1、IBM 商业价值研究院|研究洞察制造 4.0化数据为决策2无论是原始设备制造商(OEM)、部件或装配件供应商、合同制造商还是制造服务供应商，都需要利用经济高效的数字制造解决方案来确保工厂和供应链平稳运行，并生产出高质量的产品。IBM 可以与您携手构筑定制化解决方案，助您充分利用现有运营技术(OT)投资、改进关键指标、采用数字工具以及合理运用人才。我们将依托于久经考验的工业 4.0 参考架构和行业标准来帮助您制定方向，在开放平台上始终如一地部署先进车间技术以实现规模化运营，并合理选择制造流程用例以缓解燃眉之急，充分释放价值。如需了解更多信息，请访问 如何提供助力1闲置的制造数据工业 4.0 的核

2、心是利用数据和数字技术的强大力量来变革产品的制造和分销方式。但只有 28%的制造组织正在以有意义的方式从来自设备、流程和系统的数据中发掘关于持续改进流程的洞察。数据驱动文化与卓越运营密切相关在最近的调研中，我们发现了一类“数据转型者”制造组织，它们实现了比同行更高的数据成熟度，并且也因此收获了丰硕的成效。其中，69%的数据转型者能够成功实时配置其生产线以支持换型(switchout)和/或上线新产品或新变体。数据成熟型组织利用工业 4.0 技术建立竞争优势84%的数据转型者已经在其数据平台中广泛集成了人工智能(AI)/机器学习。这些数据成熟型组织利用先进技术来协同推进业务目标和改进绩效，凭借其

3、超强的洞察力、网络弹性、企业架构、卓越制造、高能效员工团队和数字化集成建立了差异化优势。数字成熟型制造商正在利用工业 4.0 技术来实现新洞察和改善业务成效。摘要23利用工业 4.0 推动业务价值制造 4.0 旨在充分释放工业 4.0 或“智能制造”的价值，助力组织实现蓬勃发展，从容应对经济动荡。其收益体现在协同推进两个不同的目标：一方面，制造组织可以推动持续运营改进，包括提高生产吞吐量、资产利用率和产品质量。另一方面，制造组织还可以通过革新制造能力、实现设计改进以及优化服务来创造更大的客户价值。从工业 1.0 到工业 4.0 的历程始于 200 多年前。在 1780 年前后的第一次工业革命中

4、，人类开始用以水和蒸汽为动力的机械设备来生产产品。第二次工业革命始于大约 1870 年，其标志包括使用石油、天然气和电力，还出现了分工的概念、移动装配线和大规模生产。1 20 世纪中叶，随着先进的计算机、电信和数据分析进一步提升生产自动化，人类迎来了第三次工业革命。2 如今，我们正在经历第四次工业革命，也称为工业 4.0。面向整个价值链的网络物理模型和数字集成助力产业大幅提升效率和大规模定制能力。信息技术(IT)和运营技术(OT)系统相融合，促进自动化制造设备与更广泛的计算机系统实现互连。来自传感器、可编程逻辑控制器(PLC)和数据采集与监控系统(SCADA)系统的 OT 数据与来自制造执行系

5、统(MES)和企业资源规划(ERP)系统的 IT 数据实现了进一步集成。3随着数字技术日益融入到生产设施和运营中，制造商正在各种领域开辟全新的可能性，包括提升资源/流程效率、资产利用率、劳动生产率和质量，加快上市速度以及打造增值服务。4根据 The MPI Group 最近开展的一项调研，在提高生产力和盈利能力方面，制造商从工业 4.0 中受益明显：66%的制造商表示其过去一年的生产力增长率超过 5%，78%的制造商预计其未来 5 年的复合年均生产力增长率将超过 5%。63%的制造商表示其过去一年的盈利能力增加率超过 5%，74%的制造商预计其未来 5 年的复合年均盈利能力增长率将超过 5%。

6、4 对先进传感器、软件和机器人生成的数据进行分析有助于改进决策。而结合组织内部以及生态系统合作伙伴的生产数据与运营数据，则有助于增强可见性和洞察力。此外，据估计，数据共享在制造流程优化中的潜在价值超过 1000 亿美元。5为了掌握制造企业在工业 4.0 战略和执行方面的进展，IBM 商业价值研究院(IBV)联合牛津经济研究院针对 32 个国家/地区的 2,360 位受访者开展了调研。其中包括 1,630 位全面负责定义或执行其组织制造战略与计划的高管，以及 730 位对其组织的制造指标、政策、实践和运营有深入理解的对标分析受访者（详见“研究和分析方法”）。5现状：数据丰富、信息匮乏制造业受访者

7、普遍表示其首要目标是提高产量、改进产品质量、推进可持续发展和减少机器停机时间，这实属意料之中。专注目标有助于制造企业提高效率并满足客户对价格和质量的要求。但美好愿景与现实之间仍然有着巨大的差距：尽管设定了这些明确的目标，但只有 36%的受访者能够成功或非常成功地维持所需的吞吐量和产量。这是为什么？因为组织面临三大阻碍：闲置的制造数据 决策能力不足 原始的技术环境闲置的制造数据制造商并未充分发掘其数据的价值。在现代制造工厂中，一条生产线就有 2,000 台不同的设备，每台设备有 100 到 200 个传感器在实时收集数据，每个月将产生 2,200 TB 的数据。6 比如说，工厂通常使用警报机制来

8、收集数据，从中检测生产异常以进行质量控制。然而，大约 90%的制造数据都是闲置未用的。此外，制造商的侧重点通常是捕获数据以创建历史报告，而不是利用数据来帮助预测未来事件或改进决策。7我们的调研数据表明，只有大约四分之一的组织正在以有意义的方式捕获传感器数据并将其应用于决策。例如，预测性维护可以通过持续收集和分析传感器数据来防患于未然，并且仅在需要时才会提醒人工干预。只有四分之一的组织正在基于故障模式分析来优化资产/设备维护计划，以及平衡可靠性与成本。6决策能力不足 在组织的制造流程和可持续运营中，缺乏决策能力是一个普遍的问题。组织可以挖掘和分析生产数据，并应用于帮助操作员确定异常事件和检测问题

9、根本原因。但我们的调研表明，只有不到 30%的组织会始终如一地从来自设备、流程和系统的数据中发掘关于持续流程改进的洞察。只有 35%的组织会定期评估制造流程。只有不到五分之一的受访者可以实时访问整个企业中的重要制造数据，包括电子表格、工业社交媒体、电子邮件、文本文件、视频或 CAD 中的实用非结构化数据。例如，制造商可以通过分析保修申请来识别制造流程中的缺陷。而要准备、处理和分析这些非结构化数据，数据科学专业知识和专用工具是必不可少的。尽管可持续性是制造业的首要目标，但如果缺乏适当的数据和指标，组织将难以创建可持续性报告并据此做出合理的决策。只有不到三分之一的组织会跟踪并定期评估与其制造/生产

10、相关的环境可持续性量化指标。此外，只有 32%的组织建立了企业级环境可持续性标准。原始的技术环境 许多制造组织的现有技术环境加剧了其困境。技术障碍和不够灵活的旧式系统被认为是制造业面临的两大障碍。除此之外，其他障碍还包括孤立运营、计划缺乏优先级排序以及生态系统复杂性。大多数受访者已经实施了活动自动化和物料搬运自动化，但仍然还有进一步添加数字孪生等技术的机会。利用数字孪生作为生产线的虚拟副本，制造商可以模拟生产过程并设法减少停机时间或提高产能。只有 42%的受访高管表示在非常高的程度上实现了 MES 应用现代化，而只有 38%的受访高管表示实现了 SCADA 应用现代化。实时生产监控有助于改善

11、MES 监督，而集成到 SCADA 中的附加功能可以增强智能并提供部分跟踪功能。7图 1制造业中的重要技术70%68%67%78%65%53%53%52%52%47%38%31%30%41%30%29%28%27%23%安全技术云计算物联网人工智能高级分析机器人流程自动化能源管理设备/智能仪表 计算机视觉互联机器边缘计算实时定位系统(RTLS)视听技术数字孪生智能机器人和协作机器人区块链增强现实/虚拟现实 RFID/NFC 技术量子计算5G受访高管评定了对于推进其制造目标具有重要作用的技术组合（参见图 1）。超过四分之三的受访高管选择了人工智能。这并不令人意外，因为人工智能生成的洞察有助于提高

12、制造运营的可见性和可预测性。70%的受访高管认为安全技术是一项必备条件，这是因为在 IT 和 OT 环境中，网络安全攻击的风险仍将持续存在。根据 IBM 发布的 2022 年 X-Force 威胁情报指数 报告，制造业超过金融业和保险业成为 2021 年受攻击最多的行业，在 X-Force 团队修复的攻击中占比达到 23%。制造商对停机时间的容忍度较低，而勒索软件则趁机针对因疫情而承压的制造业务发起攻击。868%的受访高管认为云计算很重要。云计算不仅提供互连，而且还可以运行应用和存储数据。67%的受访高管认为物联网(IoT)很重要。物联网可将传感器和设备连接至网络，以便从海量数据中发掘价值。边

13、缘计算与云计算基础设施相结合，可为智能制造实现局部优化和设备互联。但只有 84%的受访高管处于边缘计算成熟度的早期阶段，其中近一半处于试点阶段，另一半则表示已经在一些生产线中实施了边缘计算。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人工智能是制造业最为看重的一项技术，它需要通过访问高质量的数据来发挥威力，而这对于制造业是一项严峻的挑战。制造业要在极端条件下收集数据，涉及各种不兼容的专有系统，各种孤立的运营数据又以多种格式分布在多个数据库中，因此其数据经常不够客观、过时且充满错误。9 此外，大多数制造商尚未大规模实施人工智能。超过四分之三的受访高管表

14、示已经在生产管理中实现了人工智能，但只有不到十分之一的受访高管表示在生产质量管理、生产计划和调度等领域大规模实现了人工智能。因此，大部分制造商无法利用来自企业其他领域的数据来创建更深入的洞察，例如利用销售利润和人员数据来帮助做出生产决策。109数据转型者：营造数据驱动文化鉴于数据在制造业中的重要性和潜在价值，我们根据数据成熟度对受访组织进行了细分，最终划分为三种类型（参见图 2）。“数据转型者”占我们调研样本的 20%。此类组织营造了数据驱动文化，数据成熟度最高。此类组织还因其卓越的业务和运营绩效而大幅领跑同行。第二种类型是“数据优化者”，占受访组织的 42%。“数据探索者”是成熟度最低的类型

15、，占我们调研样本的 38%。数据转型者表示实现了优于同行的财务业绩：71%的数据转型者表示过去 3 年的收入增长率超过了竞争对手，而数据优化者和数据探索者的这一比例分别为 60%和 54%。在盈利能力方面，62%的数据转型者表示其盈利能力优于竞争对手，而数据优化者和数据探索者的这一比例分别为 48%和 44%。数据转型者的成功还反映在其卓越的敏捷性方面，79%的数据转型者表示其敏捷性超越了竞争对手，而数据优化者和数据探索者的这一比例仅为 58%和 50%。图 2制造 4.0 成熟度类型 数据驱动文化成熟度数据探索者42%数据转型者数据优化者20%38%10在制造绩效方面，三种组织类型的差异非常

16、明显。凭借数据驱动的决策，数据转型者和数据优化者在成功或非常成功地维持所需的吞吐量和产量方面均优于数据探索者。数据转型者在决策和大规模定制方面都取得了非常大的成功（参见图 3）。79%图 3 推动工厂运营成功 75%63%69%59%45%识别错误/缺陷/良率损失的根本原因并加以解决实时配置生产线以支持换型和/或上线新产品或新变体百分比表示在 5 分制中回答 4 和 5 的比例，其中 1=非常不成功，5=非常成功数据转型者数据优化者数据探索者11值得重点注意，营造数据驱动文化的制造企业实现了双赢，即推动业务目标和改进运营成效协同并进。这是一种难以营造的文化，但数据转型者做到了，此类组织在以下六

17、个主要领域中脱颖而出（参见图 4）：发掘数据潜力。实现网络弹性。创建将工厂车间连接至业务系统的企业架构。利用技术实现卓越制造。打造面向未来的制造业工人团队。将数字化与制造运营及管理相结合。制造运营与管理在制造运营中融入数字化转型的关键人员 提升能力和技能企业架构 综合系统技术 投资数字技术以实现卓越制造安全 检测、遏制和补救数据 简化数据访问、集成和评估以创造价值 图 4在制造业中营造数据驱动文化的蓝图121.挖掘数据潜力。数据转型者依托于强大的数据管理和治理来探索技术前沿（参见图 5）。先进的数据管理功能对于有效利用数字技术来改进制造流程并最终改善成效至关重要。标准化数据架构、企业数据治理框

18、架、中央数据信息库和自动化数据加载推动降低了数据结构复杂度。数据转型者在集中式数据模型之上定义了语义模型，这是一种数据组织方法，反映了数据项的基本含义以及它们之间的关系。数据转型者和数据优化者还缩短了准备、验证和清理数据所需的时间。其中，近三分之二的组织已经实现了企业数据湖，可有效管理现有数据并应用数据来做出决策。最后，这两种类型中均有 64%的组织利用了数据可视化/探索工具。此类工具将助力员工团队深入探索数据、加速处理信息以及利用洞察来改进绩效。在数据平台中集成人工智能/机器学习标准化数据架构自动化数据管理工作流程数据可视化/探索工具面向制造、计划、财务和外部数据的企业数据湖通用数据治理和模

19、型 在集中式数据模型之上定义了语义模型ETL 流程自动化图 5制定数据原则 35%46%58%45%51%61%59%64%63%57%64%64%57%71%84%46%68%70%59%74%69%数据探索者数据转型者数据优化者45%58%54%百分比表示在 5 分制中回答 4 和 5 的比例，其中 1=完全没有，5=非常出色。13观点利用 Data Fabric 简化数据访问要建立完全数据驱动的文化，利用集成数据策略和架构来应对数据复杂性挑战是不可或缺的。Data Fabric 是一种架构方法，用于简化组织中的数据访问。11 Data Fabric 通过智能自动化系统促进多种数据管道和云

20、环境的端到端集成。Data Fabric 用数据服务和 API，将来自原有系统、数据湖、数据仓库、结构化查询语言(SQL)数据库和应用的数据汇集在一起，提供对业务绩效的整体视图。Data Fabric 架构有助于提高生产率、消除跨数据系统的孤岛、集中数据治理实践、提高整体数据质量、促进自助应用以及提供更好的数据保护。12 例如，Data Fabric 可用于实现基于资产状况和故障预测按需调度的预测性维护，并且需要高级分析工具/流程。14欧莱雅利用人工智能和物联网打造个性化化妆品作为美容领域的领先企业，欧莱雅致力于为全球范围内的女性和男性提供化妆品、洗发水和香水，主打质量、功效和安全性。欧莱雅面

21、临日益增长的客户需求，比如说希望获得针对其皮肤类型、肤色和个人喜好量身定制的化妆品。该公司希望利用技术解决方案来更加深入地了解消费者意愿和购买行为，然后制造工厂就可以对生产做出相应的调整。为了应对这一挑战，欧莱雅在其位于利布拉蒙的比利时工厂中的新生产线上采用了人工智能物联网平台，包括传感器、激光测量、摄像头和先进的传送带。全新设计的生产线可以同时处理数十种不同的产品，确保交付针对个人皮肤量身定制的高度个性化产品。13 15图 6保护 OT 环境 数据转型者数据优化者数据探索者加权平均值3.523.263.35成熟度45%6%34%14%30%8%52%9%57%10%23%8%2.实现网络弹性

22、。实现 IT-OT 集成之后，OT 网络和互联 OT 设备将面临安全威胁，而外部供应商远程访问 OT 网络则进一步扩大了漏洞。制造业面临的主要威胁包括漏洞利用(47%)、可移动媒体(7%)、网络钓鱼(40%)、凭证窃取(3%)和暴力破解(3%)。制造业中大约四分之一的网络安全攻击来自勒索软件。14 在我们的调研中，三种组织类型在其 OT 安全性方面都取得了一定的进展，其中数据转型者的成熟度最高（参见图 6）。除了对漏洞进行优先排序之外，此类组织还积极在安全指标与流程之间建立关联。所有类型的组织均利用审计、响应计划和监控来提供安全性。为了保护物理设备、流程与事件监控和/或控制中涉及的人员、资产和

23、信息，制造商需要在组织的所有层面建立可见性；包括基本控制与检验、区域运营与监督控制、DMZ（位于网络之间的外围网络，可防止从不安全的网络直接访问受保护的网络，从而提高组织网络的安全性）以及企业/站点网络。此外，当今的现代制造业网络安全（包括 IT 和 OT）需要采用“零信任”方法，即防火墙默认不信任任何来源。这意味着网络安全团队需要假设其网络内部和外部均存在潜在攻击者，因此所有流量均被视为可疑流量。这就要对各方进行适当的身份验证和授权（包括用户及其设备），并持续验证安全配置和安全态势，只有验证通过才会授予应用和数据访问权限，否则不允许任何通信。威胁监控或安全洞察能力极低 定期扫描漏洞 根据漏洞

24、优先级来分配带宽和资源 结合安全指标与流程来了解趋势并衡量关键资产的风险 在工业设备级别集成网络安全事件与事故管理2%2%1%ABB 与 IBM 携手增强工业运营的网络安全全球领先的工程公司 ABB 与 IBM 联手连接网络安全与 OT。作为此项目的一部分，ABB 开发了一项全新的 OT 安全事件监控服务，结合其流程控制系统领域的专业知识与 IBM 的安全事件监控产品来帮助提高工业运营商的安全性。为了更好地将 OT 数据连接至更广泛的 IT 安全生态系统，这项新服务可支持将 ABB 的安全事件发送至 IBM 安全信息与事件管理平台。此次合作标志着首次直接将 OT 数据和流程行业专业知识引入到安

25、全信息与事件管理(SIEM)系统中，从而将威胁作为组织更广泛的网络安全运营和战略的一部分进行管理。15 在使用此服务之后，某工业企业正在全面受益于基于 OT 控制系统事件的实时安全监控。该企业还可以访问广泛的 SIEM 功能 从单一事件警报到设备配置跟踪。1616173.构建工厂车间与业务系统互连的企业架构。制造商需要利用混合多云 IT 基础架构来充分发挥工业 4.0 的优势，跨多云环境建立互连并优化负载。从工厂车间的传感器、设备和机器收集的实时数据可以由其他工厂资产使用，也可以在企业的整个软件体系中共享，包括 ERP 和其他业务管理软件。17在车间建立标准化混合云基础架构来管理所需的 IT

26、负载，例如 OT-IT 集成、边缘分析、OT 安全以及依据超大规模企业最佳实践管理的前沿和传统应用。从不同工厂收集的数据可以集中到一处，实现全面整合、清理和控制。这种混合云方案可以实现跨工厂洞察、KPI 比较和优化，并对整个工厂甚至公司、供应商和客户的交换数据实施全面控制和管理。18这三种类型的组织在采用云作为其制造运营的一部分方面都取得了一定的进展，其中数据转型者取得了最大的进展（参见图 7）。除了采用云计算之外，数据转型者还采用了全新的网络管理方法。即利用软件定义网络技术实现动态、基于编程的高效网络配置，从而改善网络性能和监控，打造更加云计算的方案，而不是传统网络管理方法。57%的数据转型

27、者在很大程度上实现了这种网络，而数据优化者和数据探索者的这一比例分别为 49%和 39%。图 7受益于云计算 数据转型者数据优化者数据探索者 40%18%42%41%39%15%16%35%43%实施早期，已完成计划实施的不超过 25%实施中期，已经完成计划实施的 50%计划实施收尾阶段，接近稳定云运营 18AT&T 与 IBM 携手将混合云引入企业 5GAT&T 与 IBM 联手助力企业在低延迟、专有蜂窝网络边缘环境中管理开放式混合云计算。借助全新的混合云服务，企业可以将 5G 应用于工厂安全与效率、实时健康运行状况监控以及自动驾驶汽车运营等领域。在制造业中，引入 5G 互连的自动化运营可以

28、通过机器人和近实时视觉分析来降低生产线成本以及控制质量。IBM 和 AT&T 正在携手助力千行百业的企业在低延迟的专有蜂窝网络边缘环境中管理开放式混合云计算，从而利用区域或本地边缘计算来更加快速、安全地构建应用。19例如，此项协作方案帮助一家工业企业广泛部署无线连接，建立了高度冗余的通信网络，并将成本降低了 30%。5G 与混合云的强强联合还构筑了一个可靠的基础网络来扩展功能，包括人身安全警报、资产跟踪、生产与质量以及周转运营。20制造执行系统(MES)数据采集与监控系统(SCADA）维护管理仓库管理质量控制系统物料搬运系统 55%45%31%4043%33%68%59%48%71%65%56

29、%67%60%48%73%60%48%数据探索者数据转型者数据优化者 194.利用技术实现卓越制造。在技术方面，数据转型者已经建立了现代化的工厂应用，并进一步实现了先进技术和人工智能。数据转型者拥有现代化的物料搬运系统、仓库管理和维护管理应用（参见图 8）。其中近三分之二积极使用 DevOps 进行开发，使用容器进行应用部署。55%的数据转型者在其生产线中非常出色地实现了数字孪生，而数据优化者和数据探索者的这一比例分别为 38%和 33%。它们还实现了更高水平的活动监控和物料搬运自动化。依托于透明、高效的供应链，数据转型者在采购和物流领域的人工智能水平比同行更高。其中 50%在原材料/零部件/

30、子组件采购领域全面实现或大规模部署人工智能，而在物流领域中这一比例为 41%。人工智能已嵌入到支出分析、合同管理和战略采购中，应用于改善原材料资源预测。人工智能变革了物流流程，包括利用人工智能来预测需求、修改订单以及更改产品交付。当装配线出现中断时，可以重新安排或延迟产品路线，从而帮助减少时间和成本浪费。通过分析天气、运输合作伙伴和零售商数据，企业可以利用预测性送货在适当的时间发货以满足消费者需求。21图 8替代旧式应用百分比表示在 5 分制中回答 4 和 5 的比例，其中 1=完全没有，5=非常出色。数据转型者真正领跑同行的一个维度是能够利用数字计划创造巨大的价值。在利用数字投资提高生产力、

31、效率和安全性方面，数据转型者都比同行更加成功（参见图 9）。数据转型者图 9实现数字化的效用产量 产能利用率设置/换型时间工作意外改进百分比19.9 18.3 15.434.0 28.0 26.6-18.9-13.3-12.4-45.9-39.1-38.7数据优化者数据探索者20京瓷利用自治技术倍增生产力京瓷(Kyocera)已经从最初的精细陶瓷专业制造业务拓展至更多其他领域，包括通信、汽车、环境能源和医疗保健等。作为销售扩张计划的一部分，该公司启动了“生产力倍增计划”，旨在实现制造生产力倍增、降低成本以及提高竞争优势。自 2019 年 4 月以来，京瓷公司一直在其所有工厂中推广基于人工智能和

32、机器人的无人生产线。人工智能数字平台解决方案可实时分析所收集的各种数据。如果系统确定可能会生产有缺陷的产品，则会自动更改加工条件并及时处理。如果系统确定生产线可能会停止，则会在机器发生故障之前提醒操作员或负责人。通过在数字平台整合生产计划调度与生产操作系统，京瓷多家工厂的生产线都实现了显著的质量改进。22215.打造面向未来的制造业工人团队。随着制造业继续推进数字化转型，未来的产业工人将被重新定义。未来，员工需要具备适当的技术，包括积极使用智能自动化、数据和数字技术。而意识到这一点数据转型者正在着手打造面向未来的员工团队。61%的数据转型者表示正在大幅增强员工对智能机器/设备的理解，而数据优化

33、者和数据探索者的这一比例分别为 56%和 33%。而且这种培训并不仅限于组织内部。近 70%的数据转型者在很大程度上也会向其他制造企业学习经验，从而更加深入地理解数字能力的优势并开始重视智能自动化。受访高管还表示正在投资培养新技能。数据转型者大力投资发展的技能领域包括可持续性（例如精益制造或减少碳排放）、敏捷与设计思维、数据管理和技术使用。通过适当结合人才与数字技术，此类企业可以生成规范性洞察并从中获取下一步最佳行动建议，从而弥合制造业的绩效缺口。通过大力投资发展敏捷技能，企业可以基于来自运营流程测试、迭代和改进中的实时反馈来做出整改。数据转型者认识到，要驾驭不断发展的制造环境，需要依靠强大的

34、员工团队来快速改变行动路线、应用问题解决能力来推动数字化转型，从大量数据中获取洞察并采取行动。图 10投资培养新的工作技能 37%42%47%37%53%51%36%47%57%44%51%59%64%76%84%53%63%78%44%57%65%数据探索者数据转型者数据优化者可持续性 敏捷实践/设计思维 训练认知系统的机器学习和算法数据管理 建模和仿真 数据科学 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=完全没有，5=非常出色。İsdemir推动现代化钢铁生产OYAK Mining Metallurgy 旗下的 İsdemir 公司是土耳其历史悠久的综合钢

35、铁厂，也是土耳其长材制造能力最大的钢铁厂。生产数百万吨钢铁是一项资产密集型业务。该公司希望利用创新性技术保证数十个生产基地的设备满负荷运行，并最终选择采用一个通用平台来管理 İsdemir 及其 Erdemir 子公司的资产。该平台的仪表盘提供了一个统一控制点，让该公司能够集中监控、管理和报告其设施中资产生命周期的所有阶段。该平台解决方案将设备分类（关键、重要或正常）分配给每项资产，让该公司能够基于分类对不同资产采用不同的策略。例如，该公司结合预防性或预测性维护与在线监控来为关键资产提供高度保障。借助该平台的人力资源管理功能，İsdemir 公司还可以根据维护说明来分配适当的人员。还可以帮助该

36、公司更加高效地监控和分析数据，并据此决定何时分配团队成员以及何时引入专家。此外，该解决方案还与 Erdemir 和 İsdemir 的财务、维护及仓库部门相集成，可按资产重要性显示备件库存。这有助于确保预备好定期维护所需的适当材料。2323246.将数字化与制造运营及管理相结合。数据转型者和数据优化者均了解数字化转型带来的内在机遇，并利用强大的数据和数字技术来推动制造行业的变革和创新。44%的数据转型者和 39%的数据优化者在很大程度上已确保数字/IT 战略与其制造战略相协同，而数据探索者的这一比例仅仅略高于四分之一。而这种战略协同又有助于实现工厂应用和网络现代化；连接数据、应用与流程以简化操

37、作；创建工厂数据和分析平台；以及扩展边缘分析/人工智能应用。在监督运营领域，数字指挥中心有助于实现实时流程跟踪、KPI 管理和应用监控。在这三种类型中，大多数组织都使用此类控制中心来支持生产管理和库存管理。在利用控制中心支持生产质量管理和物流/供应链方面，数据转型者和数据优化者保持领先。供应链与生产运营的有效集成革新了制造商获取材料/组件以及交付产品的方式。利洁时打造未来工厂作为一家快消品公司，利洁时(Reckitt)面向全球市场生产各种广为人知的卫生、健康和营养产品。对于该公司的 IT 和制造团队来说，以数字化和自动化运营为核心的工业 4.0 技术提供了通过变革超越竞争对手的绝佳机遇。但他们

38、首先需要克服一些重大障碍，比如说孤立的数据、不同的操作系统、工厂之间缺乏互联以及工厂的技术成熟度差异。利洁时着手打造“未来工厂”，实施可扩展的云基础和数据主干网络，从诺丁汉工厂起始，继而扩展至全球范围内的其他工厂。该解决方案针对三个用例量身定制：整体设备效率(OEE)、工厂维护以及能源效率与可持续性。为了改善运营和制造效率，利洁时部署了“互联式 OEE”解决方案，可自动收集生产力数据并提供工厂机器资产监控。系统会自动根据实际机器状况触发维护活动。电表接入了云平台，因此现场管理人员可以使用仪表盘来跟踪能源使用情况、发现趋势或异常，并及时跟踪利洁时在实现宏大可持续发展目标方面取得的进展。2021

39、年 5 月，诺丁汉工厂于成为利洁时第一家投入运营的未来工厂。到 6 月，预计该工厂的维护成本降低了 10%，电力消耗降低了 3%。24 2526要充分发挥制造 4.0 的潜力，整个企业需要协同采取统一行动。创造更大客户价值与持续改进运营齐头并进，既有战略意义，也有运营意义。如何推进制造 4.0 将取决于您的具体数据成熟度水平。首先要对制造组织的当前状况进行客观的评估。是否对工厂的旧式应用进行现代化改造？在融合企业 IT 与工厂系统(OT)方面取得了什么样的进展？建立了哪些数据计划来利用海量数据？在增强工厂基础设施的过程中处于哪一个阶段？是否引入了数据管理技能？通过回答这些问题，您可以确定自己组

40、织的类型以及在营造面向制造业的数据驱动文化方面取得的进展。对于以下三种类型的企业，他们侧重点各不相同：数据探索者。建立协同一致的数字和制造战略。创建标准化数据架构。推进工厂应用现代化 包括质量控制和维护；利用 DevOps 助力开发。部署智能化生产管理工作流程。融合 IT-OT 环境。增强员工对智能机器的理解。将网络安全扩展至 OT。数据优化者。在集中式数据模型之上实现通用数据治理与语义数据模型。推进 MES 应用现代化。实现数字孪生和材料搬运自动化。利用 DataOps 创建数据管道（参见边栏“观点：积极采用 DataOps 改进数据管理与交付”）。继续推动工厂基础设施现代化。引入建模和仿真

41、技能。在多个工厂位置复制蓝图/参考架构。数据转型者。进一步推动应用现代化 MES、SCADA、实验室信息管理系统(LIMS)、生产信息管理系统(PIMS)和仓库管理系统(WMS)。迁移至开放和标准化的 OT 系统。利用 Data Fabric。继续推动工厂基础设施现代化。在工业边缘利用 5G 和处理数据。引入 OT 安全技能。在多个站点和合作伙伴位置复制同一蓝图/参考架构。.制造商们应当制定符合各自所处阶段的制造 4.0 战略，但除此之外还需要关注三个共同的战略优先事项：行动指南制造 4.0：化数据为决策2701实施数字制造蓝图02在制造业中引入新技术制定与您的数字/IT 战略相关联的制造战略

42、，包括针对各个制造领域的举措、协同一致的技术投资、必要的资源以及生态系统协同。评估当前运营以理解现有流程及其支持系统的主要痛点和挑战。让生产、运营、维护、质量和安全团队的关键工厂利益相关方共同参与。定义未来的业务流程并与所有需要进行的整改建立对应关系，包括车间单元（改造）、库存位置、产品/材料的相关属性、生产路线、生产流程、配方、质量参数、IT/OT 支持系统以及参与未来流程的角色/人员。定义云/边缘解决方案的架构需求、决策和运营设计；定义总拥有成本、投资回报率、业务价值或完整的业务案例。利用新的数据源和生态系统合作伙伴来推动新洞察并提升效率。利用与其他制造组织的合作关系来创造更广泛的想法和机

43、会。采用开放和敏捷的原则推动旧式应用现代化并部署新应用；集中管理应用生命周期。部署一个应用集成架构，支持通过多种通信协议/接口实现互联，触发自动工作流程，建立专有职能服务来公开/摄取数据，以及满足未来对额外功能的需求，这些功能将在后期以较低的成本推出，与企业和/或工厂级别的新子系统/系统实现集成。利用各种开放标准，例如 OPC 基金会开发的 OPC 统一架构（传感器与云应用之间的数据交换标准）以及 MQ 遥测传输(MQTT)（面向物联网的标准消息传递协议）。建立数据共性和治理来增强数据信任。建立自动化发现流程，关联充实语义并理解业务就绪数据。设计和部署底层 Data Fabric 架构来提供基

44、于可靠数据的服务（仪表盘、报告、自助商务智能），以透明方式处理来自不同来源的数据，并支持各种数据交付方式（流传输、ETL、数据虚拟化和数据微服务等）、主动元数据管理和嵌入式机器学习功能。大规模部署和管理边缘分析/AI 应用。例如，流程顾问将协助流程工程师进一步优化关键运营，从而提高能源效率和产量。人工智能驱动的自动化检测将增强人工检查和技术援助，从而帮助减少产品缺陷、提高效率以及减少误报。部署混合云并实施面向运营环境的管理框架。扩展安全的多云软件定义网络，利用 5G 和边缘计算实现工厂现代化。跨混合云数据生态系统自动实施安全、隐私和使用策略。03打造全新的员工体验要成为制造业的数字化转型领导者

45、，企业需要协同推进多项计划并消除传统孤岛。在组织的各个层面制定合理的制造战略，让员工积极参与不同的制造领域，并深入理解业务变化趋势、将要创造的价值以及个人发展机会。复盘组织快速有效采用新技术的能力，并实施与组织数字计划相关的主动变更管理。引入数据型和技术型人才，作为现有资源的强力补充。采用敏捷原则，明确数字计划成果，并设定里程碑。利用更加流动性的决策能力，并更加广泛地应用技术来相应地调整培训、晋升与人才管理。实现自助分析。推动数据使用者与数据提供者开展快速大规模协作。部署可支持所有非职能性需求（例如性能、可用性、可扩展性和弹性）的底层基础架构，这些因素会严重影响用户体验以及用户对新系统的接受度

46、。观点积极采用 DataOps改进数据管理与交付DataOps 是一种基于实践和技术的协作管理学科，旨在通过实施数据管理和数据集成来助力企业以卓越的弹性和敏捷性来应对未来变化。利用强大的自动化能力，DataOps 可以助力企业从混乱中梳理出秩序和原则，并有效应对各种重大挑战，成功将数据转化为业务价值。DataOps 的范围包括在数据管道的五个关键领域实现自动化：数据管理服务、元数据管理、数据治理、主数据管理和自助交互。25 它可以实现许多潜在效益，包括缩短部署分析解决方案的周期时间、减少数据缺陷、缩短解决数据缺陷所需的时间以及减少数据孤岛。262829公司规模（年收入）行业15%汽车10%化学

47、品10%消费品10%下游石油和天然气（仅限炼油）17.5%电子产品7.5%工程与建筑（仅限建筑材料制造）10%工业机械/重型部件 10%生命科学/制药10%金属研究和 分析方法IBM 商业价值研究院（IBV）联合牛津经济研究院开展了两项调研：2021 年 10 月至12 月期间，针对来自 32 个国家/地区的 1,630 名高管开展了第一次调研，2021 年 11 月至 2022 年 1 月期间，针对来自 32 个国家/地区的 730 名对标分析受访者开展了第二次调研。我们收集各种企业高管对调研问题的回复，包括首席运营官、首席制造官和副总裁/制造总监。对标分析受访者对其组织中的制造指标及其组织

48、的制造政策、实践与运营有深刻的理解。参与者来自亚太地区、欧洲、中东、北美和南美地区的公司。2,360 位受访者代表不同的行业和不同规模的组织。所有数据均由受访者自行提交。10%2.5 亿美元至 5 亿美元 20%5.01 亿美元至 10 亿美元20%10+亿美元至 50 亿美元30%50+亿至 200 亿美元 20%超过 200 亿美元30Jos Favilla Lin Favilla 在 IBM Technology 的全球制造与能源行业部门担任行业用例总监。他在帮助全球客户推动重大业务转型项目方面拥有 30 多年的经验。Jos 是 IBM 工业学院的成员。Marcelo Svio Svio

49、 是 IBM Consulting 专注于工业领域的工业 4.0 架构师。他的研究方向包括工业 4.0、数字化转型和集成运营方法，致力于帮助工业公司通过实时集成在业务运营中更快速地做出更明智的决策；通过全新的业务洞察、协作和连接执行复杂分析；并充分利用价值链上的各种大量和复杂的现有资产。Marcelo 是 IBM 工业学院的成员。Spencer Lin 是 IBM 商业价值研究院(IBV)的全球石油化工行业及工业品行业解决方案领导者。他在财务管理和战略咨询领域拥有超过 25 年的经验。关于 作者31相关报告工业品行业大规模数字化转型：企业范围变革的三项行动，IBM 商业价值研究院，2020 年

50、 9 月，https:/ 人工智能助力优化化工价值链，IBM 商业价值研究院，2020 年 9 月，https:/ 技术，智能洞察，IBM 商业价值研究院，2020 年 5 月，https:/ 商业价值研究院20 年来，IBM 商业价值研究院一直是 IBM 的思想领导力智囊团。我们提供有研究支持和技术支持的战略洞察，帮助领导者做出更明智的业务决策。凭借我们在商业、技术和社会交叉领域的独特地位，IBV 每年都会针对成千上万高管、消费者和专家展开调研、访谈和互动，将他们的观点综合成可信赖的、振奋人心和切实可行的洞察。需要 IBV 最新研究成果，请在 上注册以接收 IBV 的电子邮件通讯。您可以在

51、Twitter 上关注 IBMIBV，或通过 ibm.co/ibv-linkedin 在 LinkedIn 上联系我们。访问 IBM 商业价值研究院中国网站，免费下载研究报告:https:/ IBM 商业价值研究院：选对合作伙伴，驾驭多变的世界在 IBM，我们积极与客户协作，运用业务洞察和先进的研究方法与技术，帮助他们在瞬息万变的商业环境中保持独特的竞争优势。32备注和参考资料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:/