制造业数字化转型的现实悖论与现实选择

海岸线科技

01 高瞻远瞩

搭乘制造业高质量发展快车

上个月月初，我们对灯塔工厂做过一个深度解读专题，分析了灯塔工厂的行业分布、发展意义以及具体入选案例的成功因素所在。今天想重提当中的一组数据：2023年全球最新灯塔工厂中，共有50座中国工厂入选，蝉联世界第一。

对比另一组数据一起看：2022年，我国制造业增加值突破40万亿人民币大关，占GDP比重达33.2%，已连续十三年全球第一。（数据来源：中国工业和信息化部）

从中可解读出不少信息:

第一，制造业增加值突破40亿大关，实为“大”，但无法掩盖“大而不强”的积弊。传统制造业中的高端基础设备、高端人才、高端技术长期受制于人，技术创新水平落后于世界先进水平，产业层次较低，产品质量效益亟需提升，工厂用地、劳工成本、不断上涨的原材料价格都是拦路虎，企业心有余而力不足。

第二，中国灯塔工厂数量稳步攀升，实在彰显从“大而不强”走向“大且强”的良好趋势。在新一代信息技术推动下，大数据、云计算人工智能、数字孪生等新技术引领制造业转型变革，不断重塑数据流、业务流与工作流，制造业数字化转型渐趋深化，转型基础不断夯实、转型范围不断拓展、转型程度不断提升。

作为提升我国综合竞争力的核心力量，扎实推进中国制造业在量与质双重维度上冲刺世界前列，是我国未来经济发展的重要支撑，制造业数字化转型不再只是大势所趋，更是企业、行业及国家民族百尺竿头更进一步的必需。

综合来看，数字经济是驱动经济高质量发展的重要引擎，质量管理是企业发展壮大的关键与核心，质量管理数字化是企业经营变革、实现效率与效益高速跃迁的现实选择。

02 殊途同归

传统与数字原生型企业的现实选择

纵观制造业发展历程，产业革命与技术革命交汇发展。从工业4.0概念提及至今，我们似乎看见，数字技术正在渗透进制造业发展的各个环节，工厂内似乎建构起了能够满足客户和内部制造流程的先进制造体系，智能制造似乎颠覆了传统模式。

但吊诡的是，当我们把视角从行业俯瞰之处逐渐往下推进，会讶异地发现，在目前的大部分一线工厂中，一切还在起步探索阶段。

很多企业还保留着非常古老传统的工作习惯，纸质表单在车间内靠人为流转，审批流程极其繁琐臃肿，很难在成堆的纸张和无效的excel中把报表分析做好做完整做完美。

你看见检验员在产线上像勤劳的小蜜蜂一般忙碌，频繁填写着纸质检验表单，填好了之后核对上交，交给主管审核，那成堆的纸质表单宛如浮萍，在数个工站间随着产品一路漂流。

假如这时候出现了不合格品，检验人员就得紧急填写异常问题单，随后找到研发部门、审核部门等多部门沟通，一群人在成堆的表单中搜寻检索，期望能尽快找到相对应的质量信息数据。这时候产线可以干嘛？出现了不合格品，还要往下走吗？停止生产和继续生产都会造成损失，生产节拍被极大地打乱。

质量管理数字化的一大核心门槛是质量数据，有没有用起来，有没有用好？从MES到QMS，无非都是对质量数据的系统性管理的尝试，把盲区推倒、畅通开来。

试着理解一下“质量数据黑匣子”。

如果将其解读成不可知的质量黑色地带，那么数字化系统能减少人为参与带来的不可避免的错误，用系统规范数据录入错误，用系统去取代主观判断，和不同系统对接解决效率问题。

如果将其视作全量信息数据，那么聚合起产品研发、生产制造、不合格品处理等产品全生命周期的质量数据，就有必要保证它们得以便捷流通、高效利用。

对于传统企业来说，数字化主需求在于线下业务向线上业务转型，在于导入数字化系统/软件，重连相互割裂的流程孤岛；那么，对另一些在初创时期就已在进行数字化概念耕耘的数字原生型企业来说，他们的问题则更为具体、更为精细。从初创期、探索期到发展期再到扩张期，企业的内部数据逐渐沉淀，业务和组织架构走向成熟。

不论是传统企业还是数字原生型企业，企业但凡要成长就要处理好质量信息数据，着手进行系统连通底层信息工作，打通数据壁垒、衔接底层数据、挖掘数据价值，让数据赋能决策。

03 系统工程

精细化管理产品质量数据

在所有质量数据当中，制造质量数据又是最直观助益企业运营的角色。产品质量直接决定着企业的核心竞争力，而在越发复杂的商业竞争中，产品质量波动带来的结果愈发不可控，我们有必要对影响制造过程质量的因素进行监控分析。对制造质量数据的管理应运而生，通过采集过程因素数据和检验检测数据，对人机料法环测信息进行分析，帮助企业识别产品缺陷和薄弱环节。

本期案例智，就为大家带来一个制造过程质量数据管理案例，它来自N公司。如果非要定位一下N公司，那就是“介于传统企业和数字原生型企业之间的中间公司”，有数字化手段，但不多；做过数字化改造尝试，但效果不好。

我们诊断出其主要问题出现在质量数据上，N公司存在质量数据收集不完整、存储分散、可利用性低的问题。值得一提的是，这不是孤例，而是很多生产企业当下面临的共性难题：

·质量数据收集的完整性较差，多半是“为了收集而收集”，主要面向生产任务，目的不在于质量分析，导致很多质量因素没有得到关注

·存在数据孤岛现象，制造质量数据存储在了不同的业务部门，在管理数据时甚至使用了两种以上的分类编目方法，导致对数据定义难以取得一致，各个环节数据存在断档，难以集成和共享

这些普遍困难早就是海岸线的老相识了，得益于对海岸线丰富的实施经验的信赖，N公司前期的调研选型推进得非常迅捷。但当我以为这是决定因素时，N公司大领导在启动大会上意味深长地说：“你们是我们听到的第一家把每个场景讲清楚理清楚的服务商。”

制造业质量管理数字化是一项系统性工程，于是很多企业一味相信大而全，小部分服务商用话术掩盖自己捆绑销售全家桶的事实，偏偏企业还只能在吃尽苦头后才醒悟过来：原来这东西我根本用不上啊！每个月平白烧掉那么多钱。再或者是：我明明有这么多数据了，为什么还是做不好改善？

这是因为，质量从来就不只是一个结果数据，只靠结果数据做改善是很难的，生产制造流程本来就千差万别，我们需要对过程信息进行更精细更高效的管理。

比方说检验，很多中上层决策者可能不太清楚，检验环节的效率盈余其实远超想象。全面数字化检验＞数字化检验＞人力检验，像N公司就有3个生产基地分布在不同城市，但3个基地有时候会使用同一批次来料，PQM检验模块中的检验规则是动态的，能够因地制宜适配企业在不同阶段、不同业务上所需要的检验标准，随时灵活调整。除此之外，检验计划和任务也是在系统内主动创建的，并将自动指派和提醒给任务人。

当然，做好单个环节是QMS/PQM本应具备的基础硬实力。质量数据能不能反哺分析改善，往往出现在问题上。例如，当产品性能出现质量问题时，我们需要追溯到具体的制造过程因素。PQM的全景追溯能力，能够基于工单追踪检验信息、不合格品处理信息、异常分析信息、制造信息的全量人机料法环测追溯。在单件质量成本很高的情况下，迅速定位到该单件问题出现批次及问题所在点，及时处理召回，遏制更大损失产生。

尽管我们才刚刚开始和N公司合作，但不论是前期沟通阶段还是项目交付部署阶段，整个过程都保持着融洽友好的交流，团队双方的成员始终在为相同的目标一道努力。当专业的人遇上专业的人，会开创出一片更好的天地，我们期待能和你遇见。