制造业数字化变局要如何破局？抓住这三个要素是关键

随着大数据、人工智能等新技术的兴起，越来越多的国家把发展数字经济和数字化制造业作为推动传统产业改造升级的重要途径。如今在新基建、智能制造等大背景下，大力推动新一代信息技术和制造业深度融合，提升制造业的智慧化、数字化、自动化水平，成为众多行业专家、从业者等关注的重点。

都说制造行业数字化转型是作死，不转型是等死，这是一个怪圈，也是行业数字化转型所处的变局。那企业到底该不该投入大量成本和精力上马数据项目呢？答案是肯定的，因为部分先知先觉的企业，已经通过数据的创新应用降低成本、提高效率，为企业创造了新的增值点。他们到底是怎么做到的？针对这个问题，帆软数据应用研究院制造行业高级专家任敏认为，这些企业的数据应用建设的成功都离不开“人”、“财”、“物”三个关键要素。

那个这三个要素是怎么配合解决问题，促进项目成功进而产生价值的呢？在今年9月17日—19日的帆软智数大会智能制造分会场上，任敏将会和AO史密斯、京东方、三一集团、盛虹集团等优秀标杆，一齐探讨制造行业的数字化转型应用。

没有问题空谈方法经验的文章都是耍流氓

调研发现绝大多数企业信息化建设的问题是相似的，其中比较突出的就是以下四点：

一是跟风随大流上了不少的信息系统，导致供应商混杂，数据孤岛严重。企业上了各种业务系统之后发现，初期还好，但是随着业务的调整和扩展，原有的系统涉及到变更就比较吃力了；亦或者很难关联起来。

二是信息/IT人员半路出身，缺乏经验，无从下手。审视一下我们的团队，很多临时凑起来的班子，很难满足本土企业数据分析所要求的基本能力。

三是部门系统之间统计口径不一致，一条数据多种结果。由于系统的不同，各部门之间统计业务指标的方式和口径都不一样，汇报会议经常沦为争论谁的数据更合理更准确的推诿扯皮会。

最后一点，没有系统、没有工具，只能出人肉报表。数据量大，报表复杂导致周期长压力大是最常见的场景。

面对这些问题，不少企业在做项目的过程中都总结了自己的应对的方法，他们都少不了“数据资产”、“数据人才”、“数据工具”，三个要素的保证，也就是我们所说的“人”、“财”、“物”。

要素之一：怎样的数据才能称之为“资产”？

1

2

3

在众多行业当中，关于底层数据这块制造业是有名的“脏乱差”，当然这也是由于业务形态所决定，技术产品的多样和多变、“造数”人员的知识水平不一、以及大量的手工线下数据的处理，都导致了这种必然的结果。最终不得不面对这两个方面的问题：

第一个是数据准确性无法保证。制造型企业作为劳动密集型企业，不同于其他行业，工厂车间相关的系统很难保证采集到所有数据，大都要经过人为处理，这个时候就加大了出错、误填等一系列风险。

第二个是数据延迟大，时效性差。有些企业为了保证数据的准确，对于收集的数据“三查七对”，这个时候准确性是有了，但是往往错过了它发挥价值的最佳时期。

针对以上典型问题，到底该如何保证数据的准确性和时效性呢？任敏在总结了大量底层数据项目的实施经验后，概括为以下几个关键点：

首先，制定相关的数据标准，比如编码标准、命名标准等都要提前固定下来，形成参考的字典表。

其次，要站在平台整体的角度进行规划，确定接口、流程、相关对接人等基础信息。

然后，要有维护的机制，数据项目以及系统使用不能一蹴而就，它是一个持续的过程，需要定期的维护才能保证系统持续平稳的运行。

在前边准备工作完成之后，再制定具体的实施方案，按部就班，才能保证高质量的底层数据输出。

要素之二：当下数字化转型项目需要什么样的数据人才？

任敏表示，在调研宁波一家生产灯具的企业的时候，他们CIO说起自己团队组建时候的景象令人印象很深刻。“团队组建之初哪有什么人懂数据库、业务系统、需求等这些东西，为了响应数字化浪潮，每个部门抽调一些人力，一群门外汉拉起一个IT班子。”

上边的场景侧面验证了制造业IT团队的特殊性。最终团队配合往往出现的状况就是“业务说不清，开发不理解”。每次需求调研和需求上线，业务和技术都要争论一番，争来争去，都有自己的道理，但是需求落地谁来保证？

所以任敏总结了中建钢构数据人才培养的三大举措：

团队融合：让财务人员加入数据项目团队，让IT人员专注于取数逻辑的工作。团队协助，分工协调，有问题随时沟通，既培养了技术人员的业务思维，也提高了业务人员的技术认知。

贴近业务：除了团队融合以外，他们的团队还会深入到各区域一线进行需求调研，保证需求内容都是一手的资料。

推广验证：好多时候我们因为手头堆的任务太多，顾不上听取使用者的反馈，不知道实际的使用情况。中建钢构在项目开发的过程中就要求技术工程师绘制初版界面与最终用户进行验证，收集反馈意见，调整之后再继续开发。

要素之三：理想中的工具是什么样的？

就制造业当下的数据特点和团队人员状态来说，什么样的IT产品工具是最合适的呢？这一点，任敏给出了两点建议。

第一，针对系统不完善、数据有缺失、线下手工数据多、业务多变等问题，期望的工具要有足够的灵活性，能够支撑快速开发的诉求，在功能层面能够满足填报和数据采集的功能，有时候甚至可以实现某些小的业务系统的需求。举个例子，帆软调研了解到成都有家机械制造公司和常州那边有家生产自行车的公司情况类似，他们在做车间数字化管理之初都考察了许多相关系统，最终发现完整上一套业务系统性价比并不高，只用到里边有限的模块，而且调整起来成本也比较高，于是就打算先用FineReport搭建一个简单的具有车间生产过程监控管理，数据扫码录入等功能的小系统，后来发现用的还不错，后期涉及到调整问题也不大，业务人员反馈也比较好。

第二，针对人员技术基础差，数据应用思维意识不足，报表开发想法不够的问题，理想的工具上手门槛不要太高，有完善易懂的技术指导文档，最好能有大量的案例素材可供参考支撑。重庆有家做新能源汽车的企业，项目组长是业务出身，开始只是提相关的需求由技术人员开发，后来发现需求太多了，技术响应不过来，还有领导要的大量资料也都是重复的，需要定期去系统里导出来手工处理汇报，她看到系统能够固化一些报表，然后自动去系统取数呈现结果，就自己尝试把手头的一些简单报表做到系统离去，遇到技术问题就去查文档咨询技术人员，慢慢也能满足一些诉求。

制造业是我国的支柱产业，伴随着“新基建”、“两化融合”等国家战略的实施，大数据数字化转型已成为制造业生产力、竞争力、创新能力提升的关键。同时这也是今年智数大会智能制造分会场的主题，届时任敏将就工业互联网、制造业供应链数字化、智慧工厂等一系列问题分享创新实践和优秀经验。