大数据赋能制造业转型升级的5个方向

云网端的迅速发展带来了数据量的激增，根据IDC数字宇宙报告显示，全球自从2010年进入ZB时代以来，由于物联网设备发展速度远超过智能手机的发展，因此由物联网所产生的数据增量将会驱动着全球数据量在2020年达到44ZB。

去年我们国家发布了《促进大数据发展行动纲要》，这个纲要成为指导我们国家从数据大国到数据强国之路一个关键指导性的文件。而制造业的升级转型是国家供给侧改革的重中之重，也是提升满足内需与外贸供给能力的基础。在这个文件中，国家也明确提出“发展工业大数据，推动大数据在工业研发设计、生产制造、经营管理、市场营销、售后服务等产品全生命周期、产业链全流程各环节的应用，分析感知用户需求，提升产品附加价值，打造智能工厂。建立面向不同行业、不同环节的工业大数据资源聚合和分析应用平台。”

我们也看到，在工业化与信息化融合的过程之中，在实现中国制造2025的过程之中，数据如何赋能传统产业的升级转型，成为备受关注的焦点。

今年五月份贵阳的大数据会议上，李克强总理的发言非常值得思考：“以大数据为代表的创新意识和传统产业长期孕育的工匠精神相结合，使新旧动能融合发展，并带动改造和提升传统产业，有力推动虚拟世界和现实世界融合发展，打造中国经济发展的‘双引擎’。”

大数据+工匠精神的结合对于制造业的转型升级至关重要。而大数据的实时、感知和预测等特点确实可以为制造企业在降低成本，缩短生产周期，提升效率，细分产品定位，优化流程和决策等方面扮演重要角色。

一、数据赋能制造业的全流程

我们国家的制造业企业之间在信息化建设和数据化程度方面相差很大，但总体上由于距离消费者相对较远，因此互联网化与数据化程度和对大数据的认识相对金融、电信、政府等行业相差比较远。

当然，其中也有不少领先的代表企业，比如海尔，比较早就部署相对完善的内部的信息系统，涵盖了主要的业务流程，并且比较早地就将社交数据中获得的客户反馈融入到新产品研发之中，结合了内部和外部数据的能力。

但是，大部分制造企业依然还是处在信息化比较起步的阶段，由于人才以及技术能力的欠缺，对于大数据的意义和价值认识比较弱。

我们看到对于制造业来说，如果把数据分为内部和外部两大类的话，内部数据主要包括经营及运营数据、客户数据、产品相关的设计、研发和生产数据、机器设备数据等，传统的信息系统处理比较多的是内部数据为主，围绕着业务流程改进和提升为主要目标，而且对于机器设备运行的日志数据相对利用较少；外部数据包括社交数据、合作伙伴数据、电商数据以及宏观数据等这方面数据的开发和利用相对较少。大部分企业不仅内外部数据尚未打通，自己内部的数据也还没有实现整合和标准化，信息孤岛现象也是屡见不鲜。

我们的观点是数据对于制造企业的全流程来说都可以起到非常积极的作用，比如从产品设计和研发开始，如果能够非常直接地对接到消费者，依据对消费者的行为和消费数据分析，定位相应的产品设计和研发。同时也能够依据消费者对产品的喜好和需求量，进行定向精准的市场营销，进行产品的计划和生产的排产，减少相应的库存。同时，数据对于线上线下销售的协同，对于供应链优化和管理也可以起到重要的作用，在提升对客户的服务水平方面，如何针对不同细分市场需求，进行全渠道销售的设计规划等方面都会起到重要的作用。

虽然阿里巴巴是互联网企业，但其大数据应用的发展之路是值得制造企业去借鉴和学习的。

总体上来说，阿里巴巴也是在经历着从业务数据化到数据业务化的过程，业务数据化还是围绕传统电商业务来提升整个流程相关的数据，服务业务部门和管理层为主，总的目标也是为了降低成本，提高营运效率和质量为主。比如个性化推荐、搜索优化等。

现在阿里巴巴在数据数据业务化方面进行了很多有益的探索，总结起来就是“阿里的数据+外部数据+大数据技术能力”的输出，产生很多新的商业模式，不仅服务于阿里生态，逐渐赋能和服务于越来越多的各行业用户，比如蚂蚁微贷是基于商家的信用数据提供贷款服务，芝麻信用是基于个人的消费、理财以及社交等数据提供个人信用服务。在整个探索的过程中，我们看到数据的在线性保证了数据实时都会更新，数据的外部性通过数据共享、融合体现了数据的价值。

二、数据驱动生产和制造柔性化趋势

电子商务以及互联网所带来的用户需求呈现实时、少量、碎片化、快速翻新等特点，对于传统制造商来说，满足这种长尾需求难度很大，因此生产制造的柔性化变得重要。

比如淘工厂把工厂的生产能力通过互联网实现了与商家需求的快速对接，通过数据联通把需求与供应之间的信息对称化，减少了中间商环节，缩短了生产周期，降低交易成本，并加快周转速度。

ZARA这个快时尚品牌也是利用数据实现智慧供应链的例子，我们看到大量服装企业都面临生存的压力，而ZARA母公司销售额在2015年依然保持了15.4%的增长。其中很重要的原因就是ZARA以数据为核心打造的极速供应链系统，实现了新产品的柔性化生产。相对竞争对手来说，ZARA可以通过数据的联通和协同更快更好的控制从市场调研、到设计、打版、制作样衣、批量生产、运输和零售整个环节。虽然ZARA不是互联网企业，但是它对用户需求的响应是完全互联网思维的方式，满足的也是快速翻新、少量、快速响应和生产的类似于消费者在互联网上的需求特点，比如一般的国际大品牌的前导时间是120天左右，而ZARA可以实现15天的新品供应过程。在整个过程中，它使用线下线上的数据融合，利用电商平台的销售数据以及对用户消费者的线上调研数据，同时也会利用线下每个门店的销售数据实时反馈到公司总部，实现产品的快速迭代，它一年设计的服装款式达到12000多款。这种基于数据的协同和流动实现的供应链带动了ZARA总体效率的提升和库存的大幅降低。

三、利用大数据创新商业模式

以消费者数据为基础的消费者喜好和需求画像倒逼到产品的设计、研发、生产、供应链、营销等制造业供给侧的多个环节，这就是C2B的本质。

索菲亚衣柜是C2B模式创新的代表，2015年的营收达到31.9亿元。索菲亚在探索C2B的实践过程中，数据对于其规模化和个性化的平衡起到关键作用。索菲亚认为自己不是家具制造企业，而是一家大数据企业。在调研时我们发现，索菲亚有强大的科技团队，超过400多人，而其中300多人是在做数据加工。索菲亚利用大数据提升客户体验，提高交付效率，减少差错和库存，基本可以做到零库存水平。在索菲亚的前端需求到后端的生产系统中，数据的共享、联通和流动是实现订单准确地从需求端传递到生产制造和采购端的关键。正是这种技术基础保障了索菲亚每天索菲亚目前通过打通线上线下数据，基于用户交易数据，用户行为和特征数据，以及产品和渠道数据，搭了一个大数据平台。基于用户画像的数据化，他们也比较好地实现了研发精准化。在研发精准化基础上，营销的精准化也通过线上线下数据的融合分析获得了很好的实现。

四、学习国际上工业大数据应用的实践

对于传统的大型制造企业来说，转型的挑战巨大，制造企业所搭建的内部信息系统比如ERP、CRM和SCM等收集处理的数据还是交易类结构化数据为主，对生产设备数据、机器数据以及日志数据的收集及关注比较低。而工业大数据应用未来很重要的一个方向就是如何能将这些实时产生的机器数据更好地用起来，尤其是在预测性维修类应用方面。

以美国通用集团为例，它的董事长伊梅尔特说到“我们昨天还是一家制造型企业，今天已经成为一家软件和数据公司了。”这家制造业巨头希望借助工业大数据平台实现制造业服务化的方向和目标。GE的工业大数据平台Predix的主要功能就是将各类数据按照统一的标准进行规范化地梳理，并提供随时调取和分析的能力。基于Predix目前已经推出了很多工业互联网应用，并且向合作伙伴和客户进行了开放。根据GE的资料显示，GE在2015年底把最后一批发动机数据上传到Predix平台上，已经开始接收并处理GE公司庞大的发动机机队所产生的上亿条数据，对这些数据进行分析，并按照数据异常情况确定发出警告的等级，目前准确率接近90%。伴随着大数据与机器学习能力的加强，准确率也会逐渐提升。这是典型的利用设备数据进行预测性维修的例子，会成为工业大数据很重要的应用方向。GE希望通过这个工业大数据平台树立工业大数据领域的标准，使Predix平台成为像Andriod系统一样成为工业互联网领域的操作系统。

阿里巴巴目前也已经和徐工集团开始合作，希望利用阿里云上面的大数据能力，协助徐工建成中国工业大数据平台，实现“阿里云+徐工=中国Predix”的目标，在工业大数据平台、应用及生态建设方面探索一条新路。

五、从数据化到智慧化要循序渐进

正如前面所说，大部分中国制造企业依然还处在数据化和信息化的初级阶段，甚至有很多企业还没有建立内部的业务系统，因此业务数据化基础还尚未准备好。

以ERP、CRM、SCM、PLM等系统为代表的基本业务应用会是必备选项，只是在互联网+时代，有些应用可以使用云端应用进行创新，不必和以前一样再花费巨额的License费用。

在这个过程中，进一步加强数据的沉淀，通过云平台实现数据的共享、流动、整合，实现数据的价值最大化，推动智能制造目标的实现。

其实，真正的智能制造或工业4.0不只是指工业制造的某个环节的智能化，而是从用户需求端到产品供给端的全链条的智慧化，涵盖产品设计、研发、生产、供应、仓储、配送、财务、客户关系管理、营销等多个环节，而这种智慧化的基础要素就是实现数据的全流程打通，这其中云计算、物联网、移动互联网、人工智能、机器人等都成为数据共享、流动和融合的关键技术。