作为全球制造业大国，中国正面临来自国内和国际的双重挑战。从国内来看，人口红利消失、劳动力成本上涨，主要依靠资源要素投入、规模扩张的粗放发展模式已经难以为继，产业结构亟待转型；从国际来看，以德国、美国等为代表的欧美发达国家相继推出工业4.0和工业互联网计划，全世界的制造业强国正在开启"第四次工业革命"。
挑战也是机遇。"第四次工业革命"以物联网、大数据、人工智能、新能源、3D打印、区块链、生物技术等为驱动，正在以难以置信的速度改造世界。其中，尤以大数据为代表的新技术应用对整个社会影响显著而深刻。凭借大数据，用户需求与资源供给被更加有效率地匹配，互联网和服务业等行业也经历了一个高速发展阶段。随着5G时代逐渐到来，互联网将进化为智联网，而网络升维之后的新形态，可称之为"万物智联"（朱敏，2017）。麦肯锡报告《大数据：下一个创新、竞争和生产力的前沿》显示，制造业产生的数据量远远超过其他行业，且可被接入的设备数量也远超移动互联网，加之工业大数据刚刚起步，其应用远不及在社交网络、医疗和商务等方面那样普及和深入，所蕴含的价值还有待于充分挖掘，从而拥有巨大的机会与潜力。
进入"万物智联"的数字经济时代，变革和创新成为制造业的中心词。变革体现在产业的全生命周期，创新贯穿于设计、生产、供应链、研发、营销、服务等各个环节。与传统生产要素相比，大数据是未来制造业举足轻重的新生产要素，从大规模定制到智能化服务，其应用及影响无远弗届。抓住这轮新机遇，中国制造业将大有可为。
1970年，美国未来学家阿尔文·托夫(Alvin Toffler)在《Future Shock》一书中最早畅想大规模定制这种全新生产方式："以类似于标准化和大规模生产的成本和时间，提供客户特定需求的产品和服务"；1987年，斯坦·戴维斯(Start Davis)在《Future Perfect》一书中首次将这种全新生产方式命名为"大规模定制"；而在众多学者中，对于大规模定制的含义理解较为全面和准确的学者是B·约瑟夫·派恩(B·Joseph Pine II)，他认为大规模定制的核心是产品品种的多样化和定制化急剧增加，而不相应增加成本，其最大优点是提供战略优势和经济价值。
大规模定制的基本思想在于通过对产品结构和制造流程的重新构建，运用现代化的技术手段，以大规模生产的成本和速度，为单个客户或小批量多品种市场定制任意数量的产品。由此可见，大规模定制不仅追求低成本、高效率，还要兼顾高质量和个性化，这在传统工业社会是难以想象的。大规模定制的要义在于，以满足客户需求为核心，创造出一系列运作模式、技术支持、销售方式、反应机制。这将会给企业的组织和运营带来冲击与困扰，企业生产、服务和销售环节都需要随之进行转变。如果说在工业化条件下，大规模定制的思想对绝大多数企业而言都无以落地，那么在大数据条件下，"一切皆有可能"就有了现实基础。
大数据是制造业大规模定制的关键，其应用包括数据采集、数据管理、订单管理、智能化制造、定制平台等。当定制数据达到一定量级，通过对这些数据的挖掘、分析，能够实现精准匹配、营销推送、流行预测等更高级的功能，可以帮助制造企业降低物流和库存成本、增加产品的用户匹配度，减少生产资源投入的风险。
当前，包括青岛酷特集团、英沃电梯公司在内发众多企业，正在积极谋求智能化转型和升级，拥抱如潮而至的大数据时代，而这对传统制造业提出了更高要求。制造企业满足消费者个性化需求，一方面，在生产端，要提高供给能力，提供多样性的产品或服务满足消费者个性偏好；另一方面，在需求端，要通过互联网了解消费者个性化定制需求。由于消费者众多，需求各不相同，而需求又处于无时无刻的变化中，由此构成了产品需求的大数据。制造企业对这些数据进行处理，进而传递给智能设备，完成数据挖掘、设备调整、原材料准备等步骤，最终生产出符合个性化需求的定制产品。
智能制造是"中国制造2025"最重要的目标之一，其实现基础是大数据，实现途径是CPS系统。CPS（信息物理系统）的概念最早在美国被提出，被视为新一代技术革命的突破点。与此同时，德国工业4.0也将CPS作为生产系统中的核心技术。
CPS不是一个简单的技术，而是一个架构和流程清晰的技术体系。其主要应用过程包括数据的搜集、汇总、分析、预测、决策和信息发送，能够让制造业数据像流水线一般的处理、分析，并在这个过程中充分考虑机理逻辑、流程关系、活动目标、商业活动等特征和要求。作为工业大数据分析中智能制造的重中之重，CPS系统让制造业融入互联网之中，包含两个层面：一是将产品通过硬件设备（如智能家居设备、智能制造设备等）接入互联网，在互联网上传输数据，实现产品生产的智慧化；二是将企业接入互联网，加速企业的网络化、智能化改造进程。
目前，大数据已经成为智慧制造云或智能制造系统建设和运营的战略资源，也是智慧制造云实现智慧化的重要基础。从技术来看，基于大数据的智慧制造系统具备多元复合模态，拥有高度实时性和不确定性等特征；从应用来看，智慧制造云大数据的价值在于：通过采集管理分析服务，能够精准、高效、智能地促进云制造的智慧化，实现以"产品+服务"为主导、随时随地随需的个性化和社会化制造，进而提升企业竞争力。
随着供应链复杂程度的不断提高，企业对于更有效率的供应链管理方式的需求也随之增长。而大数据的出现，则使供应链全局优化成为可能。
大数据优化供应链的核心，在于精准的需求预测。作为整个供应链循环的第一步，需求预测的准确与否直接关系到库存策略、生产安排是否成功，预测一旦失准，将会导致产品的缺货或脱销，二者都将使企业蒙受巨大损失。但在大数据的支持下，通过对供应链上的海量数据进行搜集、分析，不仅可以勾勒出包括消费者的消费习惯、消费能力等维度的用户画像，反映出市场的真实需求，又能够使物流企业依据数据分析结果，了解到供应链每个环节的运作情况，从而找出业务赢利点或低效率的地方，然后有针对性地进行业务调整，优化资源配置，以提升供应链的协同效应，实现效率和利润的最大化。
大数据在供应链环节的应用，通常表现在供应链配送体系优化、用户需求快速响应等两个方面。
供应链配送体系优化。主要是通过RFID等产品电子标签技术、物联网技术以及移动互联网技术，帮助制造企业获得完整的产品供应链的大数据。利用销售数据、产品的传感器数据和出自供应商数据库的数据，制造企业可准确地分析和预测全球不同区域的需求，从而提高配送和仓储效能；利用产品中传感器所产生的数据，分析产品故障部分，确认配件需求，可预测何处以及何时需要零配件。这将极大地提高产品的时效性，减少库存，优化供应链。
用户需求快速响应。主要是利用先进的数据分析和预测工具，预测与分析实时需求，增强商业运营及用户体验。例如，京东运用大数据提前分析和预测各地商品需求量，从而提前配货，提高配送、仓储和投递效能，保证了到货及时的用户体验。
除了设计、生产、供应链环节，大数据及其相关应用的触角同样也延伸到了企业的研发环节。
以制药企业为例，麦肯锡全球研究院估计，在美国医疗保健系统中，应用大数据服务战略决策制定将能产生多达每年1000亿美元的价值。通过优化创新，提高研究和临床试验效率，给医生、患者、保险和监管者提供新工具，以实现更个性化治疗方式。
以飞机制造业为例，可建立针对产品或工艺的数字化模型，用于产品、工艺的设计和优化。数字化模型作为量化、可计算的知识载体，可提高企业的知识复用水平并促进其持续优化。将大数据技术与数字化建模相结合，可以提供更好的设计工具，缩短产品交付周期。例如，波音公司通过大数据技术优化设计模型，将机翼的风洞实验次数从2005年的11次缩减至2014年的1次；玛莎拉蒂通过数字化工具加速产品设计，开发效率提高30%。
大数据助力研发环节实现协同创新，从应用场景来看主要通过以下三种方式：
一是数据整合。海量数据是建立高附加值数据分析能力的基础，大数据技术使端对端数据整合更有效，并精确关联性质完全不同的数据，包括内部数据、外部数据、公开数据和自有数据。
二是内外协作。许多制造企业的研发部门保持高度的封闭性，而大数据打破了企业内部各职能部门之间的信息壁垒，并加强了企业跟外部合作伙伴的协作。
三是决策支持。大数据可以代替人进行较为复杂的决策，如项目的分析、商业开发机会、预测等相关决策都可以借助大数据快速做出。
营销无疑是受大数据潮流中影响最大的行业之一。美国著名公司Adobe对1000名营销从业者的调研显示，2010年以来，短短几年的变化要比过去50年还大。最近几年，搜索营销、程序化购买等技术已经渗透到互联网生活的每一个角落，其发展速度之快令人咂舌。
在制造业领域，利用大数据，可以实现分区域对市场波动、宏观经济、气象条件、营销活动、季节周期等多种数据进行融合分析，对产品需求、产品价格等进行定量预测。同时，可结合用户当前对产品使用的工况数据，对零部件坏损程度进行预判，进而对零部件库存进行准确调整。此外，通过对智能产品和互联网数据的采集，针对用户使用行为、偏好、负面评价进行精准分析，有助于对客户群体进行分类画像，可在营销策略、渠道选择等环节提高产品的渗透率。更重要的是，可结合用户分群实现产品的个性化设计与精准定位，即针对不同群体，通过对用户精准画像、精准推送等，实现产品从设计到交易的完整营销环节精准化。
运维服务是提升用户体验的关键环节，也是制造业产业链中高附加值的环节，对制造业升级转型同样至关重要。
目前大部分运维工具仅能呈现故障，并不能有效找出和分析原因，或者只能提供单个子系统的解决建议，真正排除故障需要人工参与。而借助大数据，一方面，可利用海量数据库对信息、数据、资源、终端进行关联分析，包括触发智能终端进行数据搜集、自动查找故障根节点；另一方面，还可以对问题分类统计，为运维人员和客户中心提供及时的分析数据。
除了更实用的智能分析，借助于大数据的机器学习技术，通过从数据中梳理出具有规律性的事件模型，进而对未来不确定性事件进行有效预测。
此外，大数据可以实现主动运维。通过数据深度挖掘和离线分析，运维由传统事件驱动向业务质量驱动转变，最终实现自动的自我修复、优化配置，解决潜在的网络故障，保障基础设施的健康与质量。
第一，大数据成为未来制造业不可或缺的新生产要素。目前实体经济之所以利润薄、效率低，一方面，很大程度上是由于制造业传统生产要素（劳动力、资金、土地、能源原材料、物流等）供应增长受限导致成本居高不下；另一方面，整体营商环境等外部交易成本较高也强化了传统动能减弱趋势，迫切要求生产要素升级与革新。对企业而言，大规模运用大数据，能极大地放大生产力乘数，加速流程再造、降低运营成本、提升生产效率；对政府而言，运用大数据构建信息共享和信用体系可望改善营商环境，帮助企业进一步实现降本增效和效率提升。在实践中，不少企业已建立起融合于各个应用环节的大数据平台，并不同程度地快速形成了对其中所产生海量数据的挖掘能力、计算能力和分析能力，率先分享到了大数据等新生产要素带来的红利。
第二，大数据为发展新经济培育新动能提供基础性应用。《中国制造2025》明确提出，工业大数据是我国制造业转型升级的重要战略资源。随着制造强国战略的全面推进实施，工业大数据、云平台、移动互联网和物联网在技术、产品和商业模式方面不断探索，制造企业智能化服务发展已逐渐从概念萌发向实际应用期过渡。基于大数据应用，以智能生产、智慧服务等为特色的智能化制造服务企业脱颖而出，制造业与服务业融合步伐不断加快：一是以工业大数据技术体系开发为龙头的生产性服务带动制造业发展；二是以工业大数据的智能化服务延伸企业价值链，提升市场竞争力；三是以工业大数据等信息服务为代表的制造企业转型升级成效显著，加速"制造+服务"融合趋势。这些积极因素都在助推新旧动能传导转换，进而有力促进新经济发展。
第三，大数据提高产业链协同效率并催生组织变革。从微观视角看，大数据实现供需匹配，打通生产与服务全流程，提高产业链协同效率，催生内部生产组织和外部产业组织变革。传统的大规模生产模式已不适应当今的个性化制造，粗放型决策和撒网式营销等传统运行模式也已不适应新经济环境下的企业发展，如何通过大数据等新一代信息技术的融合创新促进企业转型，实现个性化定制、智能决策、精准营销和全业务流程协同，成为企业面临的全新课题和必然选择。随着大数据应用的日益深入，智能化生产、网络协同、个性化定制等多种服务化延伸模式日渐清晰，呈现研发设计协同化、生产管控集成化、购销经营平台化、制造服务网络化等态势，带动制造业技术进步、效率提升与组织变革，加快产业迭代兴替。
第四，大数据成为引领高质量发展和创新驱动的新兴力量。进入新时代，中国经济由高速增长转向高质量发展，必须抢抓新一轮科技革命和产业变革的难得机遇，以供给侧结构性改革为主线，推动互联网、大数据、人工智能与实体经济深度融合，通过"大数据+智能制造""大数据+智能终端""大数据+现代物流"等新业态、新模式，助推产业、产品向价值链中高端跃升。加强大数据在重点行业和领域的应用，促进大数据引领的智能产业发展，打造具有竞争力的产业集群，推动智能技术转化应用和产品创新，加速制造业向数字化、网络化、智能化发展，提高全要素生产率、产品附加值和市场占有率。此外，在"万物智联"的数字经济时代，强化大数据在政务体系的应用，推进跨领域、跨平台、跨部门的数据共享，提升政府决策科学化、公共服务高效化、治理能力现代化水平，进一步改善营商环境及生态环境，更好地服务民生和社会事业。
成果创造人：朱敏 （国务院发展研究中心新经济研究室主任）
* 本成果系国务院发展研究中心2017年度重点课题《万物智联和智能化趋势下的产业变革、企业变革及制度供给》的阶段性成果。
—————— END ——————
| 留言与评论（共有 0 条评论） |
