制造業企業大多都在進行數字化轉型，至少都在思考如何做好數字化轉型的工作。許多組織錯失的是以系統的方法來管理組織各個層級和職能的數字化轉型。在這個過程中，考慮將工業物聯網等技術作為數字化轉型的核心組成部分，實現顛覆轉變產品、價值鏈、業務流程以及連接服務交付，已經成為一種趨勢。

　　在整個的數字化轉型工作中，企業的最高管理層包括董事長、總經理都需要花費大量的精力，通過對業務流程以及服務交付／實施來指定數字轉型的戰略目標。所有的業務部門的領軍人物、業務核心主管應該把人、流程與技術進行重新整合，實現卓越運營的框架與機制。在運營架構的設計環節，首席數字官以及IT與OT的領導們就需要掃描所有領先的技術，特別是工業物聯網與大數據等相關技術，從而得以實現IT－OT的融合。

　　有了運營架構，就可以在相關專家引領下選擇合適的商業案例，定義短期以及長期的投資化實施計劃以及展開成本架構與投資回報的分析，畢竟轉型是將一切圍繞著企業更高的效益作為核心出發點。而針對商業案例所選擇的解決方案則是最終落地的工具與技能，在整個數字化轉型的工作鏈里面處于最末端的位置。最后一步就是PDCA，把每個環節的價值結果輸出作為輸入到上面一個層級，形成了一個完整的回路。

　　戰略需要有顛覆性與可執行性

　　從頂層設計角度來看，現今的制造型企業需要花大力氣在類似IIoT等這些新技術如何能夠顛覆轉變產品、價值鏈、業務流程以及連接服務交付上。智能制造是長期的工作，在戰略層面，企業應做出5年、10年、甚至20年的相對應的計劃。而這些轉型愿景都建立在企業具有競爭優勢、服務交付不斷變化的屬性以及工業4.0、智能制造或智能連接資產等現有模式上。

　　卓越運營需要精益及創業精神

　　從目前全球領先的企業和成功的大數據案例來看，針對應用大數據的分析阻力基本體現在技術、人力與流程方面。而人員、流程和技術恰恰是卓越運營各項舉措的基礎，這些通常由組織內業務領導掌管。各個大公司如今已經開發了成熟的模式來幫助人員、流程和技術功能設定目標和發展計劃，以及度量程序來評估運營各個方面的性能。投資任何的先進技術，無論是為了提高預測，增加消費服務，減少成本，降低風險，提高透明管理等等，都是圍繞著提高經營業績這個核心目的。

　　而企業往往會在某個時間段，有偏向性地關注或投入這三大類中的一種， 例如只投入技術和工具，而忽略或滯后了人力以及流程其他兩種，很容易出現缺乏完整和平衡性的設計，這是非常不明智的。大多數世界級的制造型企業都有某種形式的并且有十多年歷史的卓越運營措施和最佳實踐。這些措施／實踐一般都包含了企業多種管理系統和持續改進的能力，比如精益和六西格瑪。再進一步說，制造公司需要繼續發展卓越運營措施，不僅成為公司持續改進的發動機，還要同時成為創新的動力。這也往往意味著，當對待那些有著提供遠遠多于大部分持續改進措施能帶來的1%~2%收益的實驗項目時，要有“經常失敗、快速失敗”的精益、創業精神。

　　運營架構需要建立CDO+IT+OT的超級團隊

　　IT組織已經采用了傳統企業架構，而這種企業架構往往專注于建立穩健的程序與技術來發展企業應用格局、支持IT堆棧。通用的運營技術包括了自動化、企業工程和/或先進制造，分別擁有工廠級技術的技術架構。隨著工業物聯網的出現，制造型企業建議采取將正式、精確的企業架構流程應用于整個IT-OT堆棧的運營架構方法。為了實現此目的，企業需要創立一支超級團隊，盡早在企業內建立合作文化和機制。建立超級跨職能團隊，專注于數據體驗的開發，通過建立聆聽平臺，嘗試著與之前沒有交集的團隊進行合作。

　　首席數字官(CDO)的出現，這種新型協作的成功便成為這位數字官章程的重要組成部分。企業比任何時候都需要一個數字領導來帶領公司實現企業的商業目標。這個領導和團隊要能理解營銷和科技融合的真正含義，要能夠傳達融合的益處，要能理解數據的真正價值在于它告訴我們消費者想要什么，最重要的是消費者在做什么。首席數據官的工作重點要使用數字技術，將公司內部散亂的數據業務和資產歸整起來并協調組織，填補傳統媒體和數字媒體之間的差距，設計更好的媒體策略。

　　商業案例需要與戰略全面結合

　　在我所接觸到的各種制造業企業里，公司由于受到傳統組織架構與管理體制的局限，一般的初步試驗性案例很少與廣泛的戰略目標、卓越運營和運營架構聯系在一起，很少有把既了解流程也了解技術的資深主題專家融合在一起、共同選擇并設計的商業案例。

　　當然，要找到這些專家本身有一定難度，專家同時要懂得IT和OT是很難的。我們可以選擇那些有偏重性但更有融合與創新思維的專家組建團隊，他們應是特定業務功能內的領導者或是支持組織的技術研究員。盡管這些數字化轉型的其他領域在商業案例開始前不需要被完善，但它們彼此相互連接。僅就這一點而論，工業公司不將技術投資看作一次性的商業案例而是將其看作符合運營架構目標、依靠越來越成熟的卓越運營以及支持長期戰略目標的商業案例過程，也是非常重要的。

　　選擇解決方案需要做好協同工作規劃

　　在落地數字化轉型的過程中，我們的企業通常的做法往往是先選擇解決方案，然后由解決方案推動框架中所有的其余部分。這種做法是延續多年經驗后的一種最佳實踐，好的一面是我們可以通過某一個方案來快速建立標桿，類似于Quick-win，然后對管理層以及其他部門起到示范效應。不好的是，在封閉狀態下選擇解決方案成功概率很低。

　　創新的變革目標是確保標準方法和過程可以得到使用。但是，我們從《易經》的道理當中發現：變的結果，有80%是不好的；只有20%堪稱變得良好。我們常說“人生不如意，十之八九”。所以，即便試點成功，未來的推廣與變更管理也會是難以逾越的挑戰。

　　這里我提倡我們需要有創新的思維，特別需要考慮將各項活動與落地工作置于更廣泛的措施之內，協同工作非常重要。為取得全面的持久成功，不可以操之過急，需要花點時間，建立量化、有效的解決方案選擇程序來消除偏見，還需要建立包含IT、OT以及跨職能業務領導等所有組織相關部分的團隊。

　　運營架構需要跳出傳統應用實現擴展新模型

　　轉向新的運營架構模型時，制造型企業急需轉向擴展的企業架構范疇。這種擴展的范疇應主要用來對“物”、供應商、內部運營、客戶和產品等整個價值鏈的應用程序進行管理與優勢分析。同時它也應該擴展包括云/內部部署和時間系列/結構/非結構化數據類型在內的應用和分析環境。整個的擴展架構是通過工業物聯網平臺把運維、供應商、客戶與產品全面地連接，依托云計算、數據模型，結合數據湖等數據與應用的分析平臺與工具，最終實現整個價值鏈上對“物”的管理，從而優化企業應用與協同。

　　當構建這一架構的時候，我們應該跳出傳統制造業的應用，類似于MES、ERP、PLM和CRM等傳統應用，而要更加專注于企業需要的特定功能。通過特定功能將分析、規劃與執行中所有的特定元素由高層體系架構傳遞并映射到公司系統/管理系統/價值鏈系統。比如，組織的第二層級結構性數據分析的運營架構和應用程序將在很大程度上映射企業應用的傳統范疇。

　　企業在數字化轉型中，不僅僅需要管理平臺、安全性以及控制系統，更需要與新一代IIoT協議與門戶的數據流的自動化基礎設施的融合。我們在落地中國智能制造的又一重要挑戰在于，目前的制造型企業大量缺乏對運營過程中的設備和資產進行優勢分析，并且與企業應用一起用傳統方式進行管理的運營架構。許多制造型企業擔心轉向IIoT技術會涉及到轉向使用專有云和門戶。然而，對于大多數公司，在不久的將來IIoT會是一種可控的混合模型，屆時信息仍以傳統的方式流動，也在這些新的淡化的層次結構內流動。這不僅意味著企業將需要設備、門戶、內部部署和云之間協調的數據和連接模型，也意味著工廠車間一如既往地需要經濟有效的、冗余的容錯連接、計算和支持轉向IIoT的存儲環境。最終個人與運營的特定元素將被整合在一起。

　　制造運營管理的未來是集成與協作平臺

　　在大數據的概念面世前，很多的制造業企業已經在做全方位的分析，包括描述性分析、診斷性分析、預測性分析和規范性分析，而且很多企業都已經做得相當成熟，也產生了不錯的效益。傳統意義上來說，這些分析一直專注于分析結構性數據和時間序列數據以處理行業內的關鍵驅動因素：質量、生產、資產、交付、創新等等。

　　從數據結構來看，工業數據傳統上都是相對較好的以時間序列存儲的結構性過程數據，或是以結構性數據存儲于企業應用程序的交易數據。從工業大數據概念來看，我們現在必須面對如何處理大量且高速率的數據。隨著工業物聯網的應用與廣泛采納，數據開始包羅萬象，其中可能包括以圖像、視頻、光譜，熱度，聲音等非結構性數據。所有這些數據類型并涌而來，基本可以采取相對通用的IT分析定義，并將其應用于產業空間。

　　隨著大數據的解決方案不斷顯現，新的分析法同樣如雨后春筍般出現，特別是在預測性與規范性分析方面。機器學習是這些新的大數據分析的通例之一。盡管開發這些工具的初衷是分析大數據，它們也能用于任何數據集。這些新的分析通常都專注于數據，而傳統的工具則具有模型與流程特定性，這給縮小使用大數據分析的數據科學家和使用傳統的基于模型的分析的工程師之間的差距帶來了一些挑戰。

　　新一代規范性分析實質上已經不只是選擇下一步該做什么以及優化運營和實現創新。我們將在實際的功能改進中檢驗這些工具，從而檢驗工業物聯網下大數據如何加速從對它們的利用中獲取價值。