第一,传统基础设施问题依然存在。制造技术日新月异,数据管理难以跟上工厂车间机器上装备的各种传感器所产生的海量数据。 很多时候,传统基础设施无法应对涌入工厂的大量联网资产。工厂经常通过部署临时流程来连接和管理资产,但无法依赖底层基础设施进行综合管理。 第二,制造业的劳动力存在IT技能缺口。如果说技能娴熟的工人代表着发达经济体制造业的未来,那么缺乏足够的技能则是企业必须解决的一个最严峻的挑战。 而他们必须应对两个方面的挑战:一个是劳动力老龄化,另一个是寻找愿意在车间工作的新技术工人。 第三,部分数据向边缘移动使管理更加复杂。制造商数据的快速增长与其数据网络边缘的物联网设备增多息息相关。边缘设备与总部系统没有连接起来,通过企业网络进行大数据传输既昂贵又缓慢。 第四,制造商需要全面的数据管理软件。由于无法查看其总体的业务状况,制造业客户对数据管理软件工具不满。并且,许多工厂缺少数据管理软件。虚拟化软件对跨部门显示和查找数据支持不足。 制造业的这种状况不是一朝一夕形成的。 麻省理工学院斯隆商学院(MIT Sloan)相关人员表示:“最初的出发点是通过物联网将工业机器连接起来,借助机器对机器通信提升洞察力和自动化。 但是,GE数字集团(GE Digital)数字化产品管理副总裁兼EmTech委员会发言人Matt Wells认为,工厂数据的复杂性和目标不明确,让制造业的初心难以落地。” 寻求全新的数据驱动型业务解决方案 有些制造企业已率先利用预测性数据分析来改善总体绩效。 德国汽车零部件制造商罗伯特·博世有限公司(Robert Bosch GmBH)便是这样一家企业。 博世位于Homburg的力士乐工厂生产卡车和拖拉机的液压阀,他们利用无线通信和射频识别(RFID)标签将工人、机器和零部件联系起来,提高了生产流程的效率。 该工厂的一条装配线可以生产200种不同版本的液压阀,极大地丰富了产出,同时降低了生产成本和电力消耗。 另一家通过简化数据分析来实现业务优势的企业是特斯拉中国,该公司最近开始向欧洲出口中国制造的Model 3电动车。 特斯拉在上海建立的超级工厂率先采用了工业4.0技术,导入最先进的、采用大量机器人的高度自动化生产线,无论在制造工艺还是生产管理方面均具有很高水平,可谓十分先进。 企业和管理者都希望通过拥抱工业4.0来提升中国超级工厂的数字化制造能力,以便制造商能够利用实时数据来连接整个价值链上的产品设计者、“智能”工厂和经销中心。随着Model 3的出口,欧洲也加入了这个供应链。 要想在数字化变革中生存下来,制造商就不得不做出类似博世、特斯拉这样的技术创新。 制造业改善数据管理可以采取下列五项措施: 1. 跨越数据孤岛采集和整合数据,从而充分利用已有的数据。 2. 借助高级数据分析将数据用于新的业务目的。预测性分析可以助力企业发现新业务模式,从而创造未来的收入和利润。 相关报告指出,制造业应该综合利用大数据、自动化和人工智能技术,因为它们“能够彻底改变从初步设计到成功交付的整个制造流程”。