《浙江大學&鼎捷數智：2024企業數智驅動白皮書（30頁）.pdf》由會員分享，可在線閱讀，更多相關《浙江大學&鼎捷數智：2024企業數智驅動白皮書（30頁）.pdf（30頁珍藏版）》請在三個皮匠報告上搜索。

1、企業數智驅動白皮書聯合出品浙江大學數據分析和管理國際研究中心鼎捷數智股份有限公司ENTERPRISEDIGITAL INTELLIGENCE DRIVENDW-H-1102401摘要在當今時代，“數據”和“智能”已成為推動企業和社會進步的關鍵，不僅是企業的新生產要素，更是社會創新的重要動力。伴隨領軍企業對數字化轉型的實踐探索，“數智驅動”概念逐漸興起并受到廣泛討論。面對多樣化的解讀和實踐需求，本白皮書提出了以“數據自決”和“智能生成”為核心的數智驅動概念：“數據自決”指依托知識圖譜，由數據自主推動企業執行運營管理任務；而“智能生成”在更復雜場景下，借助生成式 AI 和未來的通用人工智能，幫助企

2、業自主生成解決方案，并協助快速制定關鍵戰略。本白皮書將企業數智化運營的發展分為五個階段，展示了企業從“人的驅動”到“數智驅動”逐步實現 SUPA 循環（感知-Sensing、理解-Understanding、規劃-Planning、行動-Action）各環節的數智水平提升。在Level 0的“人的驅動”階段，企業主要依賴人的經驗智慧進行數據的收集、理解、決策與執行；在Level 1“流程驅動”階段，通過管理信息系統實現更自動的數字化流程驅動企業運營；Level 2“模型驅動”階段，企業借助數學模型和運籌優化算法提升 SUPA 中規劃環節的智能化水平；Level 3“數據驅動”階段，企業利用大數

3、據和弱人工智能增強 SUPA 在理解與規劃方面的深度。最終，企業進入 Level 4“數智驅動”階段，以數據自決與智能生成全面升級 SUPA 循環，實現數智技術主導的企業運營管理。本白皮書將數智驅動型企業稱為 DART（飛鏢）企業，具備四大核心適應能力：動態（Dynamic）、敏捷（Agile）、韌性（Resilient）和轉型（Transformed）。在數智驅動的加持下，DART 企業能夠更高效地捕捉市場機遇，增強自適應性，并在數智化浪潮中持續創新、高效增長。本白皮書進一步提出數智驅動具備的六大關鍵特質：實時感知、快速響應、預先響應、高速迭代、自我進化和自決自動，這些特質幫助 DART 企

4、業在瞬息萬變的市場環境中始終占據競爭優勢。在企業發展的關鍵時刻，企業面臨的挑戰往往超出技術“升級”的范疇，而是需要從 SUPA 視角實現跨越階段的“換代”以數智為核心，重塑業務和管理模式，猶如從“鋼鐵俠”到“變形金剛”的質變轉型。企業數智驅動白皮書02摘要 一、數智驅動眾說紛紜.二、數智驅動的六大關鍵特質.三、無處不在的 SUPA.四、數智驅動定義及與 SUPA 的關系 五、Level 0：人的驅動 Human Driven 六、Level 1：流程驅動 Process Driven 七、Level 2：模型驅動 Model Driven.八、Level 3：數據驅動 Data Driven

5、九、Level 4：數智驅動 Digital-intelligence Driven.數據自決與智能生成的雙系統運營十、數智驅動的 DART 企業.十一、數智驅動思維引領企業變革.十二、當今企業數智轉型的關鍵決策：升級 vs 換代 總編輯 編寫組 010305070911131518202426272828 目錄企業數智驅動白皮書當今時代，“數據”和“智能”已成為推動企業和社會進步的關鍵詞，逐漸成為新生產要素和創新動力。領軍企業積極推動數字化轉型，以“數智化”和“數智驅動”為核心的概念迅速成為業界的熱議話題。然而，圍繞數智驅動的定義和實現路徑，業界與學界仍然存在多種理解。在業界，企業根據自身核

6、心業務、技術能力和戰略需求，對數智驅動賦予不同的內涵。用友提出“企業數智化1-2-3”模型，強調數字與智能的協同，突出“連接、驅動、運營”在數智化的不同發展階段中的核心作用；阿里巴巴推出的“全鏈路數智化轉型五部曲”，注重從基礎設施云化到決策智能化的全流程數智轉型，包含基礎設施升級、業務在線化、數據驅動與智能決策等多層面，著眼于業務流轉的全鏈路實現；騰訊聚焦于“產業互聯網”一、數智驅動眾說紛紜03圖 一-1 管理決策范式向大數據驅動決策范式轉變企業數智驅動白皮書戰略，通過數據整合與生態共建來推動行業智能化應用，重視行業間的數據共享和技術協同；微軟與SAP等公司則更加注重數智驅動在智能管理平臺的建

7、設，通過大數據分析與AI技術實現從數據到智能的管理變革，賦能企業在不同場景下的精準決策。學界對數智驅動的理解偏向于技術與管理的深度融合，關注其如何通過數據和智能技術增強企業的決策與適應能力。一些研究強調數據收集、存儲和分析在數智驅動中的重要性，認為數據的深度挖掘與知識圖譜等技術的發展帶來重要變革；另一些則著眼于業務流程管理的創新，如實時數據監控和智能流程自動化在企業決策中的優化作用。陳國青等人提出了大數據驅動決策范式，他們認為企業的決策過程在信息情境、決策主體、理念假設、方法流程等多個決策要素上正在發生著深刻的變革。環境傳統管理決策范式線性管理決策系統輔助人決策經典假設領域信息單領域信息方案執

8、行提出問題制定方案選擇方案評估方案非線性管理決策人與系統協同決策寬假設跨域信息大數據環境大數據管理決策范式提出問題制定方案選擇方案評估方案領域信息1領域信息2領域信息304我們將業界和學界對于數智驅動的不同觀點進行了整理，并歸納如下表：觀點來源觀點概要強調的層面“企業數智化1-2-3”模型，分為云化連接、數據驅動和智能運營三個階段“全鏈路數智化轉型五部曲”，包括基礎設施云化、觸點數字化、業務在線化、運營數據化和決策智能化“產業互聯網”戰略，通過數字生態共建推動行業數智化“數據驅動的智能化轉型”，依托Azure平臺實現從數據到智能的升級“智慧企業”理念，通過數據和智能技術改變運營方式以數據為核心

9、，通過AI推動業務智能化數智驅動通過智能系統輔助企業優化運作效率人工智能技術對數據進行深度挖掘，提升決策能力數據分析驅動的實時決策信息數字智能在推動數字創意和數字化轉型中的作用“兩橫三縱”模型，強調線上化與智能化的特征大數據驅動決策，強調信息情境、決策主體、理念假設和方法流程的變革數字化與智能化協同數據融合與智能化數字生態建設與行業智能化數據管理與智能化應用集成業務流程與智能化數據與AI結合數據的收集、存儲、分析數字技術的應用數據驅動數字智能與創新線上化、智能化模型驅動與數據驅動的融合表 一-1 數智驅動的多樣定義與理解觀點總結對比企業數智驅動白皮書 用友BIP.王文京：企業數智化 1-2-3

10、，加速企業數智化進程EB/OL.(2023-11-27)2024-10-08.https:/ News Center.Satya Nadella email to employees:Embracing our future:Intelligent Cloud and Intelligent EdgeEB/OL.(2018-03-29)2024-10-08.https:/ Gibson.SAP Unveils its Vision for the Intelligent EnterpriseEB/OL.(2021-06-03)2024-10-08.https:/ Data and AI Tre

11、nds 2024R.(無日期)2024-10-08.https:/data-ai- M N O,Musa S M.Digital Intelligence.In:A Primer on Multiple IntelligencesM.Cham:Springer,2021.DOI:10.1007/978-3-030-77584-1_13.Wu M,Kozanoglu D C,Min C,et al.Unraveling the capabilities that enable digital transformation:A data-driven methodology and the cas

12、e of artificial intelligenceJ.Advanced Engineering Informatics,2021,50:101368.Said A,Khan D.Intelligence Solutions:Driving Decision-making through Data AnalyticsEB/OL.(2023-05-25)2024-09-11.https:/doi.org/10.31219/osf.io/udev5.Boughzala I,Garmaki M,Tantan O C.Understanding how Digital Intelligence C

13、ontributes to Digital Creativity and Digital Transformation:A Systematic Literature ReviewC/HICSS.2020:1-10.程慧，張藝溶.數智供應鏈：打造產業數字化新引擎M.北京：人民郵電出版社有限公司，2023.陳國青,曾大軍,衛強,等.大數據環境下的決策范式轉變與使能創新J.管理世界,2020,36(2):95-105.陳國青,任明,衛強,等.數智賦能：信息系統研究的新躍遷J.管理世界,2022,38(01):180-196.DOI:10.19744/ki.11-1235/f.2022.0011.用

14、友 阿里巴巴 騰訊 微軟 SAP 谷歌 Sadiku等人（2021）Wu等人（2021）Said&Khan（2023）Boughzala等人（2020）程慧等人（2023）陳國青等人（2020、2022）05二、數智驅動的六大關鍵特質圖 二-1 數智驅動六大關鍵特質總結來看，盡管業界和學界從不同角度探討數智驅動，大多數觀點主要集中在“數字化+智能化”的協同應用及“數據驅動”的實現。然而，這些討論大多停留在技術和理論層面，缺乏對“數智驅動”與業務深度融合的實際落地指導。企業在數智化轉型中更迫切需要明確“數智”如何驅動業務生效，提升運營效率和創新能力?；诖?，本白皮書對“數智驅動”的理解聚焦于數智

15、驅動不僅是技術的集合，更是一種能夠在復雜環境中實現企業高效運營與創新的動態驅動力。它具有六大關鍵特質：實時感知、快速響應、預先響應、高速迭代、自我進化和自決自動，這些特質構成了企業適應市場變化、提升競爭力的核心能力。企業數智驅動白皮書“數”（數據與信息）和“智”（智能技術）在復雜動態環境中與業務的深度融合，以形成自適應、高效的企業運營模式。數智驅動不僅體現在基礎設施與技術應用上，更對企業管理、流程和資源配置提出了新的要求。為此，本白皮書將致力于深入解析數智驅動在企業中的實際應用，系統性地定義數智驅動的特質，并結合企業實踐案例對其演進歷程進行詳細剖析。自決自動Self-DeterminedAut

16、omation自我進化Self-Evolution高速迭代Rapid Iteration實時感知Real-timePerception快速響應Quick Response預先響應Proactive Response數智驅動關鍵特質06(一)實時感知實時感知（Real-Time Perception）是數智驅動的基礎特質，使企業能夠即時捕捉市場動態、客戶需求、供應鏈狀態等重要信息。通過萬物互聯（Internet of Things,IoT）網絡，企業各要素如生產線、供應鏈、客戶等得以高度互聯，數據如血液般流動于企業組織中。這種高效的信息流動不僅提升了企業對外部環境的敏銳性，還增強了內部流程的同步

17、性，使企業在動態市場中更具適應力。(二)快速響應快速響應（Quick Response）指企業在面對市場變化和客戶需求時，能夠迅速采取行動和調整策略的能力。它依靠消息觸發、彈性和回彈性來實現：實時捕捉市場動態消息并啟動響應流程，彈性調整資源以應對需求波動，并在突發事件中迅速恢復運營。(三)預先響應預先響應（Proactive Response）指企業在潛在問題、市場變化或客戶需求出現之前，主動采取措 施 進 行 預 測 和 預 防。與 傳 統 的“被動 響 應（Reactive）”不同，預先響應強調企業通過趨勢分析、需求預測和風險識別，在需求未明確之前就調整產品、服務或策略，以抓住新機會或避免

18、挑戰。例如，家樂福通過智能庫存管理系統實時追蹤商品動態并分析歷史數據，預測庫存需求，避免庫存不足或過剩。此系統優化了庫存結構和運營效率，幫助家樂福在動態市場中保持競爭力。(四)高速迭代高速迭代（Rapid Iteration）是一種高效策略，通過緊湊的循環周期與持續優化流程，企業能夠迅企業數智驅動白皮書速試驗、獲取反饋并提升產品或服務。例如，FILA通過多渠道收集用戶反饋，來快速優化產品線和調整市場策略，在快速變化的市場環境中保持競爭力，提升了客戶體驗和市場適應力。(五)自我進化自我進化（Self-Evolution）指企業能夠實時監測市場變化，自動調整決策和運營策略，使響應更加精準。這一自動

19、化特性提升了企業競爭力，確保企業在動態環境中保持領先地位。例如，阿里巴巴依托其電商平臺和支付系統匯聚海量數據，借助AI自我學習技術優化推薦算法和供應鏈管理，更加精準地滿足客戶需求。(六)自決自動自決自動（Self-Determined Automation）指企業的AI系統在極少人力干預下自主完成學習、推理、決策和任務執行?；谥R庫、算法邏輯、行為規則和AI技術等，適應復雜環境并自我優化，滿足新的需求與挑戰。自決自動支持自動生成業務流程、個性化推薦和客戶溝通內容，減少人工干預的同時提升客戶體驗。例如，馭勢科技在香港國際機場的無人駕駛項目中實現了高度自主的運營決策，無需人類干預，車輛自主感知、

20、判斷行駛路徑，持續提升運營效果。數智驅動的六大特質體現了實時性、靈活性和自動化的優勢，幫助企業及時響應市場變化并優化運營效率。這些特質不僅構成了數智驅動的核心能力，也為企業全面落地數智驅動提供了方向。07三、無處不在的SUPA圖 三-1 賽博-實體系統（CPS）技術體系架構（來源：CPS：新一代工業智能）事實上，這種模式在現代企業運營中的廣泛適用性，正是SUPA模型的核心所在。SUPA通過感知、理解、規劃和執行四個環節的循環邏輯，幫助企業在復雜的環境中靈活應對，并持續優化運營策略。那么，什么是SUPA模型？它又如何在企業運營管理中發揮至關重要的作用呢？彈性化的自重構能力 可變化的自調節能力 多

21、維協同的自優化能力 一體化模擬與綜合分析 人在回路的進程交互 評估、預測與決策支持的協同 裝備“部件級-系統級”實體的網絡綜合模型 基于Time-machine的變化特征識別與提取 基于數據相似性挖掘的聚類分析 裝備健康的智能評估 裝備狀態的綜合分析 多維度的數據關聯 衰退與性能的變化趨勢分析與預測 智能傳感網絡 非接觸式采集與傳輸交互 敏捷、高效、即插即用智能配置與執行層智能認知層智能網絡層智能分析層智能連接層在數字經濟的推動下，企業的運營模式正在經歷根本性變革。數智技術不再僅是企業的輔助工具，而是驅動業務發展的核心力量。依靠數據和智能技術，企業能夠迅速捕捉市場動態、洞察客戶需求，并通過及時

22、響應外部變化和內部需求，實現更為智能和敏捷的業務運作。在這樣的環境中，企業運營需要一種系統化的決策邏輯，將信息收集、分析、決策與執行環節形成閉環，從而在動態環境中實現高效、精準的運營。這種循環思維模式不僅在企業運營中具有重要意義，在日常生活中也有廣泛應用。例如，人們在天氣預報的指導下決定是否攜帶雨傘的過程就體現了這種邏輯：首先，人們通過電視、手機等獲取天氣預報信息（信息收集），然后判斷降雨可能性（分析和理解），據此決定帶上雨傘（決策），并最終在出門時將決定付諸實踐（執行）。這一過程幫助人們在不確定環境中迅速調整計劃，避免風險。這種邏輯在各個領域均有體現，例如OODA模型（Observe觀察、O

23、rient定向、Decide決策、Act行動）在軍事和管理中幫助應對復雜情況，賽博-實體系統（CPS）在智能制造中幫助實現柔性和高效生產。無論是日常生活、軍事決策，還是智能制造的高效管理，數智驅動的本質均在于建立這樣一套循環管理流程。企業數智驅動白皮書08圖 三-2 SUPA模型SUPA模型是企業數智化運營的基礎框架，其通過四個環節感知（Sensing）、理解（Understanding）、規劃（Planning）和執行（Action）為企業在復雜動態環境中的有效運營提供了系統化路徑。SUPA模型的每一環節均代表了企業數智化水平的不同能力，它們相互銜接，構成企業從數據獲取到執行落地的閉環。(一

24、)感知（Sensing）在感知環節，企業通過多種渠道收集市場、客戶和內部運營數據，以獲取對外部環境和自身運營的實時洞察。這一環節不僅依賴于傳感器和物聯網技術對實時數據的采集，還包括來自管理信息系統的數據、市場趨勢分析、客戶反饋收集和供應鏈動態監控等多維信息的整合。與傳統的外部觀測方式不同，SUPA的感知環節幫助企業在多個層面上獲得對市場和內部環境的全面認知，為后續決策提供豐富的數據基礎。(二)理解（Understanding）理解環節是SUPA模型的核心，旨在對數據進行深入分析和解讀。通過數據清洗、整合和轉換，企業能夠從數據中提取出有價值的洞察。借助數據挖掘、機器學習和智能算法等，企業能夠識別

25、出數據背后的模式和因果關系，深入了解業務動態、市場趨勢、客戶需求和內部運營狀況。這一過程不僅支持驅動企業即時響應運營管理任務，還為制定戰略提供了科學依據。(三)規劃（Planning）在規劃環節，企業根據理解階段的分析結果制定業務策略和行動計劃。SUPA的規劃環節強調前瞻性和戰略性，確保企業決策既具操作性又具有長期的戰略意義。通過智能系統，企業能夠優化資源配置，規避潛在風險，并設定明確的業務目標。規劃環節涵蓋短期的決策執行方案和長期的資源優化策略，幫助企業在不斷變化的市場中保持靈活性和競爭力。(四)執行（Action）執行是SUPA模型的最終環節，通過將規劃付諸實踐，實現企業的業務目標。在這一

26、階段，企業不僅注重具體方案的落實，還確保執行過程中的資源優化和靈活調整。SUPA模型的執行環節包括組織變革、戰略優化和持續反饋機制，使企業在執行過程中能夠動態調整，以確保整體運營的有效性和連續性。通過反饋機制，企業能夠不斷評估行動效果并進行優化，形成真正的閉環管理。SUPA模型的四個環節構成了數智化企業運營的核心體系，幫助企業在動態環境中靈活應對市場變化，實現業務的高效運轉和持續優化。企業數智驅動白皮書Action行動Understanding數據理解與分析Planning制定決策計劃Sensing信息與數據收集SUAP四、數智驅動定義及與SUPA的關系圖 四-1 企業數智化運營的五個發展階段

27、09企業數智驅動白皮書數智驅動（Digital-Intelligence Driven）不僅是多種技術的集成應用，更是企業在數智化環境下實現自我優化與持續創新的核心運營模式。其最終目標是通過“數據自決”和“智能生成”實現企業的高效運作與智能決策，這兩個特征分別代表了數智驅動的自主性和創造性。數據自決指企業能夠自動收集和解讀實時數據，快速做出響應，而無需人為干預。這使得企業在業務運行中可實現對數據的自主處理與決策，自動推進任務執行，確保及時和準確的業務響應。智能生成是在更復雜的業務場景中，企業利用生成式人工智能甚至通用人工智能，實現決策規劃和執行的自動化與智能化。智能生成不僅幫助企業高效地處理復

28、雜任務，更賦予系統創新性，能夠在未知情境下提出解決方案或創造內容，從而推動企業實現智能化管理的新高度。本白皮書認為，以“數據自決”和“智能生成”為核心的數智驅動代表了企業數智化運營的最高形態。然而，企業在達到這一高級形態之前，需要經歷多階段的數智水平逐步提升。我們將企業數智化運營分為五個發展階段（Level 0 至 Level 4），每一階段的 SUPA 環節在數智支持下逐步強化，推動企業實現深度變革。依賴于人的智慧和經驗進行數據收集、處理分析與決策執行引入管理信息系統實現流程標準化和自動化使用數學模型和運籌方法優化決策整合大數據和弱人工智能以知識圖譜和生成式AI 為代表的全面的 AI集成和自

29、動化Level 0人的驅動Level 1流程驅動Level 3數據驅動Level 4數智驅動Level 2模型驅動10企業數智驅動白皮書Level 0：人的驅動（Human Driven）Level 0 是企業數智化運營的初始階段，企業主要依賴人的智慧和經驗完成數據的收集、分析和決策。SUPA循環中的感知和理解環節能力有限，規劃和執行依賴于人的判斷和經驗，缺乏系統化的數據支持。此階段企業的數智化水平較低，運營效率和決策速度完全依賴于人員能力，難以應對復雜的市場環境。Level 1：流程驅動（Process Driven）Level1 流程驅動階段，企業通過管理信息系統（MIS）實現了流程的標準

30、化、系統化和部分自動化。感知環節通過系統流程進行數據收集，理解環節依賴規則化的數據處理，行動環節變得更加規范。盡管智能化程度有限，但系統化的數據管理和流程優化有效提升了基礎運營效率和響應能力。Level 2：模型驅動（Model Driven）在 Level2 的模型驅動階段，企業通過數學模型和運籌優化算法，提升了規劃環節的決策質量。此階段的核心是通過模型驅動的方式為業務場景提供精準的優化策略，使得規劃環節更加科學和高效。企業借助模型驅動實現資源優化與業務提升，為復雜業務決策提供了科學支撐。Level 3：數據驅動（Data Driven）在 Level3 的數據驅動階段，企業結合大數據與弱人

31、工智能（Weak AI），推動 SUPA 循環的各個環節向智能化邁進。感知環節可以實時處理海量數據，理解環節通過 AI 挖掘業務邏輯和模式，規劃環節基于數據預測未來趨勢并調整策略，行動環節更加靈活和高效。數據驅動極大地增強了企業的市場適應性與決策敏捷性。Level 4：數智驅動（Digital-Intelligence Driven）Level4 代表企業數智化運營的最高形態。AI全面滲透 SUPA 模型的每個環節，實現系統級的智能協同。感知環節通過 AI 實時監控數據變化，理解環節依托深度學習從數據中洞察模式，規劃環節自動生成并動態調整策略，行動環節實現完全自動化和智能化。通過數據自決與智能

32、生成的全面應用，企業在這一階段實現了組織管理的全面數智化轉型，運營管理能力達到了完全自主優化的狀態。企業數智化運營的五個階段展示了企業如何通過 SUPA 各環節的數智水平提升，逐步構建起應對復雜環境的自我優化和智能決策能力，最終實現以“強數據、強智能”為特點的智能化管理運營，幫助企業在競爭中實現從“人工主導”到“智能協同”的根本性變革。在接下來的內容中，本白皮書將探討企業數智化運營的五個階段，即從“人的驅動”到“數智驅動”的演變歷程，并通過簡要分析每個階段的特征、應用場景及典型案例，展示企業數智化運營在不同發展階段中 SUPA 模型的應用及其核心特征。圖 五-1“人的驅動”階段的SUPA特征1

33、1五、Level 0：人的驅動 Human Driven在“人的驅動”階段，數智技術尚未深入應用，企業運營高度依賴于個人的智慧和經驗。SUPA循環的四個環節（感知、理解、規劃、執行）主要依靠人的直覺和主觀判斷來實現。此階段的數據應用未形成系統化，數據的收集、分析和決策多由員工基于經驗與觀察完成。因而，這一階段的“數”與“智”主要體現在人力的決策能力上，強調個體智慧在適應市場變化、解決復雜問題中的關鍵作用。企業的關鍵人員在此模式下扮演重要角色，他們通過直覺和經驗做出業務判斷，以快速應對市場需求。這一階段的SUPA各環節特征如下：“人的驅動”階段具備較強的靈活性和應對能力。個體的智慧和直覺可以快速

34、適應市場變化，激發創新，尤其在復雜和信息不完備的環境中，個人的應變能力尤為重要。然而，個人能力的局限性也帶來了潛在挑戰，例如，主觀偏見、工作負荷及有限的經驗均可能對決策質量產生負面影響。此外，對關鍵人員的依賴導致決策過程缺乏一致性和持續性。接下來，我們通過一個案例來更好地理解本階段的特征及優缺點。信息的獲取主要依賴于人的觀察和市場判斷。員工通過經驗與直覺感知市場需求、供應鏈動態等因素，這種非系統化的數據收集方式雖然靈活，但存在主觀性和不確定性。決策與計劃的制定高度依賴于關鍵人員的直覺和經驗。管理層根據市場需求和資源狀況制定業務計劃,但計劃的穩定性和連續性受到個體判斷的限制?！叭说尿寗印彪A段的S

35、UPA特征執行(Action)決策計劃(Planning)感知(Sensing)理解(Understanding)任務的執行依靠員工的溝通與協調。缺少系統性工具支持,信息的傳遞與行動調整主要依靠人際互動,影響效率和一致性。員工對數據進行初步分析,結合經驗做出判斷。由于缺乏系統化的數據工具,分析多基于主觀理解,信息的準確性較為不穩定。企業數智驅動白皮書圖 五-2 A企業的生產調度會流程12“人的驅動”案例：A企業的應急決策機制A企業是一家專注大型電力設備生產的離散型制造企業，面臨著復雜的精細化生產挑戰：企業產品結構復雜，生產周期長，涵蓋機加工、部件裝配和總裝配等多個環節，通常周期超過50天。為匹

36、配市場需求和內部生產能力，A企業建立了一套生產計劃體系，依賴經驗豐富的管理者分析訂單需求、庫存狀況、設備產能等數據，制定出總生產計劃及詳細的子計劃（總裝、部裝、機加及采購），以確保任務分配的合理性。這種管理方式在應對突發問題時有一定效果，但由于信息傳遞的不一致、各部門立場不同，會議主持人信息不充分以及個人能力差異，可能導致資源分配不均（會哭的孩子有奶吃），決策依賴個人經驗和主觀判斷，影響了整體效率。A企業的管理模式被形象地描述為：“數據滿天飛，報表一大堆，一家管理層迅速調整生產計劃，設定優先級。例如，若 1 號訂單優先級最高，立即調整 3 號訂單的物科保障 1 號訂單及時完成，同時緊急采購 3

37、 號訂單所需物料。為了保障 1 號訂單的按時完成，安排裝配車間加班并推遲其他非關鍵任務。針對匯報的問題，進行深入 分析，找出問題 根 源，討論解決方案，并協調資源。此時的判斷主要依賴部門負責人的經驗與直覺。各部門根據調整后的計劃重新安排工作，管理層通過反饋機制監控執行進度，確保問題得到解決。各部門匯報生產情況(Sensing)問題分析與討論(Understanding)生產調度安排(Planning)指令下達與執行(Action)在實際操作中，A企業的計劃體系常常遇到原材料延遲、設備故障、生產任務延誤等意外狀況，加之客戶可能提出的臨時變更或緊急訂單，進一步增加了生產過程的不確定性。這些意外因素

38、導致計劃推進受阻，甚至引發訂單延期交貨，影響企業的經濟效益與市場聲譽。為應對這些突發情況，A企業實施了一套以“生產調度會”為核心的應急決策機制，通過各部門的協調和人力決策來維持生產流程。以下是A企業的生產調度會流程：一個數，責任相推諉，決策無依據，老總難指揮”。而最后決策者往往是：“拍腦袋決策、拍胸脯擔保、拍大腿后悔、拍屁股走人”。這反映出“人的驅動”模式在面對現代企業日益復雜的運營需求時的局限性，顯示出企業向流程化、數據化和智能化轉型的迫切性。各職能部門每周匯報生產情況，特別是未按時完成的任務及生產過程中遇到的問題，以獲取全面的生產信息。企業數智驅動白皮書13企業數智驅動白皮書圖 六-1“流

39、程驅動”階段的SUPA特征六、Level 1：流程驅動 Process Driven在Le ve l1階段，企 業引入管 理 信息系 統（MIS），實現流程的標準化、系統化和自動化，從而提升運營效率和決策質量。流程驅動的興起受到流程再造（BPR）和業務流程改進（BPI）理論的影響。BPR強調徹底重構業務流程以提高效率，但因高成本和易脫離實際，許多企業更傾向于BPI的持續優化思路，使流程逐步改進并與業務需求深度整合。借助MIS系統，企業實現了數據的實時共享和沉淀，推動了運營規范化，為更高階段的數智轉型奠定基礎。本階段的數智提升主要集中在Understanding（理解）和Planning（規劃）

40、兩個環節。企業通過對業務邏輯的系統化和流程規則的固化，不再完全依賴個人經驗，實現了運營的規范化和連貫性。運營經驗的標準化是本階段的關鍵。管理信息系統將企業在生產、銷售、客戶服務等環節的經驗轉化為可復用的流程和算法，以一致方式執行操作，減少人為誤差，提升流程穩定性和跨部門協作效率?；谝巹t的流程自動化則進一步優化了任務調度和推進，避免人工協調的耗時問題，提高整體效率。流程驅動使企業在提升效率、質量控制和跨部門協同方面獲得顯著成效。然而，這一階段的固化流程可能在面對突發事件和快速變化的市場環境時顯得靈活性不足。此外，系統實施和維護成本較高，需要平衡標準化和應變能力?！傲鞒舔寗印彪A段的SUPA特征各

41、環節的任務執行通過MIS系統進行規范化，使得任務流轉更加高效,避免了人為干預造成的延遲和不一致。執行(Action)MIS將企業的業務規則轉化為自動化的決策流程，推動任務安排和資源分配，實現了標準化和快速響應的決策。決策計劃(Planning)管理信息系統幫助企業從生產、庫存等內部流程中獲取數據，增強了對運營狀態的實時監控。感知(Sensing)通過系統化的規則設置和流程定義，MIS提供了業務流程的統一視圖，使得企業可以在較少依賴個體經驗的情況下高效地解讀流程狀態和運營需求。理解(Understanding)訂單 訂單信息 生產信息 報價單 交期確認14企業數智驅動白皮書圖 六-2 業務接單流

42、程在A公司引入ERP系統之前，業務員接到客戶訂單后需要逐部門確認材料、生產能力和交期。由于流程缺乏標準化和系統支持，各部門間溝通效率低下，導致采購未收到備料通知、生產管理無法及時制定計劃，整體訂單處理效率低，常因信息傳遞滯后而錯失生產機會或延誤交貨。ERP系統的引入顯著改善了這一問題，通過流程規范化幫助業務員更高效地處理客戶需求：(一)報價與交期確認業務員將客戶需求（如數量、特殊規格、交貨時間）輸入ERP系統生成報價單，經客戶確認后轉化為訂單?？蛻籼岢隹s短交期后，業務員與生產計劃員協調排程，通過加班等方式確保按期交付。ERP系統流程化操作提升了溝通效率，避免遺漏關鍵步驟。(二)生產通知與計劃制

43、定確認訂單后，ERP系統自動通知生產計劃員，安排資源和調配物料。系統內置規則確保各部門有序銜接，有效提升生產效率?！傲鞒舔寗印卑咐篈企業的業務接單場景應用客戶 訂單 訂單信息 生產信息 報價單 交期確認在此案例中，ERP系統覆蓋了SUPA模型的各環節：感知（Sensing）實時記錄訂單需求，確保信息準確。理解（Understanding）依據規則分析訂單，判斷優先級和生產安排。規劃（Planning）生成執行計劃，優化資源配置。執行（Action）推動任務落實，各部門協同確保生產有序進行。ERP 系統幫助 A 公司減少了人為決策中的不確定性，使流程標準化，跨部門協作更加順暢，提高了整體效率。

44、然而，該模式的缺點在于系統流程固化，難以應對個性化需求的快速變化，靈活性受限，且系統實施和維護成本較高。業務部門生產部門信息系統15圖 七-1“模型驅動”階段的SUPA特征七、Level 2：模型驅動 Model Driven在模型驅動階段，企業開始利用運籌優化和數學模型，支持資源配置和決策的科學性。不同于流程驅動階段主要依賴于標準化流程，模型驅動強調在規劃（Planning）環節通過數學模型實現資源最優分配。企業不再局限于規則執行，而是基于復雜的數據結構和算法進行深入分析，使得管理和運營從經驗導向逐步向科學決策轉型。模型驅動階段的興起得益于運籌學的發展。運籌學通過優化算法和數學模型，幫助企業

45、在資源分配、生產排程、庫存管理等業務場景中尋找最優解。其應用涵蓋了物流路徑優化、生產過程中的排程決策等領域，逐步成為企業提高效率和競爭力的重要工具。模型的建立是模型驅動階段的重點，常見的運籌優化模型包括線性規劃、非線性規劃、整數規劃、動態規劃、隨機規劃、圖論與網絡優化、排隊論、啟發式方法、遺傳算法、多目標優化、魯棒算法等。模型建立后，還需要借助求解器進行求解，知名的求解器有Lingo、CPLEX、CLP、SCIP、GUROBI、COPT等。本階段企業的數智提升集中于SUPA循環的Planning（規劃）環節，借助運籌優化和線性規劃等數學模型，實現了在具體決策場景中的“點優化”：模型驅動通過數學

46、模型和優化算法提升了資源分配、生產調度和供應鏈管理的效率，確保決策的準確性。例如在生產排程中，模型驅動基于產能和交貨期生成最優計劃，減少資源浪費，并支持基于實時數據的需求預測，增強企業的市場響應速度，同時通過標準化流程降低人為誤差，確保一致性。然而，模型驅動依賴運籌學專家進行建模，實施和維護成本較高，特別不利于中小企業。其靈活性有限，在動態環境中需頻繁調整以適應變化，增加了維護成本，且應用主要限于規則明確的場景，在快速變化中缺乏足夠的適應性?！澳Ｐ万寗印彪A段的SUPA特征模型輸出的優化方案為行動環節提供了清晰指導。企業可以基于模型結果直接執行優化后的任務方案，確保資源配置和生產活動符合最優策略

47、。執行(Action)模型驅動的核心。企業通過運籌優化、線性規劃等數學模型，系統性地進行資源配置、任務分配和生產排程等，支持業務決策的科學化和高效性。決策計劃(Planning)通過數據采集和整理，使企業在進行規劃決策前擁有更加全面的數據支持。感知(Sensing)利用數據清洗和轉換，將原始數據轉化為可用于分析的標準化數據，以確保后續優化決策的準確性。理解(Understanding)展開日計劃企業數智驅動白皮書16圖 七-2 生產計劃制定流程在全球半導體產業競爭日益激烈、需求波動頻繁的環境下，某高端半導體制造商面臨著多重挑戰。尤其在中美貿易摩擦和區域局勢變化的背景下，企業在需求預測和供應保障

48、方面面臨前所未有的復雜性。該制造商以代工制造（OEM）為主，市場“模型驅動”案例：半導體企業的APS生產排程應用展開日計劃產能負荷評估產能平準規劃匯整主需求MPS主需求計劃(訂單/預測)主生產計劃(月/周 計劃)日生產計劃(每日生產量)參數設定訂單交期評估訂單交期評估需求波動直接影響訂單評估與生產計劃的制定，不確定性加劇了企業的運營難度。企業從接到需求訂單到生產計劃的制定需經歷需求匯整、產能負荷評估、交期評估等多步流程，以確保生產過程的有序和準時交付：傳統的生產排程流程難以滿足這種多變環境下的快速響應需求。市場需求激增時，企業需快速判斷訂單優先級、合理分配資源，并優化設備的停線和保修計劃；反之

49、，需求下降時，企業則需靈活調整產能以降低運營成本。為應對這些問題，企業引入 高 級 計 劃 與 排 程 系 統（A d v a n c e d Planning and Scheduling,APS）來進行訂單評核，以優化排產。企業數智驅動白皮書17企業數智驅動白皮書圖 七-3 訂單評核流程應用APS后，該半導體制造商進行訂單評核的步驟如下：應用APS后，企業的訂單評核效率顯著提高，投產組合的利潤績效提升31%，設備稼動率增加12%，準交率增長29%。APS還與制造執行系統（MES）、物料搬運控制系統（MCS）等實現無縫集成，全面提升了企業的生產效率。然而，面對極端市場波動，系統在靈活性和實時

50、響應方面仍有提升空間。企業需要進一步優化算法和數據處理能力，以增強系統應對復雜環境的適應力。另外，將企業管理的知識與經驗轉化為適用的數學模型具有較高難度，因此模型驅動往往只能以點狀方式產生局部效益。篩選外部需求，計算利潤并排除不可按時完成的訂單，匯總符合條件的訂單組合。計算并標準化瓶頸資源的利潤貢獻，統一數據基準模擬檢核組合的生產可行性，不符合則重新篩選盤點關鍵資源并計算供需比，為后續分析提供基礎在產能約束下選出利潤最高的訂單組合篩選有效需求盤點廠內資源標準化瓶頸資源利潤計算最大利潤組合驗證可行性18企業數智驅動白皮書圖 八-1“數據驅動”階段的SUPA特征八、Level 3：數據驅動 Dat

51、a Driven數據驅動即通過大數據和弱人工智能技術，企業將數據的收集、分析與利用融入到決策過程中，實現市場變化的實時響應及運營優化。大數據的發展和AI普及，為企業帶來敏捷性、創新性和競爭力的提升。企業通過多渠道（如社交媒體、傳感器、ERP等）獲取的海量多樣化數據，不再是單純的運營信息，而是一種重要資產。技術進步和云計算的普及，使數據的存儲、處理和分析更加高效，深度洞察得以支持戰略、優化運營和決策。弱人工智能則作為“智能分析引擎”，通過機器學習和深度學習等模型，實現精準預測和資源優化，從而增強企業在復雜環境中的應變能力和競爭力。這一階段的關鍵在于數據的全面性與實時性，使企業在SUPA循環的四個

52、環節上均實現智能化提升：數據驅動通過高效的數據分析提升了決策準確性，增強企業對市場變化的快速響應能力。依托大數據模式識別，企業在金融分析、行為預測等領域獲得了深刻洞察，并通過個性化服務提升客戶忠誠度。盡管數據驅動能為高風險決策提供支持，但其依賴數據質量，且需投入大量資源，尤其對中小企業來說存在成本負擔。技術的快速更新還要求企業不斷投入，以保持系統適應性。本階段的最終決策仍強烈依賴管理者人工判斷，以確保數據洞察得以落地。認知智能使企業能夠對收集的數據進行深入分析與推理，應用推薦算法、自然語言處理等技術識別用戶需求與市場模式，為規劃提供支持?！皵祿寗印彪A段的SUPA特征執行(Action)決策計

53、劃(Planning)感知(Sensing)理解(Understanding)結合歷史數據和機器學習算法，企業制定更精準的決策與資源分配策略，如通過時間序列分析預測市場趨勢、優化庫存管理，實現靈活規劃。RPA和智能合約實現了任務的自動化與高效執行。RPA自動化完成數據錄入和驗證，智能合約則在條件滿足時自動觸發交易與操作。企業通過大數據整合市場、客戶和運營數據，形成對市場和內部運作的全面視圖。計算機視覺與語音識別等感知智能技術進一步提升了數據收集的效率與準確性。19圖 八-2 AOI檢測原理示意圖某羽毛球制造廠商在生產塑膠羽毛球的過程中面臨質量檢測的難題，早期的流程包括產品射出成型后由機器人放入

54、箱體，再由人工檢驗后集中分裝。然而，傳統的人工檢測模式在多方面存在瓶頸：人工檢測效率低且漏檢率高，難以全面覆蓋多種類的瑕疵，且因依賴個人經驗導致檢測結果不一致。同時，不良品追溯困難，增加了質量管理復雜性。為解決這些問題，這家羽毛球制造商在生產中引入了AOI視覺檢測系統、機械手臂和工業智能軟“數據驅動”案例：AOI視覺檢測在羽毛球制造中的應用件，將質檢和自動化生產流程進行整合優化。新的流程包括射出成型后由滑軌機器人放入AOI檢測治具，AOI檢測自動獲取樣本影像，并根據預設檢測規則識別瑕疵，將結果傳遞給六軸機械手臂以自動分裝至良品箱或不良品箱。此外，系統通過收集大量檢測樣本，利用深度學習不斷優化數

55、據模型，從而提升檢測精度和速度。這樣的流程改造顯著提升了檢測效率、產品良率并支持不良品溯源，實現了生產過程的全面智能化。這一改造帶來了顯著效益：檢測耗時降至1-4秒，整體生產周期縮短1-2天；檢驗準確率提升至97.5%，成品良率提高5%-10%；系統還能自動溯源不良品來源，幫助快速消除潛在問題，避免損失。此創新為羽毛球制造行業樹立了數據驅動的智能化和自動化標桿。這一案例表明，數據驅動通過數據優化模型，在一定程度上彌補了模型驅動的局限。然而，數據的潛力不應止步于此，更需推動企業管理一切任務的自主執行這正是企業數智化運營所追求的更高水平。獲取圖像模型/演算結果判定受測物AOI相機AOI圖像分析軟件

56、/服務器OKNG企業數智驅動白皮書20圖 九-1 企業運營管理任務分類九、Level 4：數智驅動 Digital-intelligence Driven(一)數智驅動的概念在企業數智化運營的最高層級（Level 4）階段，企業的運營和決策模式實現了高度智能化，進入以數據與智能技術為核心的創新驅動模式。數智驅動強調企業通過“數據自決”和“智能生成”兩個關鍵特征，使企業具備了從數據采集到自動決策的全流程智能化能力，為管理提供了高效支撐。本階段的核心思想參考了諾貝爾獎得主丹尼爾卡尼曼提出的“雙系統思維”理論，以人類認知中在數智驅動階段，企業的“快系統”任務通過數據自決實現自動化、高效化，從而釋放人

57、力，提升運營效率；“慢系統”任務則在智能生成的支持下，通過生成式AI等技術自動提供優化方案和創新決策建議，以應對市場變化和復雜問題。數智驅動依托數據自決與智能生成的雙重賦能，幫助企業在數據的實時支撐下平衡自動化和創新性，顯著提高了對復雜市場環境的響應能力與決策精準性。數據自決與智能生成的雙系統運營戰略性任務突發事件處理任務日常運營管理任務(二)數據自決與智能生成的雙系統運營 1.基于知識圖譜的數據自決數據自決通過自主的數據調控和自動化執行，專注于高頻和標準化任務，有效減少人工參與，使企業在日常運營中實現高效管理。數據自決尤其適合“快任務”，例如庫存管理、報表生成等標準化流程，其核心在于實時數據

58、驅動和自動執行。系統1(快系統)快速、直覺性反應系統2(慢系統)復雜推理、深度分析企業數智驅動白皮書人類認知的“雙系統思維”(丹尼爾卡尼曼)高頻、重復的“快任務”日常運營管理任務高難度、動態變化的“慢任務”突發事件處理任務、戰略性決策 任務企業運營管理中的“快任務”和“慢任務”的“快”“慢”系統作為企業運營的管理模型基礎?？崧谒伎?，快與慢中將系統1定義為快系統，即快速、直覺性反應；系統2為慢系統，即用于復雜推理和深度分析的過程?；谶@種雙系統模式，企業的運營管理任務可以分為高頻、重復的“快任務”和高難度、動態變化的“慢任務”。前者以日常運營管理任務為主，后者則主要包括突發事件處理任務以及戰

59、略性決策任務。21企業數智驅動白皮書(三)數智驅動的SUPA特征數智驅動階段的SUPA特征主要體現為以下兩大核心特性：1.SUPA各個環節的智能提升在數智驅動階段，數據自決和智能生成推動了SUPA模型各環節的智能化增強。在感知（Sensing）環節，知識圖譜支持對多源數據的實時整合與語義關聯，使企業能夠快速捕捉市場動態和供應鏈狀態。生成式AI則進一步增強了理解（Understanding）環節的分析深度，利用其推理和模式識別能力幫助企業識別趨勢與風險。規劃（Planning）環節通過生成式AI實現復雜的策略建議和情景模擬，支持企業進行動態決策優化。行動（Action）環節則借助自動化執行，完成

60、從數據采集到決策執行的閉環，加快了從計劃到執行的響應速度。2.SUPA循環的系統級協同數智驅動在SUPA四個環節之間構建了高效的協同反饋機制，通過數據流動與實時反饋實現系統的自適應與自優化。例如，在供應鏈管理中，數智技術不僅實時感知庫存變化，還通過生成式AI預測需求并自動化調整補貨計劃，實現從感知到行動的無縫連接。此類系統協同在制造、物流、倉儲等領域也得到了廣泛應用，確保企業在動態環境中保持高效和靈活的運營。通過知識圖譜技術，企業能夠將來自不同渠道的數據整合為語義關聯的知識網絡，從而實現全流程自動化管理。在零售領域，知識圖譜可以分析顧客的購買行為與偏好，為個性化推薦提供支持。例如，亞馬遜的CO

61、SMO系統通過構建大規模電商知識圖譜，提升了推薦系統的精準度與用戶體驗。同樣在娛樂行業，Netflix和YouTube等平臺通過知識圖譜分析用戶觀看歷史，為用戶推薦更符合興趣的內容。在金融行業，知識圖譜幫助銀行在風控、精準營銷和反欺詐中實現高效管理。以中國工商銀行為例，通過知識圖譜技術構建的客戶關系圖譜和風險評估模型，不僅提高了信貸審批的準確性，還有效識別潛在的欺詐行為。在醫療領域，知識圖譜可以整合電子健康記錄，支持診療決策。百度醫療大腦、IBM Watson等系統在智能分診和腫瘤治療輔助決策方面展示了知識圖譜技術的強大潛力。此外，西門子在智能制造中應用知識圖譜構建設備管理和故障診斷系統，通過

62、自動化分析和預測維護，大幅提升了生產效率并減少人工干預需求。2.基于生成式AI的智能生成智能生成則以融合企業知識的生成式AI技術為核心，專注于處理復雜且不確定性高的任務，通過生成多樣化方案支持企業在動態環境下的靈活決策。智能生成適用于“慢任務”，如應急響應和戰略規劃等需要深度分析與智能生成的場景。生成式AI的應用在多個行業展現出其巨大的創新潛力。在設計與產品開發領域，企業可以通過AI技術快速生成產品原型和設計稿，并根據用戶反饋實時調整優化流程；在醫療領域，AI則幫助制藥公司更高效地發現新藥分子，加速藥物研發；而在創意內容生成方面，AI的技術正在為廣告、媒體和影視行業帶來自動化變革?；谌诤掀髽I

63、知識的生成式AI的方案生成功能，企業可以快速制定應對策略，增強在高難度決策中的敏捷性。例如，當制造企業在應對供應鏈中斷或突發市場需求時，智能生成技術可以通過歷史數據分析生成多個備選方案，模擬不同的執行路徑，幫助企業選擇最優應對方案。在新市場進入、資源配置等戰略性任務中，智能生成不僅優化決策路徑，還通過實時數據反饋，持續迭代改進方案，為企業在不確定市場中提供高度靈活和個性化的支持。22企業數智驅動白皮書圖 九-2“數智驅動”階段的SUPA特征Level圖 九-3 數據驅動階段運營模式的本質轉變(四)運營模式的本質轉變在數智驅動階段，企業的運營邏輯發生了根本性轉變驅動企業運作的機制不再是依賴預設的

64、業務流程和人工執行的靜態模式，而是基于實時數據的自主決策和任務派發能力。從Level 0“人的驅動”到Level 3“數據驅動”，傳統管理模式一直依賴固化的流程與功能模塊推動任務的完成。即便在模型驅動階段優化了決策，或在數據驅動階段通過大數據分析和弱人工智能提升了智能化水平，企業的運作依然由固定的流程體系所主導，靈活性受限。直到Level 4數智驅動階段，企業才真正實現了基于“數據自決”的智能運營模式?！皵祿詻Q”模式的核心在于實時數據驅動任務的生成與動態派發。通過知識圖譜對數據的智能分析，任務能夠自動生成并分發至相關系統或人員，無需人工干預即可完成決策與執行。例如，當新訂單生成時，訂單數據能

65、夠自主分析所需資源，自動觸發生產、采購、物流等任務的創建與派發，并完成資源調度及閉環執行。這種機制從根本上擺脫了流程固化的限制，將傳統的“預設流程推動靜態任務執行”轉變為“數據自決生成并實時派發任務”，賦予企業更強的適應能力與響應速度?！皵抵球寗印彪A段的SUPA特征執行(Action)決策計劃(Planning)預設流程推動靜態任務執行數據自決生成并實時派發任務感知(Sensing)理解(Understanding)數據自決驅動任務自動化執行，實現無縫從決策到行動的銜接;自主觸發“事找人”分配機制，確保任務主動匹配到適合的人員或部門;利用實時反饋和數據監控，確保行動環節的動態調整和優化。實時采

66、集并整合多源數據，如市場動態、客戶反饋、供應鏈狀態;知識圖譜提升數據的語義關聯，構建全面的市場和業務感知網絡;支持對異常和趨勢的快速識別，增強感知的精準性和響應速度。生成式AI提供復雜情景模擬和多方案生成，助力動態決策;支持智能化的資源優化配置，制定精確，靈活的行動計劃;基于歷史數據和市場預測，為決策提供全面的數據支持。利用知識圖譜對數據進行深層次語義分析，識別潛在風險和模式;生成式AI通過推理能力，提供多角度的市場和業務洞見;支持對復雜數據關系的認知，構建業務邏輯和數據的關聯體系。系統級協同 Level 0 Level 1 Level 2 Level 3 Level 4STEP 04STEP

67、 03STEP 01STEP 0223(五)數智驅動案例1.案例背景智新科技是一家全球領先的電子產品制造商，主營消費電子、智能家居設備和健康監測設備等。公司依賴全球供應鏈獲取關鍵零部件，包括芯片、傳感器和高性能電池，以滿足各地消費者多樣化需求。智新科技部署了一套基于知識圖譜的銷售預測和庫存管理系統，在日常運營中高效完成數據分析、需求預測和庫存調配，以數據自決的方式進行日常銷售決策。此外，在供應鏈突發事件發生時，生成式AI系統也會介入，提供智能生成的應急解決方案。2.日常供應鏈管理優化（數據自決）隨著疫情期間消費者健康意識的增強，智新科技的健康監測設備在各大零售渠道的銷售量穩步上升，特別是在心率

68、監測、血氧飽和度測量等功能設備上的需求增幅顯著。日常運營中，傳統的庫存管理系統以往常采用年度銷售數據預測庫存，但在新興需求下，無法實時調整供應策略。智新科技部署的銷售預測和庫存管理系統，通過知識圖譜技術來自動關聯和分析歷史銷量、新興需求、消費者行為數據等，優化庫存配置，具體包括以下步驟：1.需求趨勢分析（Sensing）：系統自動采集全國不同銷售區域的實時數據，包括各零售點的銷售量變化和消費者購買頻率。知識圖譜將這些數據與歷史銷量數據和季節性需求進行關聯，檢測出近期健康監測設備的需求上升趨勢，尤其在特定區域表現突出。2.需求和庫存水平評估（Understanding）：系統對庫存水平和需求增速

69、進行了全面評估，發現部分關鍵市場庫存將面臨短缺風險。知識圖譜進一步結合了物流和供應鏈數據，建議從庫存充足的區域調配貨源至高需求市場，避免銷售機會的損失。3.供應鏈補貨方案生成（Planning）：系統自動生成供應鏈調整方案?；谛枨蠓治?，系統建議優先從工廠直送熱點地區，同時提出增加高需求設備的產量計劃。為降低潛在的物流延誤，系統還建議臨時租用本地倉庫，支持高頻次補貨。4.快速執行與反饋（Action）：系統將庫存調整方案自動推送至供應鏈團隊，同時自動發出并執行補貨任務，確保每周滾動補充健康設備。系統還建立了反饋機制，實時監控市場銷量和庫存水平，一旦銷量持續上升，即刻觸發后續的補貨流程。企業數智

70、驅動白皮書通過數據自決，智新科技在日常運營中實現了供應鏈管理的動態優化，以更低成本和更高效率滿足市場需求，建立了敏捷的日常運營管理能力。3.突發事件應對與智能生成決策（智能生成）在即將進入季節性高峰時，智新科技突遇供應鏈危機：東南亞的某重要芯片供應商因地緣政治事件導致停產，而該芯片是智新科技的健康監測設備中至關重要的組件。若不能快速應對，生產和交付將受到嚴重影響。智新科技AI系統通過SUPA模型中的四個環節，高效地應對了突發的芯片供應中斷危機：1.感知（Sensing）：系統通過全球供應鏈數據平臺實時監控供應商生產能力、物流狀態及市場動態。捕捉到芯片供應中斷消息后，AI系統迅速查詢庫存，發現當

71、前庫存僅能支撐兩周生產，從而為企業爭取到寶貴的反應時間。2.理解（Understanding）：AI結合知識圖譜技術分析供應鏈斷裂原因，并評估了供應中斷對生產的潛在影響。系統進一步關聯了供應商歷史數據、全球市場行情和未來訂單需求，識別到芯片斷供可能影響后續幾個月的訂單交付，因此需要快速采取應對措施。3.規劃（Planning）：生成式AI基于分析生成了三項應對策略：替代供應商方案：通過全球掃描找到一家符合技術標準的歐洲供應商，雖然價格略高，但交貨周期較短，可盡快恢復生產。產品設計調整方案：臨時使用另一款相似芯片替代，通過軟件調整使其兼容，以便利用庫存中的現有芯片緩解供應壓力。庫存與生產優化方案

72、：通過優化現有庫存，重新安排生產計劃，優先保障最緊急的訂單交付。AI系統自動分析每個方案的風險、成本和時間，生成了詳細的可行性報告供管理層決策。行動（Action）：管理團隊基于AI提供的決策建議，迅速與歐洲替代供應商簽署了臨時采購協議，同時調整生產排程和軟件配置，使產品兼容庫存芯片，并優化生產安排，優先完成緊急訂單，從而最大程度降低市場損失。智新科技的供應鏈管理系統通過日常的數據自決實現了自主運營，而在突發事件下，生成式AI通過智能生成提供了多方案應急策略，展示了數智驅動的雙系統運營能力。數據自決和智能生成的聯動，為企業提供了靈活、智能的供應鏈應對能力，使智新科技在全球市場中更具競爭優勢。4

73、.24數智驅動在企業管理、產業結構和社會生活等層面上展現出廣泛的應用潛力和深遠的變革影響。十、數智驅動的DART企業圖 十-1 數智驅動革新未來的范圍隨著生成式AI、知識圖譜等技術的成熟，企業在運營中能更精細地管理資源，基于實時數據迅速調整資源配置，以更敏捷地響應市場需求，優化生產和供應鏈，減少傳統模式中的浪費和冗余。在消費者服務方面，數智驅動提升了客戶體驗的個性化程度，并通過精準營銷釋放潛在需求，進而優化企業價值鏈。從宏觀視角看，數智驅動還將助力產業鏈整體效率的提升，推動新興產業發展、激發創新創業活力，并提升社會的數字素養，為經濟和社會生態的協同升級奠定基礎。本白皮書將聚焦于數智驅動如何引領

74、企業變革，并為企業在數智化轉型中的潛在路徑提供策略建議。在數智驅動下，企業將成為具有動態適應能力（Dynamic）、敏捷執行力（Agile）、應對挑戰的韌性（Resilient）和全面轉型能力（Transformed）四大核心能力的DART（飛鏢）企業，能夠應對快速變化的市場環境。數智驅動社會生活變革數智驅動經濟發展數智驅動產業轉型升級數智驅動企業運營管理數智驅動產品和服務創新企業數智驅動白皮書25企業數智驅動白皮書(一)動態適應能力（Dynamic）數智驅動提供實時數據分析和決策支持，使企業能在突發事件和市場變化中迅速調整策略。例如，亞馬遜的全球供應鏈管理系統通過智能化手段動態優化庫存和物流

75、應對需求變化，幫助企業始終緊跟市場節奏。(二)敏捷執行力（Agile）面對客戶需求的變化，數智驅動賦予企業快速響應和調整生產、服務、資源配置的能力。如海爾集團通過智能工廠系統實現了個性化生產調整，有效提升組織靈活性和市場適應力。(三)韌性（Resilient）通過智能預警和大數據監控提升企業抗風險能力。如特斯拉在全球芯片短缺中通過智能供應鏈管理及時調整生產，確保供應鏈穩定，展現了數智驅動帶來的穩健運營能力。(四)全面轉型能力（Transformed）數智驅動不僅是技術應用，還涉及從運營模式到商業模式的深度重塑。例如，微軟通過云計算和AI轉型為云服務提供商，展現了數智驅動如何幫助企業在技術變革中

76、迅速應對并保持領先地位。由此可見，DART賦予了企業應對快速變化和不確定性的能力，使其在數智時代具備強大適應力與創新力。圖 十-2 DART企業四大核心能力轉型Transformed韌性Resilient動態Dynamic敏捷 Agile26企業數智驅動白皮書數智驅動的核心并不在于技術革新，而是以全面轉型的戰略思維引領企業變革。在高度不確定的環境下，企業通過數智驅動思維，既能在已有數字化成果的基礎上優化提升，又能不斷激發和滿足新需求，以應對當今市場的多重挑戰。十一、數智驅動思維引領企業變革圖 十一-1 數智驅動思維引領企業變革(一)已有數智化成果的優化與突破在數智驅動的支持下，企業能夠為前幾個

77、數智驅動發展階段已實現的數字化成果提供新解決方案，從而應對不斷變化的市場需求。例如，鼎捷公司通過數智驅動優化了企業報價流程，大幅提升了報價效率。傳統模式中，客戶詢價單的處理通常涉及多個部門間的反復溝通，需要耗費幾天時間。而在數智驅動思維支持下，鼎捷公司為其客戶將整個流程縮短至幾分鐘，通過快速報價提升了競爭優勢。鼎捷案例展示了數智驅動思維在優化既有成果、加快企業響應速度上的強大作用，特別是在市場變化頻繁、勞動力短缺的環境中尤顯意義。生成式AI在企業決策優化中的應用也體現了數智驅動對現有成果的突破。許多企業借助大模型（LLMs）提升了數學建模和運籌優化的效率。在傳統的決策流程中，企業通常通過模型驅

78、動方式進行數學規劃，但此過程耗時且要求高。而生成式AI通過學習大量數學語料，能夠在更短的時間內生成優化方案，大大提高了優化效率，使企業能夠更靈活地應對快速變化的市場需求。這些優化在企業運營的核心環節中大幅提升了決策速度與精準度，使企業在面對市場波動時具備更強的適應性。(二)激發新需求的創新與實現數智驅動思維不僅幫助企業優化現有需求，還能激發并實現新的需求場景。過去，由于數字化技術的局限，某些創新想法難以落地，而如今，數智驅動思維讓企業能夠更有效地探索新領域并滿足潛在市場需求。例如，鼎捷公司運用生成式AI創新了產品改型設計流程。以往，設計師需要根據客戶的變更需求手動進行3D設計，耗時長且難以快速

79、響應?，F在，生成式AI能夠直接基于客戶需求變更自動生成3D模型，快速識別并標注零部件的技術參數，大大縮短了設計時間。在這一流程中，生成式AI不僅降低了人工干預需求，還通過自動選擇設計參數和工藝流程，將設計師從繁瑣的技術細節中解放出來，使他們能專注于更具創造性的任務。這種智能化設計模式大大提升了企業在產品開發中的響應速度和創新能力，為企業節省了超過80%的設計時間。通過激發新需求，數智驅動思維促使企業在原有成果的基礎上探索新的創新路徑，保持市場競爭力。數智驅動思維由此成為企業在不確定市場環境中保持競爭優勢的關鍵，通過優化既有需求和激發新需求，幫助企業在市場競爭中始終保持領先。數智驅動思維引領企業

80、創新與變革激發新需求的創新與實現 創造新解決方案以滿足過去未能滿足或未意識到的需求。已有數字化成果的優化與突破 為企業已經實現的數字化需求提供新的思路，提升現有數字系統以提高效率。27十二、當今企業數智轉型的關鍵決策：升級vs換代數智驅動的浪潮中，企業在轉型過程中往往面臨兩種路徑選擇：“升級”與“換代”?！吧墶蓖ǔＶ冈诂F有運營模式和技術基礎上進行優化，通過智能技術提升流程效率，以逐步改善業務表現；“換代”則是一種徹底的革新，通過數智技術的深度應用重新定義企業的核心運營邏輯和商業模式，從而實現質的 飛躍。這一趨勢可以借助“鋼鐵俠”與“變形金剛”的比喻進行形象化說明：鋼鐵俠通過裝備的不斷升級，逐

81、步增強自身能力，體現的是在原有“人+工具”模式上的持續優化；而變形金剛的形態本身就是一體化的智能結構，可隨環境變化實現完全自適應的重構，象征著數智技術驅動下的徹底換代，打破了傳統的運作邏輯與約束，展現出前所未有的靈活性與適應力?！吧墶甭窂皆诋斚碌脑S多行業中已然廣泛應用。它意味著在已有模式下通過逐步優化解決特定問題。例如，一家傳統制造企業在升級過程中，可能會利用數據采集優化生產排程或使用自動化設備來減少人工干預，從而提升效率。然而，這種“升級”依舊依托于傳統的業務模式，側重于局部改進、短期見效，未改變企業整體的運營邏輯或架構?！皳Q代”則指的是從根本上重塑企業的運營方式與商業模式。例如，某些制造

82、企業通過全面引入智能工廠、物聯網和大數據驅動的供應鏈管理，構建了完全自動化、實時監控和智能決策的生產系統，使得工廠在資源配置、生產響應速度和管理靈活性上實現了全面提升。換代不僅僅是工具的更新，而是實現了一種全新的運營模式，能夠適應當今動態多變的市場環境，為企業帶來更持久的競爭優勢。在企業數智化運營的不同演進階段中，企業的轉型路徑也有所不同。從Level 0 階段的人的驅動到Level 3 階段的數據驅動，都是技術的逐步升級，幫助企業逐步提升數智化水平。Level 0 階段主要依賴人工，Level 1 階段通過流程驅動實現標準化和自動化，Level 2 階段則依托模型驅動的科學分析，而Level

83、 3 階段的企業利用大數據和人工智能增強各個業務環節的智能性。這些階段以“升級”為主導，企業通過技術疊加和優化提升運營效率。然而，邁入Level 4 階段后，企業需要超越簡單的技術疊加，尋求“換代”，即通過數智技術的深度融合實現全方位的業務模式革新。在當前全球市場和環境的復雜形勢下，疫情等黑天鵝事件更進一步推動了企業對“換代”的需求。這一根本性轉變讓企業不僅能更好地應對突發挑戰，還能利用數智技術的全面滲透實現真正的智能化、柔性化和高度協同的業務模式。未來企業選擇“升級”或“換代”的方向，將直接影響其在數智驅動時代的市場地位與競爭力。數智驅動不僅是一種技術，更是一種戰略思維。企業通過在SUPA循

84、環的各環節不斷增強數智水平，最終實現“數據自決”與“智能生成”，達成從“人的驅動”到“數智驅動”的轉變，從而大幅提升動態應對、敏捷執行、韌性適應和戰略轉型的能力，確保在快速變化的市場中保持靈活性與競爭力。更重要的是，數智驅動將深刻影響企業的資源配置效率、組織優化、模式創新和新型生產力的培育，為企業在數字經濟浪潮中注入持續創新的動力和高效增長的潛力。企業數智驅動白皮書28總編輯葉子禎 鼎捷數智股份有限公司 董事長兼總裁周偉華 浙江大學數據分析和管理國際研究中心 主任周忠信 鼎捷數智股份有限公司前沿創新研究院 院長企業數智驅動白皮書編寫組徐薇潔 浙江大學數據分析和管理國際研究中心周增瑞 鼎捷數智股份有限公司黃熙媛 浙江大學數據分析和管理國際研究中心宋柯穎 浙江大學數據分析和管理國際研究中心林偉圣 鼎捷數智股份有限公司李文偉 鼎捷數智股份有限公司周進剛 鼎捷數智股份有限公司戴 瑩 鼎捷數智股份有限公司楊秉翰 鼎捷數智股份有限公司DW-H-11024