IBM：工業制造4.0研究報告-化數據為決策（2022）（34頁）.pdf

1、IBM 商業價值研究院|研究洞察制造 4.0化數據為決策2無論是原始設備制造商(OEM)、部件或裝配件供應商、合同制造商還是制造服務供應商，都需要利用經濟高效的數字制造解決方案來確保工廠和供應鏈平穩運行，并生產出高質量的產品。IBM 可以與您攜手構筑定制化解決方案，助您充分利用現有運營技術(OT)投資、改進關鍵指標、采用數字工具以及合理運用人才。我們將依托于久經考驗的工業 4.0 參考架構和行業標準來幫助您制定方向，在開放平臺上始終如一地部署先進車間技術以實現規?；\營，并合理選擇制造流程用例以緩解燃眉之急，充分釋放價值。如需了解更多信息，請訪問 如何提供助力1閑置的制造數據工業 4.0 的核

2、心是利用數據和數字技術的強大力量來變革產品的制造和分銷方式。但只有 28%的制造組織正在以有意義的方式從來自設備、流程和系統的數據中發掘關于持續改進流程的洞察。數據驅動文化與卓越運營密切相關在最近的調研中，我們發現了一類“數據轉型者”制造組織，它們實現了比同行更高的數據成熟度，并且也因此收獲了豐碩的成效。其中，69%的數據轉型者能夠成功實時配置其生產線以支持換型(switchout)和/或上線新產品或新變體。數據成熟型組織利用工業 4.0 技術建立競爭優勢84%的數據轉型者已經在其數據平臺中廣泛集成了人工智能(AI)/機器學習。這些數據成熟型組織利用先進技術來協同推進業務目標和改進績效，憑借其

3、超強的洞察力、網絡彈性、企業架構、卓越制造、高能效員工團隊和數字化集成建立了差異化優勢。數字成熟型制造商正在利用工業 4.0 技術來實現新洞察和改善業務成效。摘要23利用工業 4.0 推動業務價值制造 4.0 旨在充分釋放工業 4.0 或“智能制造”的價值，助力組織實現蓬勃發展，從容應對經濟動蕩。其收益體現在協同推進兩個不同的目標：一方面，制造組織可以推動持續運營改進，包括提高生產吞吐量、資產利用率和產品質量。另一方面，制造組織還可以通過革新制造能力、實現設計改進以及優化服務來創造更大的客戶價值。從工業 1.0 到工業 4.0 的歷程始于 200 多年前。在 1780 年前后的第一次工業革命中

4、，人類開始用以水和蒸汽為動力的機械設備來生產產品。第二次工業革命始于大約 1870 年，其標志包括使用石油、天然氣和電力，還出現了分工的概念、移動裝配線和大規模生產。1 20 世紀中葉，隨著先進的計算機、電信和數據分析進一步提升生產自動化，人類迎來了第三次工業革命。2 如今，我們正在經歷第四次工業革命，也稱為工業 4.0。面向整個價值鏈的網絡物理模型和數字集成助力產業大幅提升效率和大規模定制能力。信息技術(IT)和運營技術(OT)系統相融合，促進自動化制造設備與更廣泛的計算機系統實現互連。來自傳感器、可編程邏輯控制器(PLC)和數據采集與監控系統(SCADA)系統的 OT 數據與來自制造執行系

5、統(MES)和企業資源規劃(ERP)系統的 IT 數據實現了進一步集成。3隨著數字技術日益融入到生產設施和運營中，制造商正在各種領域開辟全新的可能性，包括提升資源/流程效率、資產利用率、勞動生產率和質量，加快上市速度以及打造增值服務。4根據 The MPI Group 最近開展的一項調研，在提高生產力和盈利能力方面，制造商從工業 4.0 中受益明顯：66%的制造商表示其過去一年的生產力增長率超過 5%，78%的制造商預計其未來 5 年的復合年均生產力增長率將超過 5%。63%的制造商表示其過去一年的盈利能力增加率超過 5%，74%的制造商預計其未來 5 年的復合年均盈利能力增長率將超過 5%。

6、4 對先進傳感器、軟件和機器人生成的數據進行分析有助于改進決策。而結合組織內部以及生態系統合作伙伴的生產數據與運營數據，則有助于增強可見性和洞察力。此外，據估計，數據共享在制造流程優化中的潛在價值超過 1000 億美元。5為了掌握制造企業在工業 4.0 戰略和執行方面的進展，IBM 商業價值研究院(IBV)聯合牛津經濟研究院針對 32 個國家/地區的 2,360 位受訪者開展了調研。其中包括 1,630 位全面負責定義或執行其組織制造戰略與計劃的高管，以及 730 位對其組織的制造指標、政策、實踐和運營有深入理解的對標分析受訪者（詳見“研究和分析方法”）。5現狀：數據豐富、信息匱乏制造業受訪者

7、普遍表示其首要目標是提高產量、改進產品質量、推進可持續發展和減少機器停機時間，這實屬意料之中。專注目標有助于制造企業提高效率并滿足客戶對價格和質量的要求。但美好愿景與現實之間仍然有著巨大的差距：盡管設定了這些明確的目標，但只有 36%的受訪者能夠成功或非常成功地維持所需的吞吐量和產量。這是為什么？因為組織面臨三大阻礙：閑置的制造數據 決策能力不足 原始的技術環境閑置的制造數據制造商并未充分發掘其數據的價值。在現代制造工廠中，一條生產線就有 2,000 臺不同的設備，每臺設備有 100 到 200 個傳感器在實時收集數據，每個月將產生 2,200 TB 的數據。6 比如說，工廠通常使用警報機制來

8、收集數據，從中檢測生產異常以進行質量控制。然而，大約 90%的制造數據都是閑置未用的。此外，制造商的側重點通常是捕獲數據以創建歷史報告，而不是利用數據來幫助預測未來事件或改進決策。7我們的調研數據表明，只有大約四分之一的組織正在以有意義的方式捕獲傳感器數據并將其應用于決策。例如，預測性維護可以通過持續收集和分析傳感器數據來防患于未然，并且僅在需要時才會提醒人工干預。只有四分之一的組織正在基于故障模式分析來優化資產/設備維護計劃，以及平衡可靠性與成本。6決策能力不足 在組織的制造流程和可持續運營中，缺乏決策能力是一個普遍的問題。組織可以挖掘和分析生產數據，并應用于幫助操作員確定異常事件和檢測問題

9、根本原因。但我們的調研表明，只有不到 30%的組織會始終如一地從來自設備、流程和系統的數據中發掘關于持續流程改進的洞察。只有 35%的組織會定期評估制造流程。只有不到五分之一的受訪者可以實時訪問整個企業中的重要制造數據，包括電子表格、工業社交媒體、電子郵件、文本文件、視頻或 CAD 中的實用非結構化數據。例如，制造商可以通過分析保修申請來識別制造流程中的缺陷。而要準備、處理和分析這些非結構化數據，數據科學專業知識和專用工具是必不可少的。盡管可持續性是制造業的首要目標，但如果缺乏適當的數據和指標，組織將難以創建可持續性報告并據此做出合理的決策。只有不到三分之一的組織會跟蹤并定期評估與其制造/生產

10、相關的環境可持續性量化指標。此外，只有 32%的組織建立了企業級環境可持續性標準。原始的技術環境 許多制造組織的現有技術環境加劇了其困境。技術障礙和不夠靈活的舊式系統被認為是制造業面臨的兩大障礙。除此之外，其他障礙還包括孤立運營、計劃缺乏優先級排序以及生態系統復雜性。大多數受訪者已經實施了活動自動化和物料搬運自動化，但仍然還有進一步添加數字孿生等技術的機會。利用數字孿生作為生產線的虛擬副本，制造商可以模擬生產過程并設法減少停機時間或提高產能。只有 42%的受訪高管表示在非常高的程度上實現了 MES 應用現代化，而只有 38%的受訪高管表示實現了 SCADA 應用現代化。實時生產監控有助于改善

11、MES 監督，而集成到 SCADA 中的附加功能可以增強智能并提供部分跟蹤功能。7圖 1制造業中的重要技術70%68%67%78%65%53%53%52%52%47%38%31%30%41%30%29%28%27%23%安全技術云計算物聯網人工智能高級分析機器人流程自動化能源管理設備/智能儀表 計算機視覺互聯機器邊緣計算實時定位系統(RTLS)視聽技術數字孿生智能機器人和協作機器人區塊鏈增強現實/虛擬現實 RFID/NFC 技術量子計算5G受訪高管評定了對于推進其制造目標具有重要作用的技術組合（參見圖 1）。超過四分之三的受訪高管選擇了人工智能。這并不令人意外，因為人工智能生成的洞察有助于提高

12、制造運營的可見性和可預測性。70%的受訪高管認為安全技術是一項必備條件，這是因為在 IT 和 OT 環境中，網絡安全攻擊的風險仍將持續存在。根據 IBM 發布的 2022 年 X-Force 威脅情報指數 報告，制造業超過金融業和保險業成為 2021 年受攻擊最多的行業，在 X-Force 團隊修復的攻擊中占比達到 23%。制造商對停機時間的容忍度較低，而勒索軟件則趁機針對因疫情而承壓的制造業務發起攻擊。868%的受訪高管認為云計算很重要。云計算不僅提供互連，而且還可以運行應用和存儲數據。67%的受訪高管認為物聯網(IoT)很重要。物聯網可將傳感器和設備連接至網絡，以便從海量數據中發掘價值。邊

13、緣計算與云計算基礎設施相結合，可為智能制造實現局部優化和設備互聯。但只有 84%的受訪高管處于邊緣計算成熟度的早期階段，其中近一半處于試點階段，另一半則表示已經在一些生產線中實施了邊緣計算。百分比表示在 5 分制中回答 4 和 5 的比例，其中 1=完全不重要，5=非常重要。8人工智能是制造業最為看重的一項技術，它需要通過訪問高質量的數據來發揮威力，而這對于制造業是一項嚴峻的挑戰。制造業要在極端條件下收集數據，涉及各種不兼容的專有系統，各種孤立的運營數據又以多種格式分布在多個數據庫中，因此其數據經常不夠客觀、過時且充滿錯誤。9 此外，大多數制造商尚未大規模實施人工智能。超過四分之三的受訪高管表

14、示已經在生產管理中實現了人工智能，但只有不到十分之一的受訪高管表示在生產質量管理、生產計劃和調度等領域大規模實現了人工智能。因此，大部分制造商無法利用來自企業其他領域的數據來創建更深入的洞察，例如利用銷售利潤和人員數據來幫助做出生產決策。109數據轉型者：營造數據驅動文化鑒于數據在制造業中的重要性和潛在價值，我們根據數據成熟度對受訪組織進行了細分，最終劃分為三種類型（參見圖 2）?！皵祿D型者”占我們調研樣本的 20%。此類組織營造了數據驅動文化，數據成熟度最高。此類組織還因其卓越的業務和運營績效而大幅領跑同行。第二種類型是“數據優化者”，占受訪組織的 42%?！皵祿剿髡摺笔浅墒於茸畹偷念愋?/p>

15、，占我們調研樣本的 38%。數據轉型者表示實現了優于同行的財務業績：71%的數據轉型者表示過去 3 年的收入增長率超過了競爭對手，而數據優化者和數據探索者的這一比例分別為 60%和 54%。在盈利能力方面，62%的數據轉型者表示其盈利能力優于競爭對手，而數據優化者和數據探索者的這一比例分別為 48%和 44%。數據轉型者的成功還反映在其卓越的敏捷性方面，79%的數據轉型者表示其敏捷性超越了競爭對手，而數據優化者和數據探索者的這一比例僅為 58%和 50%。圖 2制造 4.0 成熟度類型 數據驅動文化成熟度數據探索者42%數據轉型者數據優化者20%38%10在制造績效方面，三種組織類型的差異非常

16、明顯。憑借數據驅動的決策，數據轉型者和數據優化者在成功或非常成功地維持所需的吞吐量和產量方面均優于數據探索者。數據轉型者在決策和大規模定制方面都取得了非常大的成功（參見圖 3）。79%圖 3 推動工廠運營成功 75%63%69%59%45%識別錯誤/缺陷/良率損失的根本原因并加以解決實時配置生產線以支持換型和/或上線新產品或新變體百分比表示在 5 分制中回答 4 和 5 的比例，其中 1=非常不成功，5=非常成功數據轉型者數據優化者數據探索者11值得重點注意，營造數據驅動文化的制造企業實現了雙贏，即推動業務目標和改進運營成效協同并進。這是一種難以營造的文化，但數據轉型者做到了，此類組織在以下六

17、個主要領域中脫穎而出（參見圖 4）：發掘數據潛力。實現網絡彈性。創建將工廠車間連接至業務系統的企業架構。利用技術實現卓越制造。打造面向未來的制造業工人團隊。將數字化與制造運營及管理相結合。制造運營與管理在制造運營中融入數字化轉型的關鍵人員 提升能力和技能企業架構 綜合系統技術 投資數字技術以實現卓越制造安全 檢測、遏制和補救數據 簡化數據訪問、集成和評估以創造價值 圖 4在制造業中營造數據驅動文化的藍圖121.挖掘數據潛力。數據轉型者依托于強大的數據管理和治理來探索技術前沿（參見圖 5）。先進的數據管理功能對于有效利用數字技術來改進制造流程并最終改善成效至關重要。標準化數據架構、企業數據治理框

18、架、中央數據信息庫和自動化數據加載推動降低了數據結構復雜度。數據轉型者在集中式數據模型之上定義了語義模型，這是一種數據組織方法，反映了數據項的基本含義以及它們之間的關系。數據轉型者和數據優化者還縮短了準備、驗證和清理數據所需的時間。其中，近三分之二的組織已經實現了企業數據湖，可有效管理現有數據并應用數據來做出決策。最后，這兩種類型中均有 64%的組織利用了數據可視化/探索工具。此類工具將助力員工團隊深入探索數據、加速處理信息以及利用洞察來改進績效。在數據平臺中集成人工智能/機器學習標準化數據架構自動化數據管理工作流程數據可視化/探索工具面向制造、計劃、財務和外部數據的企業數據湖通用數據治理和模

19、型 在集中式數據模型之上定義了語義模型ETL 流程自動化圖 5制定數據原則 35%46%58%45%51%61%59%64%63%57%64%64%57%71%84%46%68%70%59%74%69%數據探索者數據轉型者數據優化者45%58%54%百分比表示在 5 分制中回答 4 和 5 的比例，其中 1=完全沒有，5=非常出色。13觀點利用 Data Fabric 簡化數據訪問要建立完全數據驅動的文化，利用集成數據策略和架構來應對數據復雜性挑戰是不可或缺的。Data Fabric 是一種架構方法，用于簡化組織中的數據訪問。11 Data Fabric 通過智能自動化系統促進多種數據管道和云

20、環境的端到端集成。Data Fabric 用數據服務和 API，將來自原有系統、數據湖、數據倉庫、結構化查詢語言(SQL)數據庫和應用的數據匯集在一起，提供對業務績效的整體視圖。Data Fabric 架構有助于提高生產率、消除跨數據系統的孤島、集中數據治理實踐、提高整體數據質量、促進自助應用以及提供更好的數據保護。12 例如，Data Fabric 可用于實現基于資產狀況和故障預測按需調度的預測性維護，并且需要高級分析工具/流程。14歐萊雅利用人工智能和物聯網打造個性化化妝品作為美容領域的領先企業，歐萊雅致力于為全球范圍內的女性和男性提供化妝品、洗發水和香水，主打質量、功效和安全性。歐萊雅面

21、臨日益增長的客戶需求，比如說希望獲得針對其皮膚類型、膚色和個人喜好量身定制的化妝品。該公司希望利用技術解決方案來更加深入地了解消費者意愿和購買行為，然后制造工廠就可以對生產做出相應的調整。為了應對這一挑戰，歐萊雅在其位于利布拉蒙的比利時工廠中的新生產線上采用了人工智能物聯網平臺，包括傳感器、激光測量、攝像頭和先進的傳送帶。全新設計的生產線可以同時處理數十種不同的產品，確保交付針對個人皮膚量身定制的高度個性化產品。13 15圖 6保護 OT 環境 數據轉型者數據優化者數據探索者加權平均值3.523.263.35成熟度45%6%34%14%30%8%52%9%57%10%23%8%2.實現網絡彈性

22、。實現 IT-OT 集成之后，OT 網絡和互聯 OT 設備將面臨安全威脅，而外部供應商遠程訪問 OT 網絡則進一步擴大了漏洞。制造業面臨的主要威脅包括漏洞利用(47%)、可移動媒體(7%)、網絡釣魚(40%)、憑證竊取(3%)和暴力破解(3%)。制造業中大約四分之一的網絡安全攻擊來自勒索軟件。14 在我們的調研中，三種組織類型在其 OT 安全性方面都取得了一定的進展，其中數據轉型者的成熟度最高（參見圖 6）。除了對漏洞進行優先排序之外，此類組織還積極在安全指標與流程之間建立關聯。所有類型的組織均利用審計、響應計劃和監控來提供安全性。為了保護物理設備、流程與事件監控和/或控制中涉及的人員、資產和

23、信息，制造商需要在組織的所有層面建立可見性；包括基本控制與檢驗、區域運營與監督控制、DMZ（位于網絡之間的外圍網絡，可防止從不安全的網絡直接訪問受保護的網絡，從而提高組織網絡的安全性）以及企業/站點網絡。此外，當今的現代制造業網絡安全（包括 IT 和 OT）需要采用“零信任”方法，即防火墻默認不信任任何來源。這意味著網絡安全團隊需要假設其網絡內部和外部均存在潛在攻擊者，因此所有流量均被視為可疑流量。這就要對各方進行適當的身份驗證和授權（包括用戶及其設備），并持續驗證安全配置和安全態勢，只有驗證通過才會授予應用和數據訪問權限，否則不允許任何通信。威脅監控或安全洞察能力極低 定期掃描漏洞 根據漏洞

24、優先級來分配帶寬和資源 結合安全指標與流程來了解趨勢并衡量關鍵資產的風險 在工業設備級別集成網絡安全事件與事故管理2%2%1%ABB 與 IBM 攜手增強工業運營的網絡安全全球領先的工程公司 ABB 與 IBM 聯手連接網絡安全與 OT。作為此項目的一部分，ABB 開發了一項全新的 OT 安全事件監控服務，結合其流程控制系統領域的專業知識與 IBM 的安全事件監控產品來幫助提高工業運營商的安全性。為了更好地將 OT 數據連接至更廣泛的 IT 安全生態系統，這項新服務可支持將 ABB 的安全事件發送至 IBM 安全信息與事件管理平臺。此次合作標志著首次直接將 OT 數據和流程行業專業知識引入到安

25、全信息與事件管理(SIEM)系統中，從而將威脅作為組織更廣泛的網絡安全運營和戰略的一部分進行管理。15 在使用此服務之后，某工業企業正在全面受益于基于 OT 控制系統事件的實時安全監控。該企業還可以訪問廣泛的 SIEM 功能 從單一事件警報到設備配置跟蹤。1616173.構建工廠車間與業務系統互連的企業架構。制造商需要利用混合多云 IT 基礎架構來充分發揮工業 4.0 的優勢，跨多云環境建立互連并優化負載。從工廠車間的傳感器、設備和機器收集的實時數據可以由其他工廠資產使用，也可以在企業的整個軟件體系中共享，包括 ERP 和其他業務管理軟件。17在車間建立標準化混合云基礎架構來管理所需的 IT

26、負載，例如 OT-IT 集成、邊緣分析、OT 安全以及依據超大規模企業最佳實踐管理的前沿和傳統應用。從不同工廠收集的數據可以集中到一處，實現全面整合、清理和控制。這種混合云方案可以實現跨工廠洞察、KPI 比較和優化，并對整個工廠甚至公司、供應商和客戶的交換數據實施全面控制和管理。18這三種類型的組織在采用云作為其制造運營的一部分方面都取得了一定的進展，其中數據轉型者取得了最大的進展（參見圖 7）。除了采用云計算之外，數據轉型者還采用了全新的網絡管理方法。即利用軟件定義網絡技術實現動態、基于編程的高效網絡配置，從而改善網絡性能和監控，打造更加云計算的方案，而不是傳統網絡管理方法。57%的數據轉型

27、者在很大程度上實現了這種網絡，而數據優化者和數據探索者的這一比例分別為 49%和 39%。圖 7受益于云計算 數據轉型者數據優化者數據探索者 40%18%42%41%39%15%16%35%43%實施早期，已完成計劃實施的不超過 25%實施中期，已經完成計劃實施的 50%計劃實施收尾階段，接近穩定云運營 18AT&T 與 IBM 攜手將混合云引入企業 5GAT&T 與 IBM 聯手助力企業在低延遲、專有蜂窩網絡邊緣環境中管理開放式混合云計算。借助全新的混合云服務，企業可以將 5G 應用于工廠安全與效率、實時健康運行狀況監控以及自動駕駛汽車運營等領域。在制造業中，引入 5G 互連的自動化運營可以

28、通過機器人和近實時視覺分析來降低生產線成本以及控制質量。IBM 和 AT&T 正在攜手助力千行百業的企業在低延遲的專有蜂窩網絡邊緣環境中管理開放式混合云計算，從而利用區域或本地邊緣計算來更加快速、安全地構建應用。19例如，此項協作方案幫助一家工業企業廣泛部署無線連接，建立了高度冗余的通信網絡，并將成本降低了 30%。5G 與混合云的強強聯合還構筑了一個可靠的基礎網絡來擴展功能，包括人身安全警報、資產跟蹤、生產與質量以及周轉運營。20制造執行系統(MES)數據采集與監控系統(SCADA）維護管理倉庫管理質量控制系統物料搬運系統 55%45%31%4043%33%68%59%48%71%65%56

29、%67%60%48%73%60%48%數據探索者數據轉型者數據優化者 194.利用技術實現卓越制造。在技術方面，數據轉型者已經建立了現代化的工廠應用，并進一步實現了先進技術和人工智能。數據轉型者擁有現代化的物料搬運系統、倉庫管理和維護管理應用（參見圖 8）。其中近三分之二積極使用 DevOps 進行開發，使用容器進行應用部署。55%的數據轉型者在其生產線中非常出色地實現了數字孿生，而數據優化者和數據探索者的這一比例分別為 38%和 33%。它們還實現了更高水平的活動監控和物料搬運自動化。依托于透明、高效的供應鏈，數據轉型者在采購和物流領域的人工智能水平比同行更高。其中 50%在原材料/零部件/

30、子組件采購領域全面實現或大規模部署人工智能，而在物流領域中這一比例為 41%。人工智能已嵌入到支出分析、合同管理和戰略采購中，應用于改善原材料資源預測。人工智能變革了物流流程，包括利用人工智能來預測需求、修改訂單以及更改產品交付。當裝配線出現中斷時，可以重新安排或延遲產品路線，從而幫助減少時間和成本浪費。通過分析天氣、運輸合作伙伴和零售商數據，企業可以利用預測性送貨在適當的時間發貨以滿足消費者需求。21圖 8替代舊式應用百分比表示在 5 分制中回答 4 和 5 的比例，其中 1=完全沒有，5=非常出色。數據轉型者真正領跑同行的一個維度是能夠利用數字計劃創造巨大的價值。在利用數字投資提高生產力、

31、效率和安全性方面，數據轉型者都比同行更加成功（參見圖 9）。數據轉型者圖 9實現數字化的效用產量 產能利用率設置/換型時間工作意外改進百分比19.9 18.3 15.434.0 28.0 26.6-18.9-13.3-12.4-45.9-39.1-38.7數據優化者數據探索者20京瓷利用自治技術倍增生產力京瓷(Kyocera)已經從最初的精細陶瓷專業制造業務拓展至更多其他領域，包括通信、汽車、環境能源和醫療保健等。作為銷售擴張計劃的一部分，該公司啟動了“生產力倍增計劃”，旨在實現制造生產力倍增、降低成本以及提高競爭優勢。自 2019 年 4 月以來，京瓷公司一直在其所有工廠中推廣基于人工智能和

32、機器人的無人生產線。人工智能數字平臺解決方案可實時分析所收集的各種數據。如果系統確定可能會生產有缺陷的產品，則會自動更改加工條件并及時處理。如果系統確定生產線可能會停止，則會在機器發生故障之前提醒操作員或負責人。通過在數字平臺整合生產計劃調度與生產操作系統，京瓷多家工廠的生產線都實現了顯著的質量改進。22215.打造面向未來的制造業工人團隊。隨著制造業繼續推進數字化轉型，未來的產業工人將被重新定義。未來，員工需要具備適當的技術，包括積極使用智能自動化、數據和數字技術。而意識到這一點數據轉型者正在著手打造面向未來的員工團隊。61%的數據轉型者表示正在大幅增強員工對智能機器/設備的理解，而數據優化

33、者和數據探索者的這一比例分別為 56%和 33%。而且這種培訓并不僅限于組織內部。近 70%的數據轉型者在很大程度上也會向其他制造企業學習經驗，從而更加深入地理解數字能力的優勢并開始重視智能自動化。受訪高管還表示正在投資培養新技能。數據轉型者大力投資發展的技能領域包括可持續性（例如精益制造或減少碳排放）、敏捷與設計思維、數據管理和技術使用。通過適當結合人才與數字技術，此類企業可以生成規范性洞察并從中獲取下一步最佳行動建議，從而彌合制造業的績效缺口。通過大力投資發展敏捷技能，企業可以基于來自運營流程測試、迭代和改進中的實時反饋來做出整改。數據轉型者認識到，要駕馭不斷發展的制造環境，需要依靠強大的

34、員工團隊來快速改變行動路線、應用問題解決能力來推動數字化轉型，從大量數據中獲取洞察并采取行動。圖 10投資培養新的工作技能 37%42%47%37%53%51%36%47%57%44%51%59%64%76%84%53%63%78%44%57%65%數據探索者數據轉型者數據優化者可持續性 敏捷實踐/設計思維 訓練認知系統的機器學習和算法數據管理 建模和仿真 數據科學 OT 安全性22百分比表示在 5 分制中回答 4 和 5 的比例，其中 1=完全沒有，5=非常出色。?sdemir推動現代化鋼鐵生產OYAK Mining Metallurgy 旗下的 ?sdemir 公司是土耳其歷史悠久的綜合鋼

35、鐵廠，也是土耳其長材制造能力最大的鋼鐵廠。生產數百萬噸鋼鐵是一項資產密集型業務。該公司希望利用創新性技術保證數十個生產基地的設備滿負荷運行，并最終選擇采用一個通用平臺來管理 ?sdemir 及其 Erdemir 子公司的資產。該平臺的儀表盤提供了一個統一控制點，讓該公司能夠集中監控、管理和報告其設施中資產生命周期的所有階段。該平臺解決方案將設備分類（關鍵、重要或正常）分配給每項資產，讓該公司能夠基于分類對不同資產采用不同的策略。例如，該公司結合預防性或預測性維護與在線監控來為關鍵資產提供高度保障。借助該平臺的人力資源管理功能，?sdemir 公司還可以根據維護說明來分配適當的人員。還可以幫助該

36、公司更加高效地監控和分析數據，并據此決定何時分配團隊成員以及何時引入專家。此外，該解決方案還與 Erdemir 和 ?sdemir 的財務、維護及倉庫部門相集成，可按資產重要性顯示備件庫存。這有助于確保預備好定期維護所需的適當材料。2323246.將數字化與制造運營及管理相結合。數據轉型者和數據優化者均了解數字化轉型帶來的內在機遇，并利用強大的數據和數字技術來推動制造行業的變革和創新。44%的數據轉型者和 39%的數據優化者在很大程度上已確保數字/IT 戰略與其制造戰略相協同，而數據探索者的這一比例僅僅略高于四分之一。而這種戰略協同又有助于實現工廠應用和網絡現代化；連接數據、應用與流程以簡化操

37、作；創建工廠數據和分析平臺；以及擴展邊緣分析/人工智能應用。在監督運營領域，數字指揮中心有助于實現實時流程跟蹤、KPI 管理和應用監控。在這三種類型中，大多數組織都使用此類控制中心來支持生產管理和庫存管理。在利用控制中心支持生產質量管理和物流/供應鏈方面，數據轉型者和數據優化者保持領先。供應鏈與生產運營的有效集成革新了制造商獲取材料/組件以及交付產品的方式。利潔時打造未來工廠作為一家快消品公司，利潔時(Reckitt)面向全球市場生產各種廣為人知的衛生、健康和營養產品。對于該公司的 IT 和制造團隊來說，以數字化和自動化運營為核心的工業 4.0 技術提供了通過變革超越競爭對手的絕佳機遇。但他們

38、首先需要克服一些重大障礙，比如說孤立的數據、不同的操作系統、工廠之間缺乏互聯以及工廠的技術成熟度差異。利潔時著手打造“未來工廠”，實施可擴展的云基礎和數據主干網絡，從諾丁漢工廠起始，繼而擴展至全球范圍內的其他工廠。該解決方案針對三個用例量身定制：整體設備效率(OEE)、工廠維護以及能源效率與可持續性。為了改善運營和制造效率，利潔時部署了“互聯式 OEE”解決方案，可自動收集生產力數據并提供工廠機器資產監控。系統會自動根據實際機器狀況觸發維護活動。電表接入了云平臺，因此現場管理人員可以使用儀表盤來跟蹤能源使用情況、發現趨勢或異常，并及時跟蹤利潔時在實現宏大可持續發展目標方面取得的進展。2021

39、年 5 月，諾丁漢工廠于成為利潔時第一家投入運營的未來工廠。到 6 月，預計該工廠的維護成本降低了 10%，電力消耗降低了 3%。24 2526要充分發揮制造 4.0 的潛力，整個企業需要協同采取統一行動。創造更大客戶價值與持續改進運營齊頭并進，既有戰略意義，也有運營意義。如何推進制造 4.0 將取決于您的具體數據成熟度水平。首先要對制造組織的當前狀況進行客觀的評估。是否對工廠的舊式應用進行現代化改造？在融合企業 IT 與工廠系統(OT)方面取得了什么樣的進展？建立了哪些數據計劃來利用海量數據？在增強工廠基礎設施的過程中處于哪一個階段？是否引入了數據管理技能？通過回答這些問題，您可以確定自己組

40、織的類型以及在營造面向制造業的數據驅動文化方面取得的進展。對于以下三種類型的企業，他們側重點各不相同：數據探索者。建立協同一致的數字和制造戰略。創建標準化數據架構。推進工廠應用現代化 包括質量控制和維護；利用 DevOps 助力開發。部署智能化生產管理工作流程。融合 IT-OT 環境。增強員工對智能機器的理解。將網絡安全擴展至 OT。數據優化者。在集中式數據模型之上實現通用數據治理與語義數據模型。推進 MES 應用現代化。實現數字孿生和材料搬運自動化。利用 DataOps 創建數據管道（參見邊欄“觀點：積極采用 DataOps 改進數據管理與交付”）。繼續推動工廠基礎設施現代化。引入建模和仿真

41、技能。在多個工廠位置復制藍圖/參考架構。數據轉型者。進一步推動應用現代化 MES、SCADA、實驗室信息管理系統(LIMS)、生產信息管理系統(PIMS)和倉庫管理系統(WMS)。遷移至開放和標準化的 OT 系統。利用 Data Fabric。繼續推動工廠基礎設施現代化。在工業邊緣利用 5G 和處理數據。引入 OT 安全技能。在多個站點和合作伙伴位置復制同一藍圖/參考架構。.制造商們應當制定符合各自所處階段的制造 4.0 戰略，但除此之外還需要關注三個共同的戰略優先事項：行動指南制造 4.0：化數據為決策2701實施數字制造藍圖02在制造業中引入新技術制定與您的數字/IT 戰略相關聯的制造戰略

42、，包括針對各個制造領域的舉措、協同一致的技術投資、必要的資源以及生態系統協同。評估當前運營以理解現有流程及其支持系統的主要痛點和挑戰。讓生產、運營、維護、質量和安全團隊的關鍵工廠利益相關方共同參與。定義未來的業務流程并與所有需要進行的整改建立對應關系，包括車間單元（改造）、庫存位置、產品/材料的相關屬性、生產路線、生產流程、配方、質量參數、IT/OT 支持系統以及參與未來流程的角色/人員。定義云/邊緣解決方案的架構需求、決策和運營設計；定義總擁有成本、投資回報率、業務價值或完整的業務案例。利用新的數據源和生態系統合作伙伴來推動新洞察并提升效率。利用與其他制造組織的合作關系來創造更廣泛的想法和機

43、會。采用開放和敏捷的原則推動舊式應用現代化并部署新應用；集中管理應用生命周期。部署一個應用集成架構，支持通過多種通信協議/接口實現互聯，觸發自動工作流程，建立專有職能服務來公開/攝取數據，以及滿足未來對額外功能的需求，這些功能將在后期以較低的成本推出，與企業和/或工廠級別的新子系統/系統實現集成。利用各種開放標準，例如 OPC 基金會開發的 OPC 統一架構（傳感器與云應用之間的數據交換標準）以及 MQ 遙測傳輸(MQTT)（面向物聯網的標準消息傳遞協議）。建立數據共性和治理來增強數據信任。建立自動化發現流程，關聯充實語義并理解業務就緒數據。設計和部署底層 Data Fabric 架構來提供基

44、于可靠數據的服務（儀表盤、報告、自助商務智能），以透明方式處理來自不同來源的數據，并支持各種數據交付方式（流傳輸、ETL、數據虛擬化和數據微服務等）、主動元數據管理和嵌入式機器學習功能。大規模部署和管理邊緣分析/AI 應用。例如，流程顧問將協助流程工程師進一步優化關鍵運營，從而提高能源效率和產量。人工智能驅動的自動化檢測將增強人工檢查和技術援助，從而幫助減少產品缺陷、提高效率以及減少誤報。部署混合云并實施面向運營環境的管理框架。擴展安全的多云軟件定義網絡，利用 5G 和邊緣計算實現工廠現代化?？缁旌显茢祿鷳B系統自動實施安全、隱私和使用策略。03打造全新的員工體驗要成為制造業的數字化轉型領導者

45、，企業需要協同推進多項計劃并消除傳統孤島。在組織的各個層面制定合理的制造戰略，讓員工積極參與不同的制造領域，并深入理解業務變化趨勢、將要創造的價值以及個人發展機會。復盤組織快速有效采用新技術的能力，并實施與組織數字計劃相關的主動變更管理。引入數據型和技術型人才，作為現有資源的強力補充。采用敏捷原則，明確數字計劃成果，并設定里程碑。利用更加流動性的決策能力，并更加廣泛地應用技術來相應地調整培訓、晉升與人才管理。實現自助分析。推動數據使用者與數據提供者開展快速大規模協作。部署可支持所有非職能性需求（例如性能、可用性、可擴展性和彈性）的底層基礎架構，這些因素會嚴重影響用戶體驗以及用戶對新系統的接受度

46、。觀點積極采用 DataOps改進數據管理與交付DataOps 是一種基于實踐和技術的協作管理學科，旨在通過實施數據管理和數據集成來助力企業以卓越的彈性和敏捷性來應對未來變化。利用強大的自動化能力，DataOps 可以助力企業從混亂中梳理出秩序和原則，并有效應對各種重大挑戰，成功將數據轉化為業務價值。DataOps 的范圍包括在數據管道的五個關鍵領域實現自動化：數據管理服務、元數據管理、數據治理、主數據管理和自助交互。25 它可以實現許多潛在效益，包括縮短部署分析解決方案的周期時間、減少數據缺陷、縮短解決數據缺陷所需的時間以及減少數據孤島。262829公司規模（年收入）行業15%汽車10%化學

47、品10%消費品10%下游石油和天然氣（僅限煉油）17.5%電子產品7.5%工程與建筑（僅限建筑材料制造）10%工業機械/重型部件 10%生命科學/制藥10%金屬研究和 分析方法IBM 商業價值研究院（IBV）聯合牛津經濟研究院開展了兩項調研：2021 年 10 月至12 月期間，針對來自 32 個國家/地區的 1,630 名高管開展了第一次調研，2021 年 11 月至 2022 年 1 月期間，針對來自 32 個國家/地區的 730 名對標分析受訪者開展了第二次調研。我們收集各種企業高管對調研問題的回復，包括首席運營官、首席制造官和副總裁/制造總監。對標分析受訪者對其組織中的制造指標及其組織

48、的制造政策、實踐與運營有深刻的理解。參與者來自亞太地區、歐洲、中東、北美和南美地區的公司。2,360 位受訪者代表不同的行業和不同規模的組織。所有數據均由受訪者自行提交。10%2.5 億美元至 5 億美元 20%5.01 億美元至 10 億美元20%10+億美元至 50 億美元30%50+億至 200 億美元 20%超過 200 億美元30Jos Favilla Lin Favilla 在 IBM Technology 的全球制造與能源行業部門擔任行業用例總監。他在幫助全球客戶推動重大業務轉型項目方面擁有 30 多年的經驗。Jos 是 IBM 工業學院的成員。Marcelo Svio Svio

49、 是 IBM Consulting 專注于工業領域的工業 4.0 架構師。他的研究方向包括工業 4.0、數字化轉型和集成運營方法，致力于幫助工業公司通過實時集成在業務運營中更快速地做出更明智的決策；通過全新的業務洞察、協作和連接執行復雜分析；并充分利用價值鏈上的各種大量和復雜的現有資產。Marcelo 是 IBM 工業學院的成員。Spencer Lin 是 IBM 商業價值研究院(IBV)的全球石油化工行業及工業品行業解決方案領導者。他在財務管理和戰略咨詢領域擁有超過 25 年的經驗。關于 作者31相關報告工業品行業大規模數字化轉型：企業范圍變革的三項行動，IBM 商業價值研究院，2020 年

50、 9 月，https:/ 人工智能助力優化化工價值鏈，IBM 商業價值研究院，2020 年 9 月，https:/ 技術，智能洞察，IBM 商業價值研究院，2020 年 5 月，https:/ 商業價值研究院20 年來，IBM 商業價值研究院一直是 IBM 的思想領導力智囊團。我們提供有研究支持和技術支持的戰略洞察，幫助領導者做出更明智的業務決策。憑借我們在商業、技術和社會交叉領域的獨特地位，IBV 每年都會針對成千上萬高管、消費者和專家展開調研、訪談和互動，將他們的觀點綜合成可信賴的、振奮人心和切實可行的洞察。需要 IBV 最新研究成果，請在 上注冊以接收 IBV 的電子郵件通訊。您可以在

51、Twitter 上關注 IBMIBV，或通過 ibm.co/ibv-linkedin 在 LinkedIn 上聯系我們。訪問 IBM 商業價值研究院中國網站，免費下載研究報告:https:/ IBM 商業價值研究院：選對合作伙伴，駕馭多變的世界在 IBM，我們積極與客戶協作，運用業務洞察和先進的研究方法與技術，幫助他們在瞬息萬變的商業環境中保持獨特的競爭優勢。32備注和參考資料1 Wallach,Omri.“Industry 4.0:What Manufacturing Looks Like in the Digital Era.”Visual Capitalist.January 10,20

52、22.https:/ is Industry 4.0?”IBM website,accessed April15,2022.https:/ Ibid.4“Digitalization Delivers for Manufacturers:Executive Summary.”The MPI Group.October19,2021.https:/mpi- to Gain:Unlocking Data Value in Manufacturing.”World Economic Forum.January 13,2020.https:/www.weforum.org/whitepapers/sh

53、are-to-gain-unlocking-data-value-in-manufacturing6“3 Must-Haves For Intelligent Manufacturing.”Forbes.January 6,2020.https:/ manufacturing/#e004ddc670e7 Weber,Austin.“The Big Data Dilemma.”Assembly Magazine.August24,2021.https:/ Threat Intelligence Index 2022.”IBM website,accessed February 2022.http

54、s:/ Fujimaki,Ryohei.“The 6 Challenges of Implementing AI in Manufacturing.”American Machinist.December 2,2020.https:/ is Industry 4.0?”IBM website,accessed February 22,2022.https:/ s create data fabric instead of data siloes.”IBM website,accessed April 4,2022.https:/ is a data fabric?”IBM website,ac

55、cessed April 5,2022.https:/ Kouwen,Peter.“L Oral and IBM:An Industry 4.0 makeover.”IBM blogs.January24,2019.https:/ Threat Intelligence Index 2022.”IBM website,accessed February 2022.https:/ and IBM to Bolster Cybersecurity for Industrial Operations.”IBM press release.October 15,2020.https:/ IBM Con

56、sulting customer case study.17“What is Industry 4.0?”IBM website,accessed February22,2022.https:/ 4.0 architecture for manufacturing.”IBM website,accessed February 24,2022.https:/ Boville,Howard.“An IBM-AT&T Collaboration to Bring Hybrid Cloud to Enterprise 5G.”IBM press release.October 29,2020.http

57、s:/ IBM Consulting customer case study.21“What is Industry 4.0?”IBM website,accessed February22,2022.https:/ Endo,Atsuko,Tomoko Matsunaga,and Yuka Yano.“Future Factory.”IBM case studies.IBM website,accessed April 2022.https:/ Karaorlu,Sururi.“sdemir:Modernizing steel production with Maximo,AI and Io

58、T.”IBM Customer Stories.March 17,2020.https:/ Cloutier,Michelle.“Building the factory of the future today.”IBM case studies.IBM website,accessed April 2022.https:/ Quoma,Sara.“What is DataOps?”IBM blogs.December 18,2019.https:/ Nayak,Sandhya,Sonia Mezzetta,and Karina Kervin.“An introduction to the DataOps discipline.”IBM Developer.IBM website.October 19,2021.https:/