本文由CIO发展中心根据蜂巢能源数字化应用技术科负责人周圆琴在“高科技制造行业数字化智能工厂转型之路”专题线上会上的演讲进行整理。

从定义的角度来说，数字化是通过利用互联网、人工智能、区块链等新一代信息技术，对企业的组织、流程、运营、管理、生产、营销等各个层面，进行颠覆的、系统性的、全面的变革。强调的是数字技术对整个组织的重建，数字技术能力不再只是单纯解决降本增效问题的手段，而应当成为赋能模式创新和技术突破的核心力量。在“高科技制造行业数字化智能工厂转型之路”专题线上会上，蜂巢能源数字化应用技术科负责人周圆琴带来专题分享，并且给出了她所在企业的解决方案，供各位业内同仁参考。

以下文字为演讲实录，内容略有删减。

周圆琴 蜂巢能源数字化应用技术科负责人

大家好，我是来自蜂巢能源的周圆琴，谈到数字化，需要明确的是自动化、信息化、智能化是数字化建设的核心，很多企业的数字化愿景是“从数据获取洞察，由洞察驱动行动”。如今身处数字时代，数字化转型已经不是企业的选择题，而是一道生存题。所以降本增效，提高企业市场竞争力，是企业导入数字化的初衷，同时也是寻求突破的最佳解决方案。

一、数字化转型的认知及变革

数字化转型的本质是通过数据采集、治理、分析、挖掘等技术，打造把数据变现（Data to Value）的能力，通过数据来驱动业务的创新与变革，从而更好地指导企业的经营管理活动。如下图所示，生产制造型企业处于上游和下游之间，尤其是受疫情影响，上游加工原材料价格不断上涨，下游产品销售困难，达到饱和状态，因此生产制造型企业自身的发展具有更大的挑战，通过数字化实现降本增效，并且创造更大的附加价值成为大环境下的必然要求。

对于数字化，业内的很多企业都基于自身实践产生了不同的认知，其中华为认为数字化转型是基于业务对象、业务过程和业务规则的数字化，构建一个实现感知、联接和智能的数据平台。腾讯CEO马化腾认为数字化转型未来的趋势是数据打通、再造流程、简化流程、提高效率。此外亚马逊、美的、IDC等公司都谈到了数据对于数字化转型的重要性，因此如何充分发挥数据的价值是值得我们去思考的。

通过数字化转型的开展，将为企业带来三个巨大的变化：

1、推动外部商业模式和生态的巨变

2、引起内部运作机制和管理者行为的巨变

3、推动工作效率及用户体验的提升。

连接、数据、智能作为数字化转型三大内核，其中连接是数字化最基本的内容，而数据是数字化的基础，智能是数字化未来的最高形式。实现智能化，将进一步促进企业实现生产智能化、服务生态化、管理协调化、决策数据化，并实现AI的高阶场景应用。

对于制造企业而言，通过数字化变革，过去的商业模式直接从研发生产端到sales端，是简单线性的产业链。现在商业模式从市场端、研发生产端最终到sales端，重点在于打造以消费者为核心的生态系统；同时过去以强制和命令式的管理也转变为以服务与指导为核心的赋能式管理；在工作效率的提升上，过去人力密集、失误多、缺乏关联，如今以机器取代部分人力，失误少、效率高。进一步强化了企业与用户的直接连接，提升用户体验。

二、数字化价值及数据应用

对于蜂巢能源来说，数据是公司的核心资产，将数据资产转化为资本的关键是算法，依托算法，才能实现数据的快速变现。同时蜂巢能源打造数字化车间，以智能工厂为核心，提高生产效率、降低生产成本、提高产品质量、提升客户满意度及创造核心价值。现阶段数字化车间的应用场景主要有生产状态透明化、作业自动化、设备自动化、敏捷生产及精细化生产管理等。通过物理工厂及虚拟工厂做到数字镜像、虚实结合，并且充分发挥数据的作用，进行数据的采集、接入、存储、分析、可视化，进一步指导了企业的决策。

在数字化架构上，蜂巢能源依托数据层——能力层——业务应用层——管理应用层，最终实现战略支撑、价值创造、体验为王的策略。数据驱动的概念框架以服务对象、需求动机、应用场景、模型及数据为5要素，利用深入的数据分析，做到快速响应的决策指挥及监控预警。

在一个真正的数据驱动型企业中，应当拥有一套闭环的数据价值体系，数据驱动的作用过程是一个闭环，基于人机协同的工作模式，对数据的采集、整理提炼，总结规律形成智能模型，及时作出决策，直接驱动行动的快速执行，最终将决策和行动数据化且进行反馈。需要注意的是企业的数字化转型必须顶层挂帅，并大力支持，同时通过战略引领，标准先行，从而持续改进，最终形成数字思维。

数字化转型的“五要素”推进法中，需求出发要围绕“以终为始、开源节流“为提效目标；场景切入应立足场景，以问题为导向；同时应充分发挥数据的作用，为转型提供支撑；并依托于技术的迭代，助推企业的数字化转型，最终实现螺旋式前进，持续取得高质量的发展。

接下来为大家介绍的是数字化转型五维能力“海星”象限，它的核心仍然是数据，围绕数据的重构、融合、优化、应用及平台搭建，最终形成生态系统，从而为公司创造价值，提升客户满意度。无疑在数字时代，数据已经成为企业重要的资产和生产力，明确数据价值定位，从而支撑数字化转型中的运营管理和决策，才能助力企业实现降本增效。

企业做数字化必然离不开大数据平台的建设，其中往往会涉及到工艺数据、设备数据、质量数据、客户数据及供应链数据等。通过数据集成，构建制造数据中心（数据仓库、数据湖）基于数据分析，实现决策支持应用，是发挥数据价值的重要手段。通常来说，数据分析的基本流程被划分为统计和对比、根因分析、预测、建议四个阶段，通过数据分析，能够进一步优化企业的知识沉淀，并通过技术的迭代来提升企业的效率。

三、高端制造业数字化管理要点

与其他类型的制造业不同，高端制造业的要求更为严格，首先要精准的保证设备的可靠性，同时要实现先进的过程控制，实时生产决策，并且能够在动态变化的环境下自适应调整生产能力。另外可预测与不断的自我优化、自我学习也是极为重要的。

先进的制造工艺控制有以下几个要点，首先要提升装备稳定性，确保装备可靠，不出现非计划停机；此外要提高工艺的一致性，保证控制参数在约束工况下的一致性，异常出现时快速定位；最后就是保证结果的可预期性，能够根据工艺参数实时预测结果。

高端制造的数字化转型是基于数据智能的指标优化，通过现有的工业架构搭建工业互联网平台，最终形成指标优化。指标优化又可以分为经营指标、生产性能指标及资产性指标。

这里为大家分享一个设备维护智能管理的案例，以前的设备以被动式及周期性维护为主，设备维护保养分为周期性及非周期性保养，且设备时常出现故障预警。现在通过数字化实现了主动式及预测性维护。设备能够通过感知、分析、决策、执行的闭环，提升工艺及设备智能。此外针对于高效精加工要求，通过传感器实现在线监测和检测，进而通过自适应控制能够实现智能加工。

高端制造数字化离不开设备参数及参数优化，通过大数据分析参数建模，形成建模蓝图。未来数字化工厂建设需围绕少人化、品质提升、参数自适应及反控、客户满意度、技术能力展开突破。其价值主要体现在提升关键参数CPK、减少设备异常和技术人员经验要求、系统代替人工点检、品质闭环监控管理。

全生命周期质量管控及追溯，打破了传统工艺的边界，通过质量控制、预警监控、工艺优化、数据资产、质量预测、智能决策，形成质量管理系统工作流，主要分为：数字化工艺、数字化检验、过程监控及质量大数据。围绕产品的设计阶段、计划阶段、采购阶段、生产阶段、物流阶段到销售阶段，形成高度智能模式。最终实现自感知、自决策、自执行。

在我们推进数字化的过程中，存在诸多痛点，其中基础数据没有完全支撑就是一个非常显著的问题，因此企业在推进数字化的前期，需要做好数据治理；另外在推进数字化赋能时，往往会发现跨部门协同困难，这时不妨通过OKR的方式，与业务部门互锁，进一步提升业务部门的参与度，以保证数字化的稳步推进。

当然在数字化的过程中也需要工具的支撑，例如低代码平台Finereport，数据分析工具JMP都是不错的选择，以上就是我的分享，谢谢大家。