陈腾飞 | 博依特科技运营中心负责人

温馨提示：文末有本次对话的完整版视频回放，想要直接看视频的朋友请直接挪步文末，识别二维码进行观看。

主持人-陈腾飞：这几年我们经常谈到企业IT部门的转型，从信息化建设到数字化运营。两位觉得制造企业IT人员可以通过哪几方面来获取竞争优势呢？

◉ 李阳君：大家好。

我曾访问过上百甚至上千家制造业IT部门，发现大部分企业对于该话题的重视度仍不足，现实情况是很多IT部门基本是被业务“拖”着走。

数字化的底层逻辑是把业务数字化。所以，首先必须往业务方向前进一步，了解业务本质才能做好支撑；了解业务后，第二步就是将业务数据化，模块化后沉淀起来，支撑后续的数字化运营。

◉ 陈怡：大家好。

过去传统制造企业IT部门基本是在被动接收业务需求，现在，要变成企业数字化战略和业务融合落地的桥梁，就要主动驱动业务转型，帮助业务部门制定数字化战略；

其次，IT部门人员需要关注最新技术趋势，比如工业物联网、工业AI等，引入先进技术到企业制造运营中，才能帮助企业更好地适应市场需求和变化；

另外，IT部门要协助企业建立一套可持续的数字化运营系统，将企业在制造运营过程中的信息和数据做整合，加快企业决策的速度和准确度，才能更好地实现资源共享和管理，最终将企业的数字化战略在业务部门中落地。只有业务部门用好了，企业的经营效率和灵活性才能得到提高。

主持人-陈腾飞：刚才大家都提到了数据的重要性，那如何制定可执行的数据与分析策略及落地计划？两位有没有一些成功案例分享呢？

◉ 陈怡：企业在做落地执行时，首先需结合自身的业务模式、客户需求、市场趋势等因素，明确企业从上至下（包括运营管理层和各个制造执行环节）的数据需求和目标。

第二，评估数据基础设施：企业需要评估自己的数据基础设施，包括数据收集的方式，哪些要进行自动化采集改造，改造成本评估等；

第三，要建立数据分析团队：企业应该具备相应数据分析能力的人员和团队，以应对复杂的数据分析任务，从数据分析中挖掘过程优化和成本节降的场景；

最后，企业要选择适合自己的数据采集、业务执行和数据分析的系统或工具。从投入和运维成本来看，这些工具最好都能集成在一个平台中，包括可视化的数据分析工具、AI模型、数据处理的中台等。这样，才能帮助企业更好地做整合型的数据收集、处理和分析，并且快速发现异常、定位问题和确认处理方式。

博依特科技服务的客户中，有一个比较典型的案例：某行业客户会定期通过我们的数据分析工具将产品质量数据和关键工艺过程数据进行关联分析，发现了导致产品厚度不均匀的关键参数和某些关键设备的控制参数及使用年限的相关性。确认关键影响参数后，他们及时调整了工艺参数标准，并建立了工艺参数告警机制。从应用效果看，对产品合格率的提升效果很明显。

◉ 李阳君：数据分析首先要明确愿景及目标，以终为始才能规划好路线；

其次，执行时按阶段性目标确定项目范围，有边界地进行，避免大而全；

第三，明确各阶段的输出模型，常见包括高阶分析时的业务能力描述、价值流清单；详细分析时的业务活动清单、活动实现、TASK描述、规则表等。由此，自上而下层层分解；

最后，数据分析不仅是IT的事，需要业务+IT的多方参与，确保实施与规划匹配。

举一个例子，华为在做供应链中订单管理的规划逻辑是：首先明确订单管理包含的业务；第二步，基于业务过程再拆解到每个业务流（即：什么人？做什么动作？）中；第三步，分解到对应的活动（比如，订单接收和销售流打通，内部要货和供应链流打通等）。由此，可以明确TASK每个阶段的输入和输出，从而一层层落实到位。

◉ 李阳君：制造业数据价值创新的难点包括数据采集难（设备种类多、厂商标准不一等原因）、数据准确性难（系统多、数据定义不一致等原因）、数据流通难（安全要求、厂商定义不一致等原因），当然还有制造企业普遍缺少数据分析类人才。

建议的话，我认为构建一个企业的整体架构很重要，4A架构（业务架构、信息架构、应用架构、IT架构）是企业整个数字化演进的基础。个人更推荐基于平台式的架构，更利于企业数据的打通和流转（基于企业而非系统厂商进行数据标准定义），以及数据的沉淀；其次，仍是话题一中提到的，IT人员要主动迈向业务，成为熟悉业务的IT架构师。

◉ 陈怡：我认为企业首先面临的难点是，清晰认知到企业数据价值创新的场景是什么；

第二是数据质量问题。制造企业面临的数据来自各种不同的系统和设备，在数据质量、完整性、准确性等方面存在很多问题。如果数据质量不高，就会影响数据分析结果，进而影响企业决策和业务效益；

第三是技术架构和系统集成的问题。和问题一类似，来自不同系统和设备的数据要进行数据整合、清洗和处理。因此，如何建立合适的技术架构，整合不同的系统和数据源，也是制造企业在数据价值创新方面的一大难点；

第四是组织文化和人员素质的问题。制造企业传统上注重技术和工程方面的能力，对数据分析和创新能力的要求较低。因此，组织文化和人员素质上的问题往往会制约制造企业在数据价值创新方面的发展；

最后是业务价值转化的问题。制造企业面临的数据来源广泛，如何将数据转化为实际的业务价值？是数据价值创新的另一个难点。这需要制造企业对自己的业务模式和需求有深刻的理解，才能将数据分析结果应用于实际业务中，实现真正的价值创新。

对此，我的建议是选择一个懂工艺又懂工业互联网的合作伙伴，省心省力且效果好。

点击下方链接

观看完整版直播回放

↓↓↓

如何把握数据分析的强大驱动力，实现IT岗位增值？