大部分制造业企业虽然在生产高质量产品，但普遍利润正持续受到挤压，因为从产品层面上已经越来越难以保持具有吸引力的特色了。摆在面前的路有两条：或设法维持现有利润，或寄希望于通过新的服务模式提高利润，提供利润更高，同时消费者更愿意买单的服务。
那么问题来了，如何实现？
数字化技术！[在业务模式的“服务化”转型]、[合同管理]以及[全渠道营销]三大领域，微软通过领先的云计算、物联网、大数据和人工智能技术，为制造业企业的业务转型予力赋能。
打造服务化业务新模式
极具远见的企业从销售产品转为销售服务，此谓之“服务化”，有助于进一步降低运维成本，创建持续不断的全新收入来源，从竞争对手中脱颖而出。但这一转变不仅要革新产品，更要为消费者提供更全面的服务。
“对大部分制造业企业来说，‘服务化’的本质在于拥抱数字化信息，为自己和客户创造更多价值。”
Microsoft Dynamics 365 for Field Service是一种将Dynamics与微软物联网技术相结合的互联现场服务（Connected Field Service）解决方案，帮助企业轻松实现业务模式转型，改善产品首次修复率，减少现场服务预约数量，提高利润，为消费者提供更满意的成果。
制造商
该如何通过互联现场服务实现
服务化转型
？
五个步骤
！
1. 使用高质量的现场服务管理软件
借此完善服务的管理交付，更好地服务于消费者。Microsoft Dynamics 365 for Field Service包含先进的现场服务功能，可轻松集成计划调度和安排、库存、发票、知识和培训、客户信息等系统，进而优化现有业务，进一步提高服务工作效率、客户满意度和整个企业的运转效率。
2. 连接智能设备
智能设备与现场服务软件的连接帮助企业利用技术改善运维，通过远程方式在只需少量人工介入的情况下解决更多问题，节约成本的同时提高效率。企业可借助Azure IoT Suite和Dynamics 365 for Field Service快速简单地将设备连接在一起，并立刻使用物联网数据做出更智能的服务决策。
3. 将整个企业的不同服务有机集成
统一的平台帮助技术人员在现场服务过程中发现商机并交由销售人员跟进，借此将现场服务、客户服务以及销售工作紧密结合在一起。
4. 充分利用机器学习技术
借此企业获知用户何时需要服务，了解产品表现情况和产生这一情况的原因，并通过机器学习获得的见解更高效地预测库存，安排维护任务。
5. 通过现场服务促进创新
产品和服务创新来自客户见解，来自真正使用这些产品和服务的最终用户。现场技术人员获得的见解也可用于发现隐藏的趋势和最佳实践。借助智能设备和机器学习技术获取、汇总、分析现场技术人员的工作日志，即可广泛利用员工的智慧和经验推动创新，将维护问题转变为预测性、预防性解决方案。
搭建更智能的采购/供应链
制造业企业中，每个人都在生产提速和复杂的配置与协议等方面遭遇压力。其中合同生命周期管理（CLM）是关键，制造商需要通过CLM系统开展业务并控制花掉和赚回的每分钱。CLM系统的转型已成为制造业企业转型关键一环，原因主要有五个：
1. 业务提速，缔约过程同样要加速
数字化转型推动业务飞速发展，制造商开始面临复杂商业关系。为满足合同义务，企业对供应商的依赖越来越强。很多制造商会使用相互连接的多个合同，将服务分配给不同分包商，虽有助于分散供应链风险，但由于缺乏单一，涵盖整个企业的追踪机制，依然需要耗费大量时间，同时也是业务流程中最需要弥补的环节。企业需要通过全新数字化方法管理复杂的合同。
2. 技术进步意味着缔约过程的每个环节均可数字化
数字化转型为制造业企业带来了巨大变化，很多手工流程已全面数字化。借此制造商的各种工作均可自动实现，进而降低风险和成本，帮助员工节约时间提升效率。由于整个过程所有步骤都可通过云平台在线完成，制造商就更是需要与已部署云端智能CLM系统的客户保持步调一致。
3. 当今消费者体验中自服务的本质正在重塑专业人员的工作方式
数字化转型改变了人们对自服务的预期，这种转变也为正在改变缔约过程，拥抱更简单自服务流程的企业创造了巨大机遇。借此，所有部门和团队，从销售到采购，再到法务和运维，可以用更简单的方式保持同步。
4. 政府监管收紧催生了全新的风险管理需求
越来越多管控制度和法律法规陆续出台，违规后果逐渐严重，合规已成企业最大挑战之一。为此必须对相关法律有着极为深入的了解，对于产品和服务已进入不同国家和地区的企业，合规挑战更加严峻。
5. 云的强大使得SaaS解决方案成为软件交付方式的未来
对于重视速度、灵活性和企业级能见度的制造商，SaaS解决方案已成“标配”。云解决方案可轻松集成现有系统，更快速获得价值，同时云托管也意味着企业可轻松构建工作流和工具，并由员工随时随地使用任何设备访问。
CLM的现代化之旅
全球范围内已有大量合作伙伴基于微软智能云开发了现代化CLM解决方案，如IcertisContract Management（ICM）就是一种简单易用的系统，帮助数字化时代的制造商获得管理复杂合同所需的智能、敏捷、企业级功能，通过自服务工作流简化并促进缔约流程，帮助制造商在每个工作环节维持合规，降低成本，通过简单易用的平台应对合同管理工作中的各项挑战。
从每个渠道接触消费者
全渠道解决方案可帮助消费者灵活选择自己偏好的销售渠道，同时帮助消费者与销售团队在不同渠道间无缝切换。据统计，相比只使用一种渠道的消费者，全渠道消费者生命周期价值可提高30%。最终，企业可通过全渠道战略获得更瞩目的成果。
那么制造业企业的全渠道战略实现后是一种怎样的体验？
1. 通过简单易用的电商平台吸引消费者
假设一家建筑公司老板Scott计划购买挖掘机。访问挖掘机厂商网站，在线了解后发现至少一种型号可以满足自己的需求。但在决定购买后，厂商官网让他访问合作经销商的电商网站。Scott发现当地经销商门店该型号有现货，同时还可通过该网站用产品结构图和高级可视化技术浏览产品配置，进一步了解产品细节。
经过一番对比，Scott确信自己做出了正确选择，于是决定拜访经销商。
2. 始终与同一位销售代表进行无缝交互
Scott到达经销商展厅，与销售人员Bob进一步交流。借助全渠道能力，Bob立即看到Scott的相关信息，并了解到他在电商网站选定的型号。这意味着Bob可立即接手为Scott提供服务。由数据科学和分析技术驱动的交叉销售推荐算法还为Scott提供更多建议，借此Bob也可向Scott推荐其他可能需要的产品。
在强大的算法、网站数据及经销商电商平台帮助下，Bob在恰当的时间，以恰当的价格，为Scott找到了最适合的产品。
3. 通过多种渠道快速完成销售任务
几天后Scott得到公司财务部门批准，可以购买与Bob一起确定的挖掘机。同样在全渠道能力帮助下，两人在门店确定的型号与配件已出现在Scott的在线购物车中，可以付款了。
如果Scott付款前有任何问题，或希望通过电话/面对面交易方式购买，也可直接去门店联系Bob或其他销售人员。无论哪种渠道，客户、经销商及制造商在这一过程中都可享受到无缝、流畅的销售过程。
全渠道能力轻松获取
微软庞大的合作伙伴生态体系再次给出了答案。合作伙伴公司PROS基于微软智能云打造的SmartCPQ解决方案，帮助制造业企业打造个性化、无阻力、以客户为中心的全渠道体验。该解决方案帮助消费者在销售过程的每个阶段，通过首选渠道与厂商更密切地接触；同时帮助制造商赢得更多订单。
制造业向服务化转型，实际上是谋求价值链上的高端发展，同时也是工业化进程中制造与服务融合发展的一种新型产业形态。通过对生产组织形式、运营管理方式和商业发展模式的优化升级与协同创新，实现制造业价值链的延展和提升。
移动互联网、大数据、云计算、物联网、人工智能等IT技术的逐步成熟和广泛运用，极大推动了制造业的服务化转型。而微软也将继续以先进、完善的技术解决方案帮助制造业企业不断优化每个业务环节，应对转型期面临的各种挑战，与企业一起，将技术创新变成切实的成果。
如何让普通的生产工厂插上
智能的翅膀
成为真正的智能工厂正在成为制造业共同思考的问题。
制造业中生产过程中每天产生海量的数据，这些数据都存储在数据库里面，而真正能够 发挥实际价值的数据却非常少，从而造成数据资源的极大浪费。
如何对生产过程中的海量数 据进行处理从而发挥数据的价值，将数据不再仅仅是数据，而成为生产的资产是每个制造业 管理者都关心的问题。
为了实现对数据的利用，降低生产成本提高生产效率，很多供应商都 提出了智能工厂的解决方案。 目前社会上提到的智能工厂很多，而真正能够做到智能化的却 很少。
笔者基于多年在制造业中的工业机理模型经验和在智能技术领域的一些实践， 介绍下目前智能技术以及其在制造业场景的应用情况。
一、人工智能、云计算、大数据、
物联网的关系是什么？
提到智能技术大家首先联想到的就是人工智能、大数据、云计算、物联网等。而很多人对这些名词间的关系模棱两可。因此有必要首先介绍下其间的联系。 为了便于读者理解，这里不 引用每个名词的通用定义，而采用通俗易懂的方式进行解释。人工智能从狭义角度讲就是以 CNN 卷积神经网络为代表的模型算法， 具体的应用图像识别和语音识别。
目前社会上所有提到的人工智能技术包括人脸识别、自动驾驶、语音交互、阿尔法狗、指纹识别等等均是基于 CNN 卷积神经网络为核心算法的应用。
因此，人工智能本质就是一种算法。云计算本质是一 种从资源到架构的全面弹性， 通俗的讲， 比如对于一台电脑，有 100 个任务，那么电脑在执 行这 100 个任务时就要有个排队，依次进行，而当数据量很大时， 超大的任务量将会造成电 脑服务器崩溃。
而云计算就是可以将一台电脑的服务器虚拟成多台电脑，比如我们很多人都用过 VMware 的虚拟机软件，该软件可以把我们的 PC 机电脑虚拟成拥有不同内存、存储容 量和网络的小电脑， 这样 100 个任务将会同时分解到多台电脑去执行， 这就是分布式计算， 从而大大提高计算效率。 大数据通俗的讲就是海量的数据， 具有复杂的数据关系。
物联网通俗讲就是通过网络协议将生产过程中的仪器仪表、 视频、语音、文本等数据全部进行连接。
为了通俗理解他们间的关系，笔者将其关系表示如下图所示，并以一方高人的成长历程作为比喻。
物联网、互联网比喻作为一个人的成长环境， 通过在社会、 学校、环境中的不断学习， 将会收获海量的知识，这些海量的知识就是大数据。
要想有效的利用海量知识并发挥其价值 需要各种数据模型（包括统计分析、机器学习、人工智能、工艺机理模型）对数据进行训练， 这种训练的过程比喻为一个军师（或者老师）对人的指导、培养过程。 而数据模型的分析训 练需要云计算进行快速高效的迭代，从而形成丰富的知识经验，成为一方领域的高人。而云 计算就相当于人类的大脑。
由以上分析可知，一方高人的形成包括数据采集层、数据存储层、数据模型层、数据计算 层，其中数据采集和数据存储依托于目前的 MES 系统已经能够很容易的实现。数据计算依 托于阿里云、华为云、百度云的计算服务也能容易做到。
目前的核心限制环节在于数据模型层，即如何将生产中产生的大数据通过数据模型转换为有价值的信息。
因此，笔者在本节着重对数据模型的选择进行介绍。
对于数据模型的分类仁者见仁智者见智，没有统一的 定义，笔者结合多年的工作经验，
认为主要分为以下四类， 包括统计分析、机器学习、深 度学习以及工艺模型。
由于篇幅关系，本文将不再具体解释每个模型的具有原理和算法， 后续将会详细讨论。 数据模型详细具体分类如下图所示，由图可知，统计分析模型主要包 括线性回归、多元线性回归、非线性回归、 spc 分析、相关性分析等；机器学习模型主要 包括逻辑回归、支持向量机、 k-means 聚类、神经网络学习、决策树、贝叶斯模型、随机 森林等；深度学习（人工智能）主要包括 CNN 卷积神经网络网络等；工艺模型主要涉及冶金或者化工行业的物理化学反应，包括热力学和动力学相关理论知识，生物发酵化学反应 以及基于边界条件的最优解等问题。
以上介绍了数据模型的分类，那么如何对模型进行选择呢？
由于每个模型有其特殊的需求，本文主要根据数据的类型、数据量以及应用业务场景的不 同将其分为分类、回归、聚类、 降维、深度学习五大类，如下图所示。 通过该图结合生产 的数据类型、数据量以及数据实现的目标从而有效的选择需要的数据模型。
对于智能技术，笔者认为从广义角度讲，凡是能够代替人工操作并能够有效提高工作效率的都可称作为智能技术；
从狭义角度讲，智能技术主要是以机器学习、深度学习等复杂算法为核心，并将数据转换为有价值信息的技术。
因此， 智能技术在制造业中的应用从广义角度讲可以概括为运营管理、智能模型、智能装备 等方面，每个方面包含内容如下图所示。其中运营管理包括财务管理、供应链、资金管理、人力资源、协同办公、智能物流、设备管理、能源管理、安环管理和自动报表等。智能模型 主要包括统计分析、机器学习、工艺模型、企业大数据、成分预测、设备预警、智能调度、 辅助决策以及人工智能等。智能装备主要包括机器人、自动化装备等。
从狭义角度讲，智能技术在制造业中的应用主要包括以下 7 个方面，其中统计分析主要依托于柱状图、饼状图、散点图等实现对生产重要数据的实时展示和辅助决策等；图像智能识别技术主要应用在车牌识别、人脸识别、钢铁企业表面质检检测系统、标记号码自动识别等； 语音智能识别技术主要依托于科大讯飞等成熟产品，实现在局部区域进行人机对话操作，从 而减少人员数量；基于实时数据的智能预测主要基于生产过程实时的工艺数据和检化验数据 依托于智能模型对终点成分进行预测判定，以及根据设备重要工艺参数进行智能故障预警等。 基于历史数据的智能预测主要是针对无法实时获取生产实时数据的类型，需要根据历史 数据通过智能模型对终点成分、温度、压力以及设备故障等进行预测报警，还包括通过历史 数据的判定分析，结合智能模型，发现现场操作人员的数据作弊问题。基于聚类分析的专家系统主要包括通过对历史数据多维度的分析，通过聚类算法实现对产品质量以及新产品性能 等进行智能预测。基于边界条件的最有决策问题主要针对于一定限制条件下，对于某个目标通过建立线性方程组实现线性规划求解，从而实现最佳成本优化以及不同价格物料的最优匹 配，典型的应用场景为配料过程。对于更加具体的应用场景，将会在后续文章进行详细介绍。
