工业4.0趋势：大数据分析正在变得极端重要

【前言】

想要走上通往工业4.0的大道，我们必须用大数据平台来铺路。

【1、大数据与数据的区别：成本分析案例】

反复观察以上图片，我们不难发现，工业4.0的所有智能模块，就数据维度而言，都应该进入“大数据”平台系统。为什么？很明显，对事物“质”的认识，需要由量的分析实现，而这个量化分析，应该上升到分析模型的高度，分析模型中，最有价值的是通过认识事的“质”，而生成新增价值贡献的模型。新增价值贡献模型，应该是企业管理所能达到的最高境界。其实，所有的科学研究，其实经济学研究所追求的目标也是如此。而这正是，“大数据”不同于“数据”的本质所在，而非数据量的大小和数据多样性的多少。具体而言，如果没有优化的炼钢模型和轧制模型，中国钢铁企业很难在高端汽车板上产生突破。今日宝钢，核心能力建设上瞄准的标杆，已逐渐从韩国浦项制铁转向日本新日铁，宝钢向新日铁学习的，已不是简单的制造精益管理内容，一定是外部看不到的，构成新日铁核心能力的，基于产品品类和工艺流程的若干大数据分析模型。正是这些模型使新日铁保持着在产品性能、产品质量和产品成本上的高端竞争能力。大数据并不只是海量数据，这是外在表象。互联网到来以前，一个全球性大企业每天订单处理的数据量也不可谓不大，大型钢铁企业MES层或过程控制系统小时分钟级的数据，国家电网数据，电信运营商数据，都是巨量数据，但又怎么样了呢？大数据的本质是通过对数据的采集和分析，创造出以前没有的新增的价值，以前做不出来的对未来的预测。判断是不是大数据，基准点就是两个：价值新增和对未来的预测。举一个工业大数据中最基础，企业经营须臾不可分离的案例：成本数据来阐述大数据与数据的区别。事实上，成本数据是企业管理能力的一个基础DNA，各类业务逻辑的KPI指标，不过是从某个特定角度在现有约束条件下对成本要求的一种具象化。例如，质量KPI中“合格率”指标，是不是越高越好？显然不是。没有任何一家企业可以不计成本追求100%绝对合格率。管理的大多数过程，就是将成本要求通过具体的业务逻辑落实到业务细节。从财务成本角度看，按财务结算周期，成本数据有固定的数据和详细的财务科目匹配，因此财务维度下的成本数据完全不具备大数据特征，只是传统业务数据的一类。尽管有些企业成本数据收集工作量很大，逻辑也复杂，但这没有改变财务管理下成本数据归集的基础逻辑。这些成本数据就是结果数据。一般企业的结算周期都以月为单位，因此月度成本结果是最常见的形式。可想而知，对于追求精益化管理，追求4.0可视化和智能化的企业来说，月度数据逻辑对于整体管控和业绩改善的帮助，价值非常有限。但如果从管理成本角度看，成本数据的逻辑则有不一样的解读。成本数据的产生过程与企业管理的每一个业务细节都发生关系。成本数据的这种过程性、多维度和关联性正是成本数据所具有的大数据属性。实际订单执行全过程所产生的海量数据都与成本发生着直接或间接关系。这种属性就是成本的归因逻辑，只有通过归因，才能够定位成本的发生细节，才能够寻找改善成本的有效途径。成本数据的影响因素贯穿于管理体系中的每一个环节，每一个活动。每一次管理决策和执行的选择，都有可能对成本产生影响。而这种影响是正面还是负面，具体量化的程度有多大，很多时候都没有答案。在工业2.0和3.0时代，大多数企业，在管理成本影响要素上，如原材料成本、人力成本、设备折旧等也有足够的重视。但进入到更加精益化管理的领域，很多问题就难以得到精确的答复。例如，如果将成品合格率从98%提升到99%，会产生多少额外的成本，是否能匹配所得到的收益？当特定时间停产所产生的产量损失和不停顿连续生产可能带来的质量损失或是设备损失哪一个更大？特定工艺环节的调整带来了哪些成本要素的变化，具体影响有多大？要清晰回答这些问题，就需要企业围绕管理体系，构建更为复杂的管理成本模型，而这，无疑就进入了大数据的范畴。管理成本模型的重点不是包含哪些成本项目，而是定位影响成本的因素，并对其进行量化，从而实现各成本项目的可跟踪、可分析、可比较。在可比较的基础上，实现最终的改善路径的设计。围绕这样的目标，成本模型的构建核心在于大数据分析模型：以业务流程为导向，将企业决策和执行过程细分为细节要素，并与成本数据进行关联，寻找匹配关系和量化参数，这，其实就是探索成本管理的内在规律。在此之上，则需要通过完整的成本数据归集逻辑构建原始各要素数据向成本数据转化的模式，使得成本数据的收集与核算形成实时计算机制。这样不仅有利于真实数据的快速核算，还可以为各种虚拟场景进行成本试算，从而寻找优化路径。工业4.0时代，所强调的不仅是基础自动化和传感器所带来的大量数据，更重要的是，应该将这些数据与具体的业务过程建立联系，进而与这些业务过程所要实现的管理目标建立联系，就是说，基于大数据的成本分析模型，其核心的评价指标就在于成本管理上为企业带来的新增效益。伴随4.0时代底层和终端数据的丰富，为成本模型的丰富和完善，带来了新的可能性。在大数据体系支撑下，未来的成本管理将迎来新的时代。这个成本案例的描述，通过一张图表示，就是下图。

【2、大数据建模方法：二维矩阵模型】

如下图所示，包含四个关键点：

第一个关键点是“企业核心业务流程端到端”（附图03黄色格数字1）：数据不能脱离业务，任务数据都是业务的表征。对业务认识的深度，决定着对数据理解的深度。库存周转天数，对一个企业经营者可能意味着生死，而对一个大学统计学毕业的高材生则可能没有任何意味。因此，大数据建模与分析的出发和归宿都是业务，那么核心业务的端到端就是大数据建模与分析的根本前提条件。什么是核心业务（Core Business）？很简单，关乎一个企业生死存亡的业务，让企业赚钱和发展的业务就是核心业务，建立核心业务的端到端模型，是大数据建模的起点。在这张图中，就“订单盈利分析”而言，端到端核心业务就是从供货到用户，一个订单履行的完整的生命周期，在这个完整生命周期所有核心业务节点有没有数据，数据的状态是什么样的，从数据可以读出业务有没有竞争力，即订单履约全流程到底能不能赚钱。同理，创建“质量分析大数据模型”时，不能光看制造质量数据有没有竞争力，也不能光看设计质量数据，而要看“质量全生命所有业务节点”的数据。从这张图可知，至少要看10个核心业务维度的质量数据（从质量投诉索赔数据倒逼），同时还要看与10个核心业务直接相关的产品规划、产品研发、新品上市，还要看与供应链相关的数据。一个真正管用的质量大数据分析模型，甚至还应该看更多维度的数据，比如，质量管理岗位的角色和职责数据（R&R），看质量管理标准和规则数据，看关重件的质量定义（关键特征）数据，看质量管理人员的能力数据等。这类数据显示在下图中：

第二个关键点是，由六个大数据工作节点所构成的大数据建模和分析的方法论模型：起点是确定大数据方向与规则的“企业能力提升或效益追求的目标”，如产品的差异化性能目标，产品或服务的质量目标，成本结构优化目标等，这些目标表现为具体的KPI数据。第二个工作节点是大数据的分类，基于业务目标的分类。没有分类不可能做数据采集，更不可能进行数据建模。在工业大数据领域，数据采集的主数据源，是智能制造的终端设备，如机器人、RFID、二维码，也可能直接采集自MES系统，ERP系统，PDM系统，虚拟现实系统，3D仿真设计系统等。第四个工作节点是数据处理，主要是ETL。我把统一数据管理平台（DMP）的建设也放在这个节点。数据采集和处理是传统数据必有的业务，但数据能不能打通，是大数据建模在这一节点的关键。在一个传统企业，数据打通其实是一项非常艰苦的工作。第五个节点是大数据的核心节点，即大数据分析模型的创建和创建以后的修正、迭代和不断完善。这个节点就是大数据区别于数据的关键！传统的BI在这个节点做得非常漂亮，五颜六色的滚动驾驶舱，但如果这些驾驶舱都是甲方领导或甲方业务人员基于领导指示，或内部管控开发的，都是现有业务，常常是没有竞争力，不增值业务的摹写，那就不是大数据！它没有带来任何新增价值贡献，也没有对经营做事前预测或事前预警。最后一个（第六个）节点，就是基于大数据模型应用所实现的价值增值（变现），而这个价值增值刚好是第一个节点目标的实现，那么这个大数据工作模型就实现了一个目标驱动，从目标提出到目标落地的完整闭环，这就是真正的大数据工作方法。为什么把第五个节点“大数据分析模型 – 先验模型、算法、迭代”，改画为红色，就是想说，大数据的核心，大数据的灵魂，在这个节点，而不是数据采集，也不是数据处理。我想再一次强调，为什么要做数据建模，为什么要采集数据，采集什么数据，处理什么数据，这些都不是大数据的本质，而本质是基于企业给定的目标创建能实现这一目标的大数据分析模型（目标导向原则），而这个分析模型最终通过实证和不断完善，能让目标变现（目标实现原则）。第三个关键点是，大数据分析的核心要素，比如，最优成本结构分析的核心要素（见附图03）是订单盈利分析、产品性能对比分析、工艺配比分析、质量分析、设备状态分析，∙∙∙∙等。没有这些核心要素，就没有“最优成本结构分析”，这些都是成本结构的核心影响因子。如何比较完整和准确确定一个大数据模型的核心要素，这个最终还是要看业务功底。第四个关键点是，数据标签或画像。这是一个二维矩阵模型，在任何一个矩阵点上一个数据或一组数据就是一个反应这个业务活动特质的标签或画像。附图03中那些数字，比如，用户数据三个星，即表示高重要度的数据标签有105个。每一个标签都需要专门。

【3、大数据并不神秘】

不久的将来，企业经营管理中的每一个人都有可能成为大数据工作者，或者大数据专家，一部分有志者甚至可能成为大数据科学家。可以预见，在未来工业4.0时代，在从2.0迈向3.0和4.0的历史进程中，如果不能成为大数据工作者，有可能丢掉饭碗！未来企业核心业务的所有节点都应该是数据可视化，而可视化不是目的，可视化是为了可衡量、可分析、可改善。未来企业管理的一切，都有可能是数据驱动（Data-Driven），如果不掌握大数据，即使不丢饭碗，也有可能被边缘化！