数字化进程是一场改革。无论什么样的变革都是为工厂的盈利能力赋能。每个工厂的数字化进程都要量力而行。不能期望一蹴而就。尤其不能为了自动化而自动化，为了智能化而智能化，否则数字化就是透支明天的政绩工程。

互联网的蓬勃发展解决了信息差，物流行业的遍地开花解决了地域差。消费者开心地得到了实惠。但是工业界的日子可是越来越难过。利润越来越低，竞品越来越厉害，似乎总有人比你做的好、做的快、卖的便宜。

工业界都在纷纷寻求更好的模式提高生产效率。 

让大家更头疼的是这个浮躁的时代，技术没见到革新，名词越来越多：工业4.0，工业互联网，智能制造，数字化工厂，柔性制造，离散制造......

作为企业主，显然是不可能花心思理解这些名词的，有心也无力。就想简单粗暴的问一下：

1. 怎么降本增效？

2. 智能制造也好，数字工厂也好，具体怎么落地？

我们用生活的例子来解释：

一个工厂和人体有很大的相似性。那一个人要想身体更好，怎么做呢？首先我们要知道身体哪里好和哪里不好。针对性的哪病医哪。那怎么知道哪里好或者不好呢？我们去找医生，不管是中医还是西医。一方面要测量数据，一方面要和标准值对比。比如我们会称体重，测心率，测肺活量，先通过数字可视化让我知道身体的状态，然后通过和参考值对比知道身体是处于什么状态。

说回工厂。咱们要想降本增效，首先要知道工厂的健康状况。按照上面逻辑，咱们首先要解决的是信息可视化。通过报表把每个车间，每条线，每台设备，每个人，每个产品的信息展示出来。通过实际值和理论值的对比找出亏损点或者可优化点，有的放矢。

那问题来了，怎么收集这些数据呢？尤其是有些工厂都没有自动化设备怎么做？

【数据收集】

还是以医学的例子来回答，没有西医以前，人们就不看病了吗？望闻问切也是测量啊。如果没有条件做到自动化收集，一定不要等。咱们先用能实现的方法开始收集。

• 如果工厂已经有了自动化设备，咱们可以直接通过OPC或者工业数据采集卡来抓取数据。甚至现在有了集成的物联网网关可以更容易地抓取数据。

• 对于自动化程度较低，甚至没有自动化的工厂，咱们可以先从手动的数据收集开始。当然如果成本允许，可以考虑逐步过渡到用一些APP来收集数据。对于关键位置，我们可以采用外加传感器的方法来收集特定数据。

【数据展示】

有了数据以后，咱们就可以把数据进行分类展示。用分级汇总的方法。一方面把工厂目标分解到车间目标，分解到生产线目标，分解到机器目标，分解到某一产品目标。另一方面把实际数据按照产品汇总，按照机器汇总，按照生产线汇总，按照车间汇总，最后按照工厂汇总。然后把实际值和理论值进行对比。分解得越细，越容易定位问题的根源。

为了把问题呈现得更清楚，我们可以借助一些易读性报表。如果小工厂没有条件，至少可以用excel来做可视化展示。如果条件好的，可以用一些低代码BI工具，比如PowerBI，Microstrategy、织信Informat等。

【数据分析】

通过数据展示，我们实际上已经可以很大程度上看到工厂的问题所在。套用“二八”定律，工厂大部分的问题都集中在20%的分类里。在这20%的问题里，我们又继续逐层解剖一步一步的发现问题根源。

一般我们把实际值和理论值的差异称为损失。损失分为可以优化的损失和不易优化的损失。什么区别呢？

• 可优化的损失是指的我们肉眼可见或者凭借经验就可以解决优化的损失。比如员工的技能水平，原材料的质量，设备零部件损坏等。这样的问题，我们一般通过经验或者外部技术支持就可以解决。

• 其他的损失就是不易优化的损失。比如某类产品的合格率或者生产率一直停留在一个水平。机器也没有发现问题，人员操作也没有问题。那是怎么回事呢？这时候我们就可以借助工业数据挖掘的这样人工智能技术来帮助查找原因。

【问题解决】

1、局部问题：解决具体问题不能一概而论，毕竟每个公司有每个公司的特点。通用的且最好的方法论是丰田的精益管理体系。关于精益管理，我们会专门讨论怎么在工厂部署精益管理，尤其是怎么用数字化的方法部署精益管理。一方面，我们在数据分析的基础上可以继续使用鱼骨图来更深层次的分析问题根源，使用Kaizen工具来进行优化。另一方面我们也可以考虑是不是有可替代的自动化机器，比如工业机器人来代替人工重复性高，容易出错的工序。

2、统筹问题：除了具体问题，最复杂的其实是统筹问题。工厂这么多部门这么多工序，最大的问题是调度协调，而一般不是某个机器或者某员工的效率问题。那怎么才能更好的优化计划调度呢？ 

这就需要我们做高级的智能排产。现在市面上也有一些排产工具能实现基本功能，但是肯定不能做到尽善尽美，多少都需要是要借助于自己工厂的计划调度员经验进行调整。所以没一家工厂都要尽早的开始开发准备自己的智能排产工具。统筹考虑用户订单需求，原材料供应，仓储空间，生产线生产能力，设备人员可用性，发货周转速度。计划做的越智能，工厂才会运转越快，才能更好的抵御订单调整，原材料供应调整等等各种因素的临时性干扰。当然要想做好这样的统筹，上面的数据收集分析是前提。

回过头来总结，落地数字化工厂实际上是做好三个层面的事情：

• 底层设备自动化：用机器代替人的简单重复性劳动，比如机器人手臂，A/RGV, ASRS。

• 中层数据可视化：把工厂的状况呈现出来。让每个层级都能知道自己负责区域每个订单的情况，每个设备的情况，每个人的情况，每个产品的情况。当然信息化的过程一般离不开信息系统。我们可以根据工厂特点，选择性上马ERP，MES，WMS，EMS，TPM等不同的信息化系统。

• 高层规划智能化：统筹订单、生产能力、设备、人员、材料等各方面情况，尽可能的把计划调度做到可靠且灵活。比如使用APS。

在这三个维度上，我们还要循序渐进，依照PDCA（Plan计划、Do执行、Check检查、Action处理）螺旋式递进上升。当企业数字化到了一定程度以后，我们才可以而且必须考虑数据的中心化存储。试着采用“低代码APaaS”快速搭建数据中台，开发中台，业务中台。随之而来的是企业信息化架构的改革，运作模式的调整。

现在市面上智能制造方案往往不分青红皂白，言必称自动化/大数据/人工智能，动不动就建议工厂上MES。几百万几千万几个亿砸进去，工厂的数据报表是更酷炫了，然而效益并未增长。好比来了个大厨，倾你所有给你做了满汉全席，看起来很丰盛，然而吃完这顿也许就只能等着要饭了。本末倒置，这不是工厂数字化智能化的目的。

数字化进程是一场改革。无论什么样的变革都是为工厂的盈利能力赋能。每个工厂的数字化进程都要量力而行。不能期望一蹴而就。尤其不能为了自动化而自动化，为了智能化而智能化，否则数字化就是透支明天的政绩工程。