导读
本文将分享如何利用数据赋能制造业数字化转型。
1.
背景知识简介
2.
整体架构设计
3.
挑战与解决思路
4.
展望未来
5.
问答环节
分享嘉宾|
杨德
华融化学股份有限公司(新希望化工)
数据平台负责人
编辑整理|
杨倩
内容校对|李瑶
出品社区|
DataFun
背景知识
中国政府高度重视传统制造业的数字化转型,出台了一系列政策和措施,如
《中国制造 2025》、《关于加快传统制造业转型升级的指导意见》等,旨在推动制造业向高端化、智能化、绿色化发展。
数字化转型涉及人工智能、大数据、云计算、物联网等技术的应用,这些技术有助于提高生产效率、降低能耗、提升产品质量和创新能力,技术的提升将为传统制造业带来新的契机。
转型不仅仅是技术的升级,还包括产业结构的优化,推动传统制造业向价值链高端迈进。
不得不提的是在这种大势所趋之下,企业数字化转型面临很多技术、资金、人才等方面的挑战,企业需要根据自身情况制定合适的转型策略和路径。
2. 传统制造业构建工业数据指标体系难点
-
技术基础薄弱:核心关键技术的缺乏,如工业软件、底层操作系统等,限制了企业的转型步伐;
-
数据孤岛:企业内部数据分散在不同的系统中,难以实现有效的数据整合和利用;
-
复杂工艺流程下的数据标准不一致、质量参差不齐,语义未统一等问题;
-
由于行业壁垒与业务差异,难以形成统一的工业指标体系;
-
-
资金投入:数字化转型往往需要较大的资金投入,对于一些中小企业来说,资金压力较大。
-
人才缺乏:数字化转型需要既懂技术又懂业务的复合型人才,而这类人才相对匮乏。
整体架构设计
1. 技术为基,业务为本,双管齐下,助力转型
首先要明确目标,第一是要规范我们的技术体系和管理体系;第二是实现数据统一入湖和治理;第三个目标至关重要,就是构建化工指标体系,逐步释放数据价值,辅助企业经营管理和企业高层管理制定决策。从数据应用倒退到数据建设,这样更能有助于产出价值。
-
整体框架规划:包括总体蓝图规划、数据架构规划、数据应用规划、数据治理规划、数据模型规划和应用建设蓝图规划。整体规划一定是要与业务战略相符合的。
-
基础平台建设:包括大数据平台、数据治理产品、数据模型的建设。
-
数据治理体系建设:有了数据平台,把数据汇聚起来之后,我们需要做数据治理,可以依据国内的如华为,以及国际的 DAMA 体系等标准。
-
数字化运营建设:技术是基础,业务是本质,指标体系的建设都是为业务服务的,既要懂数据建设,又要深入业务,以业务主线,将指标体系串联出来,发挥数据价值,这是场景落地的核心目标。
-
数字化管理赋能:指标体系构建出来,不仅仅是为了看,还要与我们的管理流程打通,这样才能体现出其价值。在发生指标数据异常之后进行报警,将跟踪项和绩效挂钩,事后复盘,并沉淀到我们的知识库中,最终形成企业管理标准化流程。
2. 技术架构规划
技术架构与企业具体业务相关,跟互联网公司指标体系建设不太一样。制造业全部系统线上化比较困难,很多公司会使用 excel 或飞书表格,这部分在数据湖中需要有一个暂存区做统一的规划和收集,这是传统制造业的特点。其次,很多制造业是从国外采购的 ERP 系统,像 SAP 是用的 HANA 数据库,在与数据湖打通时,需要做技术上的特别考虑。其余部分可以参考标准互联网架构。
谈到可追溯性,往往与元数据相关,包括元数据管理和血缘分析,但在此想要强调的是追溯责任人。其实我们的数据是绑定在设备和其负责人头上的,所以在数据全生命周期管理中还要去追溯责任人,要与责任人绩效挂钩,统一形成一个整体。
3. 指标体系与数据应用建设“4+4”原则
-
目标明确,例如以从商机到现金,覆盖营销与营销相关业务场景为原则,设计经营指标体系。基于体系,以提升经营效率、赋能营销业务为原则,设计指标应用。
-
重视过程,不单以财务成果、合同订单结果等展示为目标,需重视业务过程,从过程数据找问题、从过程问题找预防。过程数据包括趋势与预警,达到主动管理目标。
-
层次清晰,根据最细粒度的经营需要,展开指标设计与数据分析,如销售金额可从片区分层到客户主管、客户经理、合同定单等。各层次逐级汇总总体成果指标与数据。
-
可量化,经营指标以数据可获取、可量化、可计算、可测量为设计原则。暂无数据获取条件、无可量化计算条件的,首先整体规划,后视优先级分步实施。
-
减少人工干预,数据分析应用时,最大化减少数据准备与分析时的人工干预,以自动化的数据应用来提升使用效率,统一业务口径。
-
反应业务现状,经营数据的应用需直接反应业务现状,在减少人工干预下,无须多个部门反覆调整二次修正。
-
形成趋势预警,经营数据应用提供趋势分析,注重经营健康分析与风险管理,形成预警功能,如合同数量趋势、销售金额趋势等,使经营与营销条线可先期管理、预先行动。
-
建设能力指标,以营销数据为基础,建立客户画像、营销团队画像,建设基于基础指标再应用的能力指标。以能力指标提供更前瞻的经营决策辅助信息,如客户价值贡献、市场拓展等战略层面。
挑战与解决思路
1. 遵循“4+4”原则,明确指标建设多维矩阵
在遵循“4+4”原则的前提下,分三层建设一个多维矩阵。首先,上市公司一定是有股东价值的,一般看两个能力,一个是盈利能力,一个是现金流,盈利又可拆分为利润和营收增长。
我们的盈利模式下又会与客户经营相关,这一部分除了客户服务,还有市场经营。在指标体系设定的时候,不能光看自己的客户,也要看市场份额,重点关注客户分类,需要根据主营业务精准找到自己的客户。另一个重点是产品的分类,通过核心指标明确自己的主营产品是什么,能通过日常波动看出营业份额的变化。另一部分是战略客户,可以看出公司潜力。通过战略客户新签单金额,战略客户投标金额等,对战略客户的发展趋势要做一个明确的预测。
客户经营这一层主要是关于对外策略,而第三层则主要是对内策略,包括新产品研发、供应链提效、市场与营销。
重点讲一下成本管理,要通过成本领域关键指标的梳理与分级管理,建立常态化的成本管理机制,使车间的各项制造成本费用清晰可控,不断提高企业竞争力。首先我们要对指标做分级管理,一级指标通常有材料成本(原材料、半成品、外购件、呆滞物料)、制造可控成本(工装、夹具、模具、刀具、量具成本、机物料消耗、低值易耗品摊销、车间搬运费、劳保及消耗品、其他)、能耗成本(水费、设备电费、天然气费、厂房用电费、节能产值能耗)、人力成本(直接工人工成本、间接工人工成本、薪水工人工成本)、维保成本(设备折旧分摊、备品备件、故障损失成本)。
2. 两大核心举措
第一项核心举措是管控闭环。电商企业很多场景都是在看的阶段,而工业指标体系中通常以过程为重点。在指标管理中,通常要关联人,人要和组织机构挂钩。管控要落实到从配置组织机构、配置考核对象,到配置目标,再到配置报警规则的完整链条。比如销售域、物流域、仓储域,比如某个销售团队的具体某个人,挂上每年的销售目标,包括销售的单量,再从数据平台做相应的预警。规则可以根据外界环境做动态调整。通过规则的下发,会触发规则预警,可以做根因分析,然后通过绩效考核主管做确认,确认影响团队绩效的指标,会分配给个人/销售团队/生产组,创建一个行动项,然后创建一个跟进措施。如果这个措施具备通用性,还会将跟进措施步骤沉淀到知识库中,赋能其他工厂。实现管理闭环,当有不良事件发生时,从指标、数据上预测出趋势,并且跟进相应的措施,有行动反应的管理才是有效的。
第二个核心举措就是绩效矩阵,也就是“管好人”。比如生产域的生产成本和设备的维保成本,看起来是分裂的,其实在绩效矩阵里是一起的。通过产量可以把两者结合,通过生产部门和维保部门的协同跟进,才能提升该指标。通过矩阵性考核,可以达到很好的管理效果。
3. 建立运行 KPI 从设计-执行-分析-控制的生产运营闭环管控
围绕“SQCDPEMI”八大目标进行指标梳理,通过指标分解、行动分解、数据监控、过程预防、目标达成,形成闭关管控,持续循环。
4. 实例展示
通过工厂大屏,实现绩效 KPI 透明化,然后系统自动判定是否需要反馈升级,有固定班组,负责人会在早会上进行跟踪解决,最终形成知识案例分享,可复用到其他产线,沉淀在公司经验库里,形成标准方案。
指标应具备四个特性:相关性、代表性、独立性、评价性。指标分类依据管理工业业内默认标准,与互联网有所不同。
第二个实例是云仓风险管控。由于云仓在外边,不再是管成本,主要是管风险。一静一动,静指的是货物在位置上,动则指的是采购出入库等操作,动静不一致在风控上讲是存在问题的。我们会通过摄像头、AI 识别等方式识别风险。数据调整尽量避免人工操作,我们从账的动静上找差异优化,最终使差异率降低。
未来展望
展望未来,我们将以终为始,明确航向;以数为驱,将规范化的管理模型复制到更多化工厂。
问答环节
A1:在互联网行业当中,很多时候在做销售或者运营类的指标。而在传统行业中,要从业务战略上布局,形成一个矩阵,分析各个部门关系、各个指标之间的相关性,才能真正赋能管理。这是制造业区别于其他行业的最大特点。当然这是极具挑战的,需要深入理解与反复打磨。
A2:首先业务部门有其业务考核指标,与业绩挂钩。另外,我们做了移动端的指标看板,把整个车间实时的生产,尤其是智能化平台这一部分,直接挂到了厂区的生产。
A3:这个问题非常好。之前我们一直认为指标口径是由数据部门来定的,其实这样定了之后是很难推行下去的。因此我们成立了一个数字运营团队,需要既懂数据,又懂业务。指标定义就主要由这个数字运营部门来牵头,他要协调和业务的口径统一,包括数据平台上的语义。如果中间存在历史原因难以统一,可以用技术手段去做统一。
A4:首先,可以将一部分人工操作自动化,比如人工的数据收集和报表统计等工作可以由系统完成,从而提升工作效率。这一部分是很基础的,第二步是让数据真正产生价值。数据产生价值这一部分,我们找到了一个切入点,就是能耗的管理。对于化工厂而言,能耗是一个至关重要的问题。我们会按产线、按班组来分析是否在流程管控上存在问题,分析成本趋势,然后针对性地进行调整。这样就使数据在真正的意义上释放了其经济价值。所以这就是我们目前的两个策略,一个是让用户感觉系统好用,第二个是与业务结合释放经济价值。下一步就是更深入地挖掘产业链,协同其他工厂上下游供应链,实现更广泛的提升。
Q5:很多工业企业信息化部门技术人员都比较精简,这种指标数据平台建设有没有什么快速的落地方案?
A5:一般工厂要自己去做整个数据平台是不太可能的,我们可以借助行业内的一些工具。比如我们的整个平台交给几个大的云厂商去做,如华为云、腾讯、阿里其实都是可以的。数据展示并不是一个重点的工作,国内很多平台都有成熟产品。我们重点发力的应该是指标体系的建设和我们的业务如何紧密结合。当然,制造业中也有一些必须要自己解决的特有问题,比如生产设备实时数据需要时序数据库的支持,这部分往往都是自研,所以除此之外,我会建议大家把基础类的技术建设交由相关行业头部企业来完成,直接使用成熟产品。
Q6:工业化的数据采集是一个比较大的挑战,很多数字化系统是不完善的,手工记账比较多,怎么来控制手工数据对指标精度的影响?
A6:看来这个朋友也是很了解制造业当中的一些困惑点。在分享的数据架构中其实也标出了这个问题。采集上来讲,尤其是一些小工厂又是手动做账,而且还经常改动,我们在湖里做了一个暂存区,就是为了保障把线下的这部分落后一点的传统记账方式的数据取上来。我们自己做了一些基础解析框架,去解析 excel 表格和打通飞书。这样每新建一个工厂,做一些简单的一些配置,就可以近实时地将数据收到暂存区域。这部分数据什么时候移到数据湖中去是线下管控的。
这里也分享另外一个思路。如果数据杂乱不好统一归口收集,又没有办法建那么多应用的情况下,比如借助帆软等填报工具,就可以构建一个表格让用户填报。
总而言之,一定要做这样一个设计,在湖里一定要有一个暂存区以应对特殊需求。
A7:其实发现异常之后,我们这两个动作是一起的。指标一旦形成之后,需要一个指标管理,指标是要可配置的。也就是说一个指标从它建成的那一天起,就配置了相关组织机构,包括这个指标的考核机构和考核对象。所以一旦出现指标异常,就会下发给相应的考核对象。与目标之间的差距会有一个计算规则计算出来,如果差距较大,我们就会在经验库里面去找对应的系统建议的处理规则。比如生产哪一个地方产线高了,然后预警平常满负荷的情况下是 300 吨而今天只有 100 吨,很可能是产线有哪一个机组没有工作,维保部门需要检查哪一个机组没有运转。当然这个考核对象是懂业务的,他也会去根据这个建议进行排查。通过这样的联动来解决导致异常的问题。