热点聚焦：如何巧用数据分析

　　大数据时代下，数字化信息快速集聚，学会处理这些海量信息是一项不小的挑战。这一点在现代工业制造领域体现得尤为明显。数据以及从中获得的运营和业务洞察将成为21世纪工业企业的命脉。未来几年，企业和各级管理人员的首要任务将是去芜存菁，从海量信息中提取有价值的数字数据。归根结底是要创建正确的数据，通过全面分析原始数据获得“智能数据”，并将其运用到决策过程当中，改善运营效率和市场定位。将数据洞察共享给平台内其他成员将成为必然选择，也是企业生存所不可或缺的。

　　在产业物联网的世界中，一切人和物都将实现连接——消费者的周遭会遍布传感器，企业会采用机器人和机器学习等新技术。

　　由此将会产生数据洪流，需对其加以筛选和分析，提取可行洞察。若不对数据进行有效分析，就只能任凭巨浪将我们吞没，企业也得不到半点好处。

　　全球数据总量每两年翻一番。据估计，到2020年，全球数据总量将超过44泽字节，其中35%被认为有分析价值。到2025年，这一数字将增至180泽字节。 (1)

　　这一数量之大几乎超出人们想象，其中很大一部分是由智能工业企业及其生态系统所创造和分析的。因此，制造商除了及时采集和分析数据之外别无他法，因为成果经济是在实体硬件相关服务的基础上发展成熟的，而数据分析是成果经济的命脉。

　　原始数据没有价值，需要处理

　　在基础分析阶段，我们常常利用经过智能处理的数据。汽车仪表盘会显示车速、油位和引擎转速等原始数据。但另一套量表会显示以当前车速行驶消耗了多少燃料，不需要车主自己计算。这就是基本的实时分析法：汇总三组原始数据，得出智能可行的信息。

　　未来，这个相对基础的分析方法将进一步扩展，涵盖实时天气状况、地形地势、交通量预测和剩余路程，对这些数据进行汇总之后给出建议。

　　同样的方法也适用于工业企业。对智能筛选后的数据进行分析解读，可以辅助决策过程。多数情况下，可运用算法去除不相关的读数，从而得到更有意义的信息（见图5.1）。

　　图5.1全面影响企业的技术及其影响 (2)

　　对数字数据进行压缩、清理、再处理、筛选和归类能为企业提供洞察和警示，帮助企业有效操控复杂的制造流程。分析目标越宏大，数据的准备、改进和最后得出洞察所需的软件复杂度和计算能力就越高（见图5.2）。

　　图5.2数据价值链 (3)

　　如何选择数据策略——内部回报和外部回报哪个更多？

　　越来越多的企业成功利用数据实现营收，主要是通过以下两种方式：

　　第一，企业逐渐能从各部门和流程产生的数据洞察中做出准确判断。如此一来，企业便可改进运营模式，从中提取更多价值。

　　第二，企业逐渐能从正在使用的产品中收集数据洞察并转化为服务，作为自身价值创造的主要驱动力。

　　例如，丹麦风力涡轮机制造商维斯塔斯（Vestas）对天气数据加以分析，辅助涡轮机的定位和运转，实现最优能量输出。换言之，该制造商不仅出售产品，还提供能促进产品使用最大化的服务——基于预测性分析和资产性能分析。 (4)

　　因此，对一家缺少数据策略的工业企业来说，问题在于是从上述策略中二选一还是两者者结合使用。

　　图5.3汇总了企业各部门常用的分析方法。虽然并非面面俱到，但还是可以从中看出，数据分析能够在众多领域为企业增加价值。详细实例可参考第四章对施耐德电气和比雅斯集团数据分析策略的案例研究。

　　事实上，在产业物联网世界中，数字数据才是真正的企业货币。数据分析能为各行各业激发巨大价值潜能。以汽车制造商为例，埃森哲计算表明，该制造商从一项全面的数字化策略中获得的价值有46%是来自于数据分析（参见第三章）。

　　数据策略助力企业解锁五种价值来源

　　为了帮助企业更好地做出选择，我们列举了数据分析为工业企业带来的五大优势，这些优势都能为企业创造价值。

　　（1）客户体验得到优化。对联网产品传回的数据进行压缩并转化为可行洞察，能为企业（包括制造商、客户以及客户的客户）创造直接价值。例如，汽车制造商根据汽车传回的数据发送软件更新，汽车则能迅速接收更新。此举刷新、改变也因此极大改善了用户的驾驶体验。数据分析能让企业明确“现在要做什么”和“下一步该做什么”，这对企业而言是个重大机遇。同样，生命周期服务也能够快速改善客户体验，全球工业设备制造集团施耐德电气以及工业厂房、风力发电厂和建筑群相关企业就提供了类似服务。越来越多的工业企业开始从数据中提取客户资料，为每位客户提供定制化服务。

　　图5.3行业分析用例 (5)

　　（2）产品性能得到优化。软件赋予联网产品以生命，较之于非智能硬件，联网产品能够实现更多价值。结合智能电表与数据分析可使公用事业公司实现更加有效的电网和能源管理。借助人工智能应用和联网产品及其组件传回的性能数据，可以提高担保管理效率。工业机器中的联网组件能够精确预测各个零件检查、保养或更换的时间点。重型卡车组件供应商德国采埃孚集团（ZF Friedrichshafen）就是个极具说服力的例子。该集团开发了一个省油变速系统，能够根据GPS反馈的数据分析地形，提前告知驾驶员何时换挡。 (6)

　　（3）员工效率得到优化。显然，数据分析能为工业企业的员工管理提供极大帮助。油田可通过工人佩戴的电子跟踪器对其进行监视，从而提高人员作业的安全性。供水公司可借助预测性分析发布管道破裂预警，确保工程师的安全。对员工跟踪器记录的数据加以分析不仅能够提高安全性，还能对复杂的现场干预进行优化，从而缩短总停机时间。譬如，美国制造服务企业捷普集团（Jabil）在安装了大规模应用分析解决方案后，其月停工时间缩短至原来的50%，财务部门的人工操作也仅为原来的30%。 (7)

　　（4）运营效率得到优化。毫无疑问，对原始工业数据运用高级分析可帮助企业大幅提高总体运营效率。可通过数据分析调整水资源、能源和原材料的使用，尽可能地降低资源消耗；还可借助数据分析充分调动制造工厂内外的物流车队，发挥最大的生产率，并根据高效的安排对机械进行保养维护。然而，数据分析的优势远不止于此。通过数据分析，企业可以明确工厂车间资产的最佳维护周期，优化产品组合，降低保修成本。

　　（5）新产品和新服务组合得到优化。数据分析是开发全新的客户解决方案的基础。工业企业可利用数据洞察，创造大量与硬件产品和运营管理相关的新服务，开辟新的营销和商贸方法。部分公司利用自身软件采集数据，再以此为基础开发新型维护服务。

　　利用物联网开发潜在客户——预见客户需求

　　在许多工业设备和电气设备制造商已售出并安装的设备中蕴含海量数据，却并未得到有效利用。也就是说，这些企业坐拥一座沉睡的金矿。

　　某些制造商已开始采取措施。他们利用对IT/OT（信息技术／运营技术）基础设施的现有投资，结合客户知识及装机知识，开辟新收益流，提高现场服务效率，改善客户体验。

　　这些制造商利用自身IT系统中存储的数据，不断得出有关以下方面的重要洞察：①交叉销售和追加销售的潜在机会；②现场干预的工作指令下达；③提高服务合同收益（根据情况签订合同及续约）或④续保（见图5.4）。

　　这虽然是第一步，但已经能够创造可观价值，而且只需要再追加极少的投资（除了投资首个试点，以向公司上下证明此举能带来极大裨益，以及用于开发第一批算法的投资）。但不难想象，一旦这种智能基础设施被直接连接到设备机器上并实时激活数据，将会创造多么庞大的业务价值。

　　图5.4潜在客户开发分析实例 (8)

　　这样一来就能从各处收集数据，可能来自于制造商的操作系统，或直接从工厂车间或客户安装的联网设备中收集，又或是其他数据来源。对提取的数据进行转换和标准化处理后，企业可以建立起针对每位客户及其所安装设备的全方位视角。紧接着就是通过预先确立的业务规则处理数据，制定能够自动执行的商业举措（业务开拓、工作指令等），或将行动方案发送给现场人员或客户服务团队，实施特定干预。

　　但此类平台应如何建立？企业如何利用现有IT投资？可以通过客户关系管理工具（如Salesforce或微软CRM）与制造商的产品进行连接。借助特定分析方法，可以获得与制造商的某项服务或产品相关的客户行为和偏好洞察（见图5.5）。

　　图5.5完成生态系统闭环 (9)

　　该方案极其灵活，且规模易于调整，适用于各类工业企业，而且只需一个简单的分析平台就可以带动。

　　该方案有着强有力的商业实证。通过与数家制造商共同发力，提高潜在客户的数量和质量，提高转化率、客户保持率和黏性，有望使收益增长10%～15%。这一增幅还不包括销售成本的削减和销售周期的加快。

　　从纯监控到预测性维护实践

　　依照经验，工业制造领域运用数据分析所创造的价值当中，很大一部分来自实体资产。

　　位置检测也许是迄今为止最常见的用例。知道某个实体资产、组件、移动机器、工具或人在供应链中处于哪个位置，就掌握了价值丰富的信息，因为这些信息可以直接带来效率提升。

　　第二大常见用例或许是通过数据分析寻找实时答案，以解决机器是否正常运转、装配线和机器人是否在规定的容错范围内运行等问题。

　　久而久之，数据分析将不再单纯用于监控，而是用来进行预测性维护，最终实现未卜先知，即从传感器反馈的数据中预测某个机械组件会发生故障，或是提高组件质量，从而彻底避免故障出现。

　　全球重型设备制造商进军联网服务领域

　　一家全球领先的建筑、采矿和发电设备制造商很早就应用了物联网，但多年过去，该企业需对其各项能力进行全面快速的改革——包括成本结构、业务模式、体系架构和技术能力。

　　此外，该公司服务的关键行业——采矿、建筑、油气等行业——都面临挑战，其主要精力也都集中在资产效率上。因此，这些行业需要调整策略，努力通过技术实现成果，而不再仅仅关注机器本身，因为机器不再是区分企业优劣的关键因素。

　　他们首先确定了一套完备的物联网构想，并宣布结盟。该构想涵盖业务模式以及新型数字化服务的方案架构、开发和运营。

　　对现有云平台的利用大大加快了变革进程。短短几周，原型应用程序就被嵌入到正在使用的实体设备中。如今，该制造商向全球客户售出的机器和设备中，实现直接联网的有数十万台，已嵌入传感器数百万个，企业的年业务量高达数十亿单。

　　在高速双向通信的帮助下，企业现已推出新一代先进服务，如无线软件升级、远程监控、故障检修和机器配置以及自主技术应用等等。

　　这些技术为推出下一代服务——结合来自传感器、交易商和众多企业的实时数据——奠定了基础，目的是提供预测性故障检测和前瞻性商机管理。如此一来，企业将为客户创造巨大价值。

　　数据分析策略——行业必备之新条件

　　数据和数据分析在当今工厂中的蓬勃发展主要得益于五项技术的快速演进。在这些技术的帮助下，工业企业能够对数字数据进行迅速的创造、传递和分析处理。

　　一是云计算的远程处理能力，企业的流程运营将基于数字数据，可享受云计算所带来的前所未有的扩展性、灵活性和反应速度。

　　二是先进分析软件的出现，这类软件容量巨大，数据处理速度极快，通过筛选海量运营数据，为企业提供广泛的实时洞察。

　　三是为机器控制建立的自我调节式传感执行网络逐渐增多，此类网络更加精密、数据吞吐量更大。

　　四是“万物互联”趋势开创了人际自动交互新模式——如客户与客户之间或者企业员工之间。

　　五是社交媒体数据推动了实时市场推广，创新了企业内外协作方式。

　　下面，我们来简要关注一下企业的现实情况。从中不难看出，数据分析策略将成为工业企业的必备条件。

　　工业制品逐渐实现了与负责数据采集的传感技术的结合。例如，现代飞机或列车中装有数千个传感器，目的是为制造商和用户提供广泛的数据，表明可采取哪些措施或进行哪些设计或服务方面的改进。

　　目前，许多企业已经做到（如优步和爱彼迎）仅从数字数据中提取价值，而不再利用实体资产。过去，人们一直认为这些企业所在行业的本质是实体资产，因而是不可能被颠覆的。可谁能想到，经营着全世界最大酒店业务的爱彼迎却一家酒店都没有，而全世界最大的出租车公司优步连一辆出租车都没有。

　　因此我们有理由相信，专业的智能分析企业即使不靠实体产品或资产，也同样能够成为行业颠覆者。

　　假设有一家服务于公用事业或采矿行业的工业泵制造商。另一家颇具创新意识的初创企业若是将传感器和配套分析软件嵌入制造商的工业泵中，就能从中采集数据，并以此为基础向客户提供服务，而这些数据和客户原本都是属于工业泵制造商的。

　　这对一切设备制造商而言都是一个巨大风险，其他企业利用其数据实现商品化的同时，设备制造商的产品也损失了巨大价值。此处制造商和初创企业的目标一致，都是尽一切办法增加或保持与终端客户的接触。只有这样，才能掌握有价值的数据。因此，企业必须现在就着手制定数据策略——才能根据自身情况量身打造。

　　格局瞬息万变，创收就趁现在

　　一般情况下，工业企业在制定全面的数据策略时，不需要从零开始。工业设备领域的大多数产品通常已经配备传感技术。原则上，设备使用者可以收集并使用数据，但他们尚未这样做。又或者已经收集并存储了数据，但还未开始分析。

　　以现代采矿作业为例。一般情况下，制造商会为大多数设备配备数据技术。整个矿区都能连接到移动或无线网络，可以对所有卡车、碎石机、传送带以及地面情况和地质状况进行监控。

　　然而，这些数据流通常被分隔在不同的谷仓当中，没有实现连通和汇总，因而无法进行分析。这类矿业公司的控制室里通常有大约50个显示屏，每块显示屏上的信息都来自一个不同的设备供应商。仅凭这些信息，矿井主管无法得知矿井是否已经达到转移生产的目标——这就是未从大数据中得出有用洞察的典例。

　　明确这一点之后，要想做出改进，第一步就是搜罗现有数据库以获得洞见。接下来，企业可以尝试处理新数据，为当今的前沿技术——从实时运营数据中提取洞见——打好基础。

　　数据经过分析得到规整，总结出关键绩效指标（KPI）和可行信息。可以实时刷新并发送到监管人员的平板电脑上，以便随处携带、随时查看。

　　这样一来，就能从来自四面八方的不同数据中得出有用信息，否则就只是一团浆糊。

　　对制造业而言，在基于智能数据推出适销对路的数字服务和内部运营流程之前，还有一个关键的准备阶段：打破谷仓式的循环数据回路和系统，实现数据的融合或流通。所幸近期取得的技术进步为此提供了极大便利。

　　数字技术已经足够成熟，能有效地将大数据转化为可行知识——例如，通过结合数据操控不同工厂的分散式控制系统。另外，嵌入式传感器和控制体系早已成为工厂车间众多机械的动力来源。

　　得益于运营技术和信息技术的融合——即数据网络和IT系统的连通，前者控制机器和机器人，后者为整个企业提供支持——机器和设备通常能够连入数据系统，如生产管理、制造执行、物流和企业计划等，而这些数据系统过去与机器设备是毫无关联的。

　　制造执行系统（Manufacturing Execution Systems，简称MES）负责跟踪并记录原材料是如何转化为产品的。许多工业领域过去都是各工厂各自为政，而现在，各个工厂的制造执行系统均被归入企业资产管理（Enterprise Asset Management，简称EAM）系统下面的一个控制单元，实现了统筹。企业资产管理系统负责监控机器生命周期和企业的其他实体组件。

　　如此一来，许多制造商就可以实时查看其生产流程。虽然产能依旧存在限制，但企业可以通过分析，发现并预测性能瓶颈，针对工厂运营改进、员工队伍管理和供应链风险管理做出更加智能的决策。

　　用不了多久，这一企业中枢的雏形就会新增业务部门，为企业提供外部原材料，或准确描述客户对产品的规格需求。在这一阶段，行业运营会变得更加灵活，成本效益更高，能够为客户提供高度定制化的成果。

　　总而言之，格局在不断发展，可以说是瞬息万变，但只要从现在开始做起，就能即刻收获回报。还是那句话，小处着手，一旦有效则迅速推广。

　　公用事业公司如何运用大数据分析

　　一家大型自来水公司为一个900万人口的大型省会城市供水。以该公司为例很能说明问题，因为其通过综合运用并大规模部署自制和第三方IT解决方案，已经收集了大量数据。

　　关键问题是得出的洞察都局限于各工厂，造成数据分析极其低效，且与运营技术基本脱节。企业在原先的IT解决方案上投资了2亿美元，旧方案只实现了部分互联，各工厂只能各自为政，缺少一个决策支持中心。

　　结果就是当谈到水压、振动、流动、化学品用量、能耗或某工厂水处理的开始和结束时间这些重要运营数据时，没人了解所有工厂的整体情况。

　　企业需要建立一个一体化分析平台，覆盖其价值链上的14个部分，包括水库利用、家庭用水、废水管理、将处理过的水排放入海等等。

　　这笔投资虽数目不大，但不到六个月就为企业带来了回报。现在，自来水公司会对温度、降雨量等天气数据进行分析，因而能够提前规划，提高资源分配效率。此举还为公司赢得了更多的思考时间，对平台控制板上显示的实时数据变化做出回应。

　　如今，公司数百名管理人员和1000多名员工发现，决策要比以前容易得多，每年可因此创造约6300万美元的价值。此外，公司的运营成本（OPEX）减少了近8%，资本开支减少了约12%。

　　开展试点，循序渐进，各有侧重

　　许多企业还是认为，利用传统数据技术得出智能可行洞察是件麻烦不小的事。实际上，得益于数据分析技术的进步，这一观点已经过时。上文列举的自来水公司案例就可以证明这一点。

　　时至今日，我们已经不需要在将数据导入算法以提取洞察之前，先对其进行标准化或格式化处理。统计应用和数据库系统可接收、存储和消化各种结构化或非结构化的数据，并兼容多种数据类型，如数字、文本或可视数据。即使是不同代数据收集技术采集到的五花八门的数据，现如今也已不再是什么大问题。

　　那么企业的数据分析现在处于什么阶段？如何正确构建数据分析能力？

　　目前，大多数工业企业已逐渐认识到数据策略和数据分析的主要优势，但还没有十足把握。

　　因此，很多企业设立了数据分析项目试点，尝试边学边做。现阶段，相关技术仍在飞速发展，“小处着手，迅速推广”着实是企业构建数据分析能力的唯一方法。

　　数据分析终将沿着其他技术的轨迹发展。20年前，企业花费巨大成本，从零开始构建客户关系管理（Customer Relationship Management，简称CRM）能力，且大多是基于自身专有的IT基础。如今，企业均从第三方供应商处购得，CRM也已发展为一项能够按需定制和扩展的成熟云服务。

　　最终，数据分析也会如此。但哪些行业平台将会脱颖而出，成为数据分析服务的头号供应商，目前仍是众说纷纭。同其他IT市场一样，面向企业的数据分析服务提供商将会不断合并。不出几年，就会有数家知名供应商可供首席信息官（CIO）和首席技术官（CTO）选择，企业之间也可以相互借鉴。

　　这一切都意味着在当前环境中，明智的做法是循序渐进，采取试点项目的形式，聚焦特定用例（见图5.3），一旦有效则迅速推广开来。所以，先有针对性地开展小型分析试点，但企业要尽可能多地开展试点。

　　汽车制造商如何扩大分析规模

　　欧洲一家汽车制造商近年来发展迅猛，其最终目标是建立一个覆盖全公司的数据分析平台。

　　首先，该制造商围绕其质量和保修体系，开展了一个小型分析项目，并最终完成了每年节约1亿美元的价值创造目标，保固管理和维修成本也降低了20%。

　　初始问题如下：公司超过3%的营业额用在了汽车保修期内的维修上——三年内保修——而业内领军企业在这一方面的开销只有2%或者更少。

　　汽车制造商的目标是提高汽车质量和客户满意度，并通过审查保修申请，降低保修成本。数据分析平台提供了足够的透明性，企业要做的就是充分利用这一平台，彻底改变其保修和质量管理流程。

　　海量数据可供利用：多达数百万条的保修申请，每一条均附有描述车辆故障、诊断代码和受影响零件的表格。制造商还能获得部分市场和车型的交易商数据及联网汽车诊断数据。

　　往常的做法是有组织地对这些数据进行分析，精确定位每个技术问题并区分轻重缓急，以确定某个具体问题是涉及两辆、三辆还是10万辆汽车，或者根本问题是出在设计还是制造上面。然而，制造商并没有采取这种做法。

　　借助新型分析平台，制造商可以提取高清洞察，确定质量解决项目实施的先后顺序，并同供应商和设计部门进行探讨。目前，企业只为符合条件的客户保修，且已成功减少故障检测次数。

　　之所以说这是制造商长期战略的一部分，一个重要原因是这个围绕质量和保固管理创建的分析平台将会不断壮大，最终帮助零件制造商提高产品质量——且该平台会逐步涵盖整个价值链。

　　灵活的数据分析服务和边缘计算

　　只有从小型数据分析项目入手、后期逐步推广，才能充分彰显基于云的数据解决方案的优势，因为这样一来，技术运用正确与否的风险就全部由云供应商承担。对工业企业而言，如果数据分析变成一种订阅服务，那一切就会变得更加简单。

　　对数据分析服务提供商而言，云服务有成百上千种，哪种将会统领市场这一问题仍没有定论。但云服务的特殊之处在于其初期投资很低，只需构建几项内部能力即可。试点成本和概念验证的成本也降到了最低。云服务还有另一优势，那就是如果某项技术的实际运用效果不佳，可以随时终止。如此一来，现有的云供应商就有机会参与到企业开展的小规模、低风险试点项目中来。

　　同时，云分析也存在一些问题，因而不适用于某些情境。一家大型跨国工业企业的海量数据并不是每次都能轻易地打包并发送至数据云，以提取洞见，因为从各处收集而来的用于远程分析的机器数据通常都太过庞大，不是一种有效的实时决策工具。

　　譬如说，不同地点上百台机器的震动或温度数据的传输需要时间，而要获得低延迟可行洞察，要求极高的数据传输速度。又或者利用率99.9%的云分析平台成本太高，企业无法负担。

　　幸运的是，不是所有的企业数据都要上传至中央处理器，如同云计算以及企业融合运营数据网和信息数据网时的做法一样。解决方案是在数据生成设备附近部署更多的分析中心——这一相对较新的概念就是“边缘计算”，意味着数据处理不再总是发生在后台。恰恰相反，企业内会形成一个分布式数据分析格局，这样一来就不会出现要处理的数据过多，而分析中心不够用的情况（见图5.6）。

　　图5.6边缘分析 (10)

　　边缘计算的低传输延迟使其能够做到更加准确和及时。数据分析、软件智能和自动决策均交由小型处理器负责，该处理器能够自主进行机器管理，并且与其他类似设备保持协调一致，共同组成一个数据岛网络。

　　有了边缘计算，旧系统仍然能够物尽其用，自主运行，迅速高效地为决策者提供信息。制造商可以对数据智能进行灵活部署，哪里最需要就部署在哪里：现场网络、边缘设备当中或者是更广的企业范围内。

　　另外，边缘技术还能满足许多客户的愿望，将行业数据限制在企业内部，因为客户担心交由第三方云服务供应商进行分析会泄露敏感数据。

　　在这一方面，数据保密和安全监管也发挥了重要作用。各国制订了不同规则，规定了在哪些情况下数据可以进行跨国或跨企业传输。

　　虽然边缘分析解决方案已经成为大势所趋，但企业还是应当努力实现跨部门数据流动，避免出现谷仓模式。但不可否认，边缘计算这一概念绝对是最有希望获取智能数据洞察的方法之一。

　　实现真正的数字化工厂互联

　　要提高产业物联网的内部运营效率和数据增长，需要将企业现有的传统实体资产和部门——机器、装配线和客服团队或卡车车队——纳入一个统一的数字化组织，通过应用程序接口，保证数据在所有相关环节的无缝流动、智能筛选和智能呈现。

　　工业工程解决方案供应商和机械供应商一直致力于为市场提供这样一个通用的全覆盖式数字媒介。

　　一方面，这些供应商提供边缘计算服务，可对企业所有数据进行广泛分析。另一方面，他们还提供了一个综合平台，帮助工业企业管理其主要运营维度，例如控制能耗、规划机器的最佳停机时间、优化材料处理和供应链等。

　　这几类数字媒介能够逐渐壮大产业物联网的躯干，并最终为其提供主要血管和神经通路。在打破企业内部的谷仓模式、实现数据自由流通这一方面，数字媒介将发挥主要作用，而数据的自由流通是成果经济的必备要素。数字媒介最大的优势或许是能够灵活整合企业现有的硬件和部门，并将新技术投资降到最低。

　　同样，谁会成为这个市场中的佼佼者还要一段时间之后才能见分晓，但大型工业机械制造商的胜算很大。

　　如果企业认为在一个大型行业软件平台上开展数字化变革还为时过早，不妨选择开展独立的数字化项目。

　　某领先轮胎制造商统一全球工厂的数据管理

　　一家领先的全球轮胎制造商拥有10万多台生产机器，其工厂遍布世界各地。多年来，技术团队已经为库存的零部件创建了80多万条代码，这些零部件是用于维持机器的正常运转。该库存的价值达到了上亿欧元。

　　在机器运转过程中为特定维修方案寻找合适的零件——以尽可能减少生产停工时间——是真正的难点所在，给机器保养计划和安排带来了极大挑战。

　　为解决这些问题，制造商启动了两个大型项目。第一阶段中对80多万条零件代码重新编码分类，根据各自的技术特性将其分为近800个类别。这样一来就创建了一套连贯的零部件目录，有14个语言版本，可供70家工厂中的技术人员和库存专家搜索查阅。

　　该企业设立了地区性和全球性的数据管理流程，用以验证新代码的创建。第二个项目期间，企业向所有工厂的15000名员工部署了企业资产管理（Enterprise Asset Management，简称EAM）解决方案，所有信息都可通过EAM获得。

　　EAM方案支持已规划的和未规划的维护流程、零件库存管理和采购、规划安排以及维护分析。

　　分析平台这时会对数百万条高质量的工作指令进行分析，以提供有关零件使用和反复故障的维护洞察。

　　这两个项目的成功实施为企业节省了巨大成本，库存减少了超过10%，机器利用率得到提高（年故障次数至少减少了25000次），能源节约和维护成本年均降低了5000多万欧元。

　　现在，维护团队可以在恰当的时机获得工厂车间的准确信息，助力机器设备的持续改进。

　　无论始于何处，创建路线图以扩大营收

　　这两个项目虽说都是后续推广的试验田，但也应做好准备，随时融入企业的整体战略规划当中。这并不是说企业必须要有一个准确的蓝图或时间表，正如前文所言，这些在当前不断变化且充满变数的格局中既不可能也不可取。这里想说的是，企业要对自身目标有一个明确规划——因为多个试点同时进行时很容易迷失方向。

　　设定目标能帮助企业确定应在哪些领域实行开放性、探索性试点。具体来说，应分别通过改善内部运作流程和推出新型客户服务，确定要对企业内外哪些领域运用分析，从而创造价值。

　　企业应始终坚持双管齐下：一方面，充分利用数据分析，提高传统业务线的运营效率；另一方面，通过交叉销售或追加销售新型数字产品和服务，始终着眼于扩大营收。

　　几乎所有工业企业都有大量的传统数据尚未使用。这是数据策略中另一个非常重要的部分。企业应从现在开始，逐步利用其现有IT系统内部的运营数据。一旦首批试点为企业带来了价值，就可以把外部数据添加进来。随着自身产品变得更加智能、更加连通，企业可以进一步扩充数据规模。

　　显然，这些流程对工业企业而言，要比对纯粹面向消费者的行业复杂得多。一般来说，制定一致的总体客户战略和联网产品策略，同时通过多个试点项目开展试验，是企业实现目标的最佳方法。

　　关键是要同时运行众多不同的小型测试项目，最终实现大一统。企业应在初期阶段的规划图中标明能逐渐融合的“岛屿”，以便形成陆桥连接整块大陆。为此，企业既要关注每座岛屿的内部运作情况，同时也要考虑其最终如何同其他岛屿相互协作。最好从一开始就把握充分的灵活性，以便在一个试点失败时直接摈弃，另寻下一试点。

　　医药企业如何变数据为有价值的见解

　　一家大型的跨国医药巨头充分展示了端到端思维是如何为数据分析增加价值的。

　　过去，该企业对其价值链缺少一个全面的把握。其推出新品的速度很慢，从最初制造到患者交付通常要花两年半的时间，而对这类企业来说，对自身价值链做到了如指掌是至关重要的。

　　该企业的许多流程都是先从收集有效成分开始，可能是50升左右的用量。原料分批次运往世界各地，用于制作不同的产品。这些原料在经过反复测试后，会被稀释到不同的效价强度。接下来会被制成药丸、药膏和液体药品，经过再测试、包装、贴标、宣传、仓储——最终送至医院、药店或患者手中。

　　整个过程十分复杂，要想实时查到某种有效成分在供应链中处于什么位置，单靠一个监控中心几乎是不可能的。

　　因此，企业部署了一个枢纽式的数据分析平台，每一批次的每个流程都集中显示在控制板上，以确保对整个价值链有一个全面的掌握。该方案仅使用日常生成的数据，但同时也连接了多个节点，保证流程链的透明。

　　据估计，该方案可以创造上亿欧元的库存价值，并且只需五个月就可部署完毕。

　　显然，这个医药企业的案例仅是单独一个项目，并非多项目同时运行。但其使得复杂的运营流程变得一览无余，也向各企业展示了在大局建设初期应重点开展的项目。

　　企业要想利用所收集的数据，自然离不开数据科学家的专业知识。当前对这类专家的需求量很大（参见第七章）。有鉴于此，企业的最佳做法是充分利用生态系统，寻找具备这些技能或是运用“即插即用”方案提供服务的合作伙伴。

　　要点回顾

　　（1）数据以及从中获得的运营和业务洞察将成为21世纪工业领域的命脉。

　　（2）所有企业都有大量的传统数据没有利用。对这些数据加以处理，可从五个方面创造可观价值：①客户体验；②产品性能；③员工效率；④运营效率；⑤新产品和新服务组合的优化。

　　（3）企业应从现在开始，逐步利用其现有IT系统内部的运营数据。一旦首批试点为企业带来了价值，就可以把外部数据添加进来。等到企业的产品变得更加智能、更加连通的时候，就可以建立直接联系。

　　（4）为保险起见，应开展针对特定用例的小型分析试点。要尽可能多地开展试点，一旦成功则立即扩展数据平台。

　　（5）构建跨企业分析能力，支持企业内部开展的所有举措。借力数据分析服务提供商，加快分析能力的构建，并以顶线和底线机遇为目标运行试点。

　　* * *

　　(1) 国际数据公司（IDC），《IDC未来世界：2016年全球CIO日程预测》，2015年11月。

　　(2) 埃森哲版权所有，根据：IDC，《IDC未来世界：2016年全球IT业预测——带领数字化转型扩大规模》，2015年11月；https://hbr.org/2016/02/companies-are-reimagining-business-processes-with-algorithms，2017年1月26日获取；IDC，《IDC加速第三平台创新》，2015年3月；IDC，《IDC未来世界：2016年全球CIO日程预测》，2015年11月；http://www.informationweek.com/healthcare/3d-printingbreakthrough-could-change-healthcare/d/d-id/1322856，2017年1月26日；IDC，《IDC未来世界：2016年全球数据中心预测》，2015年11月。

　　(3) 埃森哲版权所有。

　　(4) http://www-01.ibm.com/common/ssi/cgi-bin/ssialias?infotype=PM&subtype=AB&htmlfid=IMC14702USEN，2017年1月20日获取。

　　(5) 埃森哲版权所有。

　　(6) http://www.zf.com/corporate/en_de/products/product_range/commercial_vehicles/zukunftsfaehigkeit/fit_for_the_future.html，2017年1月24日获取。

　　(7) http://www-03.ibm.com/software/businesscasestudies/hr/hr/corp?synkey=M200424F25312E29，2017年1月24日获取。

　　(8) 埃森哲版权所有。

　　(9) 埃森哲版权所有。

　　(10) 埃森哲版权所有。