想有更大庫存冗余，比如700的數量，那么有一部分數量就不是那么緊迫，從供應商平衡角度，可以考慮下500給B，將剩余的200下給C。

       從采購經理角度，原來通過查看各類表單數據甚至打電話逐一確認，最快也要20、30分鐘，現在通過BI用1分鐘就可以完成，也就意味著決策效率比以前提升了幾十倍。

       4、智能預測

       除了利用當前或者歷史的數據幫助發現目前業務中的問題，找到原因，輔助領導做決策支持，還可以利用歷史數據建立AI模型對未來進行預測，比如在制造業里預測哪些設備可能存在故障等。

       以一家風機企業為例。一般來說，風機的壽命是20年。大部分風機質保在最初運行的兩到五年，而且風機的維護模式多以“被動式運維”為主，主要依靠現場工作人員進行定期維護和故障檢修。單純靠人工蹲點維護，運維成本極高，也容易出現由于人員水平不一導致的發電損失甚至運行安全問題。

       在這種情況下就希望建立一個預測模型，幫助及時發現風機的故障。首先確定需求，然后收集數據，做數據清洗、預處理、特征工程，最后利用AI算法建模，進行模型的部署，最后模型的準確率可達80% 左右。有了這樣的智能預測，就可以提前知道哪些風機有故障，有針對的維修，減少人員和時間的成本。

來源：數字化轉型研習社