制造业数字化转型难在哪儿?

文章探讨了制造业在数字化转型过程中遇到的常见难题,如抵制变革、初始投资、知识缺乏、安全问题、信息孤岛和缺乏整体战略,并提出了相应的解决建议,强调了高层共识、资金规划、专业知识积累、安全防护和整体战略制定的重要性。

工作岗位的原因,接触过很多制造业的CIO,也组建过几个制造业CIO的社群,当然也或参与或旁观过不少制造企业数字化转型的案例。

但这篇我不列举案例,分享一些经验和事实!

为啥?我接下来说的话可能有点残酷,但很真实——

凡是你能在网络上检索到的制造业数字化转型案例,基本上都是经过包装和信息过滤的。

被谁包装和过滤?——那些数字化转型咨询公司,数字化工具服务商等等......

PS:这里绝对不是说包装过的案例是假的,是没有参考性的,我想表达的是,这些包装过的案例并不是最全面的。

  • 对于咨询公司来说,他们是想通过这些案例来展示自己公司的专业性,从而吸引客户。
  • 对于数字化工具服务商来说,他们是想通过这些案例来展示自己产品的价值性,从而吸引客户。

这就决定了他们的案例大多数是围绕自己的产品或者服务来展开的,有用但不会非常全面。

当然解决方式也很简单——

  • 多看,不同企业、不同规模、不同业务、甚至不同产品官网的案例,都去找一找看一看,不要指望着能窥一斑而见全豹。
  • 面对面沟通,纸上谈兵永远不能触及深层,你必须线下去和制造行业的同行交流,才能听到更加真实的信息。

拉回正文,分享几个我在实地交流调研的过程中,发现的制造行业数字化转型普遍遇到的困难或者挑战,其中会穿插一些案例,希望对大家有所帮助!

文中所用白皮书&案例如下,有需要的伙伴可以去看完整版的:


01 谈到数字化转型时抵制变革

不少企业认为推进自动化系统能够更加立竿见影,普遍存在重自动化、轻数字化的状况。

我走进很多企业,都发现企业更加重视产线的自动化和少人化,但是设备联网和数据采集的基础差,车间没有真正实现可视化。

传统制造的每个环节都是相对独立运作的,无法及时知道其他环节发生的变化。由于缺乏整合,公司不得不处理许多问题,例如大量库存、浪费的工时,以及随之而来的资金浪费。

虽说新兴技术商业模式更加敏捷和灵活,能够快速适应不断变化的需求。但是,这种模型要求制造企业基本满足以下条件:

  • 全供应链端到端整合
  • 每个阶段的效率和敏捷性,包括供应商
  • 组织间开放和快速的沟通

而这些都需要装配生产线上的全过程适应新的思维方式和新的视角。因此,劳工和中层管理人员初期都是比较抵制所谓“数字化转型”的。他们可能会质疑新的方式是否真的比现有的商业模式更好?

怎么克服——

所有的数字化转型都始于企业高层管理团队的意识和承认变革的需求。

所以先不要急于寻找数字化产品和工具,先在企业内部推进数字化转型认知。其中包括:

  • 管理者和一线员工之间达成一致
  • 业务部门和技术部门加强沟通协作
  • 推动各环节数据综合集成,精细化管理

02 初始投资资金

当提到制造业数字化转型时,面临的第一个大问题就是所需的资本投资。巧妇难为无米之炊,我国制造企业的利润率较低,推进数字化转型往往缺乏足够的资金进行投入。

怎么克服——

在开始实施阶段之前,数字化转型需要大量投资和事先规划。

  • 粗略估计在对企业进行数字化转型后可能产生的资本支出和收入,以便做出更好的决策。
  • 一旦准备就绪,根据紧迫性、数字化转型的影响、涉及的风险和财政资源能力分析估计。
  • 优先考虑数字化转型带来的预期投资回报 (ROI)。决策者可以寻求公司 CIO 的帮助,将投资资金与未来盈利能力联系起来。
  • 根据每个部门可以为企业在转型后取得成功带来的价值,在多个部门之间分配资金。
  • 计算预期的增量收入或成本节约,以及未来预测和比较中涉及的其他变量。
  • 总资本支出应符合公司的未来目标。

具体可以参考阿里联合毕马威提出的——

基础设施云化、触点数字化、业务在线化、运营数据化、决策智能化五部曲

该框架包含5项一级能力,25个核心二级能力指标为评价数字化成熟度和指明未来建设方向提供衡量工具:

来源:毕马威&阿里《2020消费品生态全链路数智化转型白皮书》


03 缺乏数字化转型知识和经验

制造业数字化面临的最大挑战之一是缺乏以安全可靠的方式实施先进制造技术的相关知识。我想这也是大家迫切想要寻找制造企业数字化转型案例的主要原因之一。

但是制造业的各个细分行业差异很大,处在各个产业链中不同位置的企业个性化很强,数字化转型的突破口也各不相同,并没有可以直接照搬的模板。

那么该如何补充这部分的知识和经验呢?

  • 学习使用先进的数据分析,人工智能和机器学习以及自动化先关知识。
  • 外聘或者外包专业的技术团队,帮助减轻采用压力。
  • 行业案例、行业白皮书,这个问题下大家分享的一些案例,都可以去看看

04 数字化转型的安全问题

随着数字化成为全球趋势和增长衡量标准,人工正逐渐被机器人和人工智能所取代。所有这些都会产生大量数据,因此保护所有数据(包括个人数据和专业数据)的安全一直是一项巨大的挑战,也是大家一直关注的问题。

当然,员工和管理层都对系统内个人数据的安全性感到担忧。任何违规行为都可能导致重大损失。

如何改善——

公司需要完善的网络安全计划,不仅有助于改进网络安全协议,还可以降低未来的风险。在规划网络安全策略时,请牢记以下几点:

1. 了解必须保护的关键信息资产。 2. 了解整个组织的信息流。 3. 识别信息泄露或丢失时的风险。

这为公司如何应对风险奠定了基础。一旦奠定了这个基础,就更容易分配管理角色、制定安全程序和实施适当的安全措施。


05 信息孤岛问题难以解决

很多制造企业已经应用了诸多信息系统,但是孤岛纵横,基础数据不准确,编码体系不统一,推进数字化转型无从下手。

怎么解决——

  • 一是使用数字化的工具,将企业内部各系统串联起来,打通信息藩篱。
  • 二是规范标准化流程:单独设立一个流程管理机制,负责实现管理体系的整合与规范。
  • 三是建立统一的业务流程模型,包括数据对齐、业务对齐以及管理对齐。
  • 四是建立信息共享机制:以数据库为基础构建数据资源共享平台,打破隔阂、实现互通。

06 缺乏整体数字化战略

数字化转型远不止是说说而已。

很多企业在面对数字化转型时往往陷入这样一种境地,他们确信自己需要转型,但不太确定如何以及从哪里开始。

因此,制定战略是必须的,没有战略转型可能就无法起步。在写下转型计划之前,先问问自己:我公司的目标和优先事项是什么?它们在整个组织中是一致的,还是某些区域位于完全不同的页面上?

以上,篇幅原因说的很简略,大家可以在评论区指正补充!

内容概要:本文介绍了ENVI Deep Learning V1.0的操作教程,重点讲解了如何利用ENVI软件进行深度学习模型的训练与应用,以实现遥感图像中特定目标(如集装箱)的自动提取。教程涵盖了从数据准备、标签图像创建、模型初始化与训练,到执行分类及结果优化的完整流程,并介绍了精度评价与通过ENVI Modeler实现一键化建模的方法。系统基于TensorFlow框架,采用ENVINet5(U-Net变体)架构,支持通过点、线、面ROI或分类图生成标签数据,适用于多/高光谱影像的单一类别特征提取。; 适合人群:具备遥感图像处理基础,熟悉ENVI软件操作,从事地理信息、测绘、环境监测等相关领域的技术人员或研究人员,尤其是希望将深度学习技术应用于遥感目标识别的初学者与实践者。; 使用场景及目标:①在遥感影像中自动识别和提取特定地物目标(如车辆、建筑、道路、集装箱等);②掌握ENVI环境下深度学习模型的训练流程与关键参数设置(如Patch Size、Epochs、Class Weight等);③通过模型调优与结果反馈提升分类精度,实现高效自动化信息提取。; 阅读建议:建议结合实际遥感项目边学边练,重点关注标签数据制作、模型参数配置与结果后处理环节,充分利用ENVI Modeler进行自动化建模与参数优化,同时注意软硬件环境(特别是NVIDIA GPU)的配置要求以保障训练效率。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值