工业4．0”正在传统行业掀起一股创新浪潮。无论是雄心壮志的各行业领头羊，还是默默无闻的大多数中小企业，都不约而同地汇聚到这股浪潮中，探索各种新发展机遇，唯恐掉队成为历史的尘埃。然而，企业真正叩响“工业4．0”之门，迈向成功转型的康庄大道并不容易。

　　在埃森哲不久前主办的CIO＆创新圆桌论坛上，各界人士围绕此话题进行了深入探讨，精彩观点如下——

　　吴琪埃森哲全球副总裁、大中华区副主席表示：

　　“技术才是撬动智慧工厂的杠杆，“工业4．0”登陆中国后，智能化制造如星星燎原之势席卷全国的各大企业。在这样的背景下，很多中国企业家纷纷开始探索新一轮的创新改革，埃森哲建议企业家们在给予产业革命足够重视的同时，不可小觑另一项革命——引发产业革命的真正源动力：技术革命。我们从埃森哲的市场调查中发现，中国很多大中型企业的工作重点是发展智慧工厂，寻求让工厂变得更加自动化，但常常忽略了自动化背后的核心推动力。

　　众所周知，德国西门子的安贝格工厂是以全自动化闻名，该工厂二十多年前开始着手建设全自动工厂，但取得突破性进展还是得益于近几年微电子技术在工厂的广泛应用。通过收集产品信息和物流数据，连接各平台，形成整体的集成思路，安贝格工厂得以大大提高生产效率，成为智能工厂的典范。

　　blob.png

　　另外一个引人瞩目的智能工厂来自德国的博世。它突破性地使用无线电技术，使所有零件都有一个独特的射频识别码，同沿途关卡自动“对话”，从而创新地将智能化、信息化、自动化等技术融入到整个制造过程中。这一技术的使用，不仅使产品生产过程更加透明化，还便捷地给每个产品都贴上了智能身份证，让不同地域生产的零部件得以无缝对接。

　　从这两个案例中不难发现，让智慧工厂更智能化、更柔性生产的，是新技术的应用，而不是仅停留在昂贵高端的设备。通过应用新的信息技术手段，企业将获得生产过程中和产品使用过程中的信息，进而推动效率提升和产品创新。

　　推进“工业4．0”面临的挑战

　　在推进“工业4．0”的过程中，我们普遍会遇到一些困难和痛点，其中最大的障碍往往是企业与股东缺乏统一认识。如果企业内部无法对“工业4．0”的内容达成共识，企业很难在共识的基础上设定长远战略并部署相关方案。

　　有幸的是，当前中国在整个产业环境中，合作伙伴和政府都非常支持这种积极的探索。企业可以充分借鉴市场已有方案，或寻求与合作伙伴共谋发展，勇于打破传统的推进方式。

　　运营效率低也是大部分企业的一个痛点，企业通过发展工业4．0这一有效手段，可以加速度地提高生产效率。另外一个显著的问题是资产利用不充分，部分企业之前存在过度投资、过度产能、过度装备的现象，所以当面临新一轮革新出现时左顾右盼，甚至宁愿选择墨守陈规，被新型企业的后动优势和市场竞争所颠覆。其他的困难还表现在服务和守候成本过高。

　　CIO在推动工业4．0中的关键作用

　　CIO需要在企业工业4．0建设中扮演起更重要的角色。由于技术和数据是整个产业变革的根本驱动力，无论从技术专业背景还是从信息资源资产的角度来看，CIO都具有推动企业向前发展的先天性优势。

　　CIO为此要做好准备，需要具备新的能力，将信息转化为知识。除了管理企业IT资产之外，他们还要和销售、研发、运营等更多业务部门进行合作，推动、支持他们发生变化。无论是把握自己的职业发展机会，还是为企业创造更大价值，CIO对于这一历史使命都应勇担大任。”

　　郭朝晖宝钢中央研究院首席研究员

　　什么是工业大数据？

　　工业大数据目前还没有很权威的定义，一种说法是工业大数据就是信息系统中使用数据的二次利用。企业对于已有的数据进行挖掘，尽量多地获取所需要的信息，但相对比较被动。第二种则是前瞻性地对于生产和各种过程痕迹记录，创造一个用数据说话的条件。

　　事实上，工业大数据不同于普通的商务数据，工业大数据的收集原理是要基于完整性、完备性为出发点，才能还原系统的全貌和生产流程的完整过程。如果仅仅单纯观察数据本身，借助收集到几个变量之间的关系，片面地看待问题，会导致完全错误的判断。只有对完整大数据的合理应用，才能真正帮助企业透明化，从而有利于企业的管理、运作，用以支撑人员的精简、人工效率提升以及质量的持续改进。

　　数字化转型与去产能的关系

　　去产能是短期的，企业需要面向未来，提高自己的核心竞争力。数字化是构建这一竞争力的必要手段。

　　企业需要构建顶层设计，使数字化能支持转型。数据质量对企业极其重要，尤其是那些关键性的数据。同一个数据在不同的场景下会有不同的含义，运用好这些积淀的数据需要花费较长的时间。企业在完备累积的过程中不断产生新的数据，也在不断创新产生新的应用，依托之前保留下来的关键性数据信息，一些重要课题得以解决。

　　如何使工业4．0发挥最大价值？

　　工业4．0下的企业跨界合作首先应该以共赢为基础。好的商业模式应该允许企业上下游之间的一些壁垒被打破，实现双赢，创新地进行发展合作。比如，有些企业本身没有仓库，钢铁企业可以做成零件之后直接交给他们，协助他们做到零库存。

　　“工业4．0”的另一个重要意义是帮助企业深入发展个性化定制。比如钢铁行业需要关注钢的厚度、宽度、涂镀以及包装方式等精确需求；汽车行业需要关注高端汽车品牌用户的“私人订制”。企业如果只满足低端产品，数据投入产出比是不划算的。所谓智能产品，其实是基于实物产品本身，又包含CPS内容而引申发展的。

　　企业是否转型为智能服务，要根据企业自身定位决定。深刻了解目标客户的需求，在保证企业效益的前提下，稳步走向智能化企业。

　　李杰辛辛那提大学及上海交通大学讲座教授

　　数据如何为我所用？

　　未来的企业传承将不再依赖于个体经验，取而代之的是钥匙，是唯一可以把企业行为逻辑找出来的数据，它最终将成为企业的核心灵魂。

　　工欲善其事，必先利其器，一直以来中国企业非常推崇德国制造的器匠精神。的确，产品制造的价值不容小觑，然而要想把握机遇，实现产业创新，使自身在日益严苛的市场环境中更富价值，就不能再一味停留在产品制造的探索领域，而是需要打开思路，寻找一把新的钥匙，学习了解制造的精髓，使目光越过冷冰冰的工厂和机器，直达互动数据的逻辑关系所在，并从中发现客户的真正需求，进而全面提升企业的竞争力。

　　正如我所提出的“蛋黄蛋白”模式，蛋黄就好比产品，而蛋白则是产品使用当中产生的价值。企业只有探寻从制造本身迈向价值创造的发展路径，才能最终孕育出崭新的数字化能力，真正实现脱胎换骨。

　　大数据的概念大家并不陌生，相当多的企业可以通过收集各类传感器数据，借鉴历史资料，应用CMS或是凭借个人经验等方式，获得一定程度的预见能力。但是如果所收集的数据未能做到三个R（Resource、Relation、Reference），则很难形成一个对称的产品信息系统，从而导致大量的数据冗余。

　　那么该如何避免大量数据冗余？又如何通过已收集的数据获取洞见能力？建议如下：

　　1、IOT集成传感器网络化

　　一个工厂往往有上千个传感器，但不是每个传感器都需要接入网络。2005年，丰田曾提出要减少50％的非必要性维护需求。于是，面对约两千个机器人的复杂生产线，将一定时间段内故障时间超两小时的机器人遴选出来，目标范围就缩小到138个机器人。然后再对这138个机器人的零部件进行故障率分析，通过可视性和边缘计算，精确找出哪些应用链必备零件必须更换，哪些不用更换。就这样，利用大数据分析，丰田把数量众多的机器人维护工作集中到了数个传感器上，用最有效的办法降低了80％的生产型浪费。

　　2、数据到信息化内容转变

　　在生产过程中，企业会遇到各种各样的数据，但仅仅掌握数据是远远不够的，需要对数据进行有效的识别，厘清数据内在的逻辑关系，通过先进的建模方法使之转变为有效、有用的信息内容。

　　现代化制造业尤其是精密制造业的制造和时间成本都十分高昂。以三星的12寸晶圆厂为例，其整厂投资额高达450亿美金，里面的设备动辄数千万美元一台。如果设备发生故障，损失将难以计数。因此三星在生产过程中花费了近三分之一的时间做各类可靠性检测，使真正用于制造产品的时间只有三分之二，这无疑造成了巨大的浪费。

　　我们与三星合作，针对其应用材料装备的80个传感器，通过使用概率方法论，将传感器对应的控制器时间成本整理出来，再结合历史数据，就形成了一个传感器关系图，从而对各传感器在生产过程中的重要性一目了然。通过这种方法，三星只需重点关注5个传感器，即可达到99％的检测精度，大幅度提高了生产绩效。

　　3、虚拟网络化的内容管理

　　精准的预判来源于完善的内容管理，这可以帮助企业减少损失。

　　预计中国各大工厂在2017年会拥有40万机器人，一旦某台机器出现问题，将导致整个生产线的中断和大量的资金浪费。CPS虚拟网络化的数据分析管理用以帮助企业提前预见到可能的故障，从而提高效率、减少浪费。

　　举例来说，如果每天早上安排机器人做5分钟运动，让每个机器人的每个轴的电量存储存起来，然后连同其之后工作的数据值一同做比较，通过深入比较之后找到数据变化最大的一个轴，从而判断出有衰退值的机器人，在它罢工前三星期就可被顺利发现。

　　最后再回到“蛋黄蛋白”理论。很多企业往往只留意到蛋黄，看重制造或产品本身，容易忽略蛋白，即潜在的、外围的需求。但这些潜在的外围需求却是企业走出自身发展瓶颈、找到市场竞争力的所在。发现蛋白的价值并创造新价值的关键，就在于对有效数据建立逻辑化模型，突破现有框架，用更宽广的视野了解客户需求，从而开发自己的产品。