全球正在由工业经济向数字经济转型过渡，制造业正在并将长期处于数字化转型发展的历史阶段，沿着数字化、网络化、智能化阶段不断跃升。数字化阶段主要使命是制造基础设施、行为活动的数字化、软件化改造，而制造资源配置规则并不一定发生根本性的改变；网络化阶段的主要使命是社会化大范围按需动态配置制造资源，智能化阶段的主要使命是按照个性化需求深度挖掘和社会化精准配置制造资源，因此网络化和智能化阶段将是制造资源配置规则发生破坏式创新、颠覆式变革的时代。
一、数字化转型的涵义
1、数字化转型的紧迫性
传统的产业以制造业为代表的都在进入存量时代，增量没有了。资源环境能源的刚性约束已经是全球性的，而且越来越强。数字经济成为发展趋势，数字经济的制高点就是先进制造业，而先进制造业的核心就是怎么样用信息产业为主导去带动传统产业转型升级。
2、数字化转型的内涵
目前， 90%多的国内企业都是在做智能生产运营，目标都是提质降本、增效减存。对于更领先的企业，数字化转型的核心内涵是价值体系的全面重构，是产品和服务创新，在智能生产运营的基础上创新增值服务、延伸服务等等，通过创新产品提升主营业务的增量。还有一个更高级的阶段，就是做数字产业，形成数字的业态，结构的重构、价值的重构。核心内涵就是要求企业所有知识的全面数字化，对数字化的知识做再生产再制造，这是最重要的。未来通过数字化生产要建立跨企业、跨行业、跨专业学科、跨领域，融合创新的机制才是实现数字化转型最重要的抓手落点。
3、如何进行数字化转型
数字化转型首先要在战略层面要想清楚到底怎么做，是做现在的业务还是能不能整出新的业务来。要落地的话，核心就是能力体系的重构，一定是能力为主线；其次，在解决方案实施层面一定是全要素新的解决方案，绝不是在市面上拿硬件软件拿来拼一拼就可以了，一定是全局优化的过程。一定要靠全员赋能，而不是去找所谓的融合型人才，只能用新的数字知识的再生产去全员赋能；最后，数字化转型一定是开放的，是生态的重构，是生态的共建。
二、数字化转型面临的挑战
1、数字化转型亟需突破设备终端全面连接的瓶颈
现在的设备数字化率大概为47%，这些数字化设备里面它的联网率只有40%，乘起来不到20%，而且即便是有了底层的联网，向上打通的也就20%左右，想要真正实现转型，底层OT跟IT的融合仍然是极其核心的基础性问题。
2、数字化转型要加强跨企业协同的全面集成管控水平
企业的综合集成管控水平比较低，内部的管控都难以一体化，就很难有效上云，或即使上云以后，也无法进行资源综合优化配置。云平台的作用挖掘不出来，集成管控难的核心问题不是技术问题，而是价值的博弈，是组织职责的博弈等等。
3、数字化转型要急需提高工业技术软件供给能力
现在只有百分之十几的企业工业软件总体应用比较好，其他的虽然ERP等工业软件应用比例比较高，但这些工业软件对企业的综合效益并不那么明显。更重要的是，过去的生产技术跟数据科学之间怎么融合，怎么转化为可以快速迭代、柔性共享的工业APP。目前还是集中在每个点上，整体水平都不高。
三、数字化能力成为驱动数字化转型的重要引擎
劳动力和土地是农业经济时代新的生产要素，资本和技术是工业经济时代新的生产要素。进入数字经济时代，数据化正逐渐成为驱动工业企业的关键生产要素和新引擎。数字化能力是企业全面实现数字化、数字化智能和数字化决策的前提。
1、数字化与企业的交汇融合，蕴含巨大潜力和能量
物联网的发展引发数据的迅猛增长，大数据已成为工业企业的基础性战略资源。如今企业的信息逐渐都以数字格式存储、传输和使用，数据计算处理能力也提升了上万倍，数据开始渗透进入企业生产、经营、管理的方方面面。数据存储和计算处理能力的飞速进步，使得数据的价值创造潜能大幅提升，正推动企业价值创造能力发生飞跃。
2、数字化与企业的交汇融合，促使生产力发生新的飞跃
传统经济发展模式主要依赖土地、劳动力、资本等一般性生产要素，进入门槛低，规模化扩张快，但也容易导致产能过剩、恶性竞争和低端化发展。而工业大数据的及时性、完整性、开发利用水平，以及数据流、物质流和资金流集成协同能力，有助于大幅提升优化配置制造资源的效率和水平。相比其它生产要素，数据资源具有可复制、可共享、无限增长和供给的禀赋，打破了传统要素有限供给对增长的制约，不断催化和转化着劳动力、资本、技术、管理等传统要素，为持续增长和创新发展提供了新的条件与可能。
3、数字化为构建人机智能融合的开放价值生态提供了重要支撑
传统制造业发展过程中，技术价值长周期孕育了稳定的预期市场，企业有足够动力和时间通过技术专利、标准等手段，以技术壁垒为核心建立烟囱式工业体系和封闭利益生态，形成创新投入和价值回收的市场相对优势。随着信息技术的迅猛发展，日益快速增长的个性化需求及其不断增强的时效性倒逼技术和应用在短期内快速更新迭代，催生了开源技术体系，而开源技术体系的兴起打破了原有的利益格局，弱化了技术的先发优势。与建立在封闭工业技术体系基础上的传统制造业竞争格局相比，先进制造业亟需围绕构建开放价值生态形成新型竞争优势，其关键是充分利用互联网、以数据为新生产要素，通过人工智能将物理世界的客观规律以及人的经验智慧用数字化模型进行刻画、仿真并形成自我学习、持续迭代优化的新型能力体系，数字化有效支撑了新型能力体系的打造。
四、数据治理赋能企业数字化转型
十九届四中全会，首次将“数据”列为生产要素参与分配，标志着以数据为关键要素的数字经济进入了新时代。当前，以人工智能、区块链、数据中台、工业大脑等为代表的数字技术不断涌现，快速向经济社会各领域融合渗透。以数据为核心的数字化转型已是大势所趋。工业企业数据密集，在生产经营过程中积累了海量的数据资源。企业的数据能否支持企业数字化能力重构，精确反映数字孪生、有效支持战略决策成为数据治理为数字化转型赋能的重要驱动力。
1、企业中数据面临的问题
（1）存在信息孤岛，有数不能用
当前，企业数据治理过程中普遍存在“不愿、不敢、不能”共享的问题，导致海量数据散落在众多部门、下属企业、分支机构和信息系统中，形成一个个“数据烟囱”。一是不愿共享，多数企业都将数据作为战略性资源，认为拥有数据就拥有客户资源和市场竞争力，主观上不愿意共享数据；与之类似，企业内部数据权属分割，数据所有权和事权密切相关，部门宁愿将数据“束之高阁”，也不愿轻易拿出来共享。二是不敢共享，部分数据具有一定敏感性，涉及用户个人隐私、商业秘密甚至国家安全，数据共享可能存在法律风险，客观上给企业间、部门间共享数据带来障碍。三是不能共享，由于数据接口不统一，数据难以互联互通，严重阻碍数据开放共享，导致数据资产相互割裂、自成体系。
（2）数据质量不高，有数不好用
高质量数据成为精准服务与价值创新的重要基础，也是大数据提升精准施策能力的关键前提。然而，当前工业企业整体数据质量不高现象依然突出，给数据深入挖掘与高效应用带来困难。在完整准确性方面，由于缺乏统一的数据治理体系，在数据采集、存储、处理等环节可能存在不科学、不规范等问题，导致错误数据、异常数据、缺失数据等脏数据产生，无法确保数据的完整性和准确性。在一致性方面，由于业务条线繁杂、业务种类多样，多个部门往往数据采集标准不一、统计口径各异，同一数据源在不同部门的表述可能完全不同，看似相同的数据实际含义也可能大相径庭，数据一致性难以保障。这给全局数据建模、分析、运用造成障碍，数据挖掘效能大打折扣。
（3）融合应用困难，有数不会用
企业中数据来源众多、体量庞大、结构各异、关系复杂。从如此繁杂的海量数据中挖掘高价值、关联性强的高质量数据，需要高效的信息技术支撑和可靠的基础设施保障。然而，大部分企业科技研发投入相对不足、科技人员占比严重失调，利用数据建模分析解决实际问题的能力有待提高。信息资源利用大多停留在表面，数据应用尚不深入、应用领域相对较窄、数据与场景融合不够，导致数据之“沙”难以汇聚成“塔”，海量数据资源无法盘活，数据潜力得不到充分释放。
（4）数据种类繁多，有数不善用
现在工业企业的数据问题主要不是数据够不够用，而是是否能善用数据，是不是能用更多的模式，来驱使数据，改善对业务、经营和管理的数字化能力支撑。企业中的数据种类繁多，从数据类型说有时序数据、结构化数据、非结构化数据、半结构化数据等，从业务视角有设计数据、生产数据、采购数据、营销数据、供应数据等，种类繁多的数据眼花缭乱。如何将繁多的数据抽象出数据算法、数据模型，形成数据能力，使数据能力对战略、管理、经营、生产、转型形成数字化支撑能力成为众多企业面临的障碍。
2、数据治理的思路
（1）做好顶层设计，把数据规划好
数据治理是一项长期、复杂的系统工程，要在数据标准、管理组织、运维流程、支撑平台等方面加强统筹谋划。一是优化数据治理组织架构。充分认识数据的重要战略意义，将数据治理纳入企业中长期发展规划，及时调整数据治理组织架构，明确内部数据管理职责，理清数据权属关系，自上而下推动数据治理工作。二是完善数据应用机制。在保障各方数据所有权不变前提下，统筹规划全局数据架构，完善跨企业、跨领域数据融合应用机制，实现数据规范共享和高效应用。三是构建数据标准体系。建立涵盖元数据、主数据、数据质量、数据安全等全流程的标准体系，打造企业数据的“通用语言”，全面提升数据质量，为数据互通、信息共享和业务协同奠定坚实基础。
（2）健全治理体系，把数据管理好
■ 做好数据资产管理。根据统一的数据标准体系，建立全局数据模型和科学合理的数据架构。在此基础上，管理维护全局数据资产目录，实现对数据资产的全面梳理和有效管控，解决数据质量不高、数据利用不足等问题。
■ 做好数据分级管理。综合国家安全、工业企业数据分类分级、公众权益、个人隐私和企业合法利益等因素，制定数据分类分级标准，基于全局数据资产目录将数据进行分类分级。针对不同等级数据采取差异化的控制措施，实现数据精细化管理。
■ 做好数据共享管理。规范数据共享流程，确保数据使用方在依法合规、保障安全前提下，根据业务需要申请使用数据。数据所有方按规则审核确定数据使用范围、共享方式等，通过数据交换机制实现数据有序流转和安全应用。
（3）加强安全管控，把数据保护好
要遵循“用户授权、最小够用、全程防护”原则，充分评估潜在风险，把好安全关口，加强数据全生命周期安全管理，严防用户数据的泄露、篡改和滥用。在采集环节，要向被采集用户进行明示，明确告知采集和使用的目的、方式以及范围，在获取用户授权后方可采集。在存储环节，通过特征提取、标记化等技术将原始信息进行脱敏，并与关联性较高的敏感信息进行安全隔离、分散存储，严控访问权限，降低数据泄露风险。在使用环节，借助模型运算、多方安全计算等技术，在不归集、不共享原始数据前提下，仅向外提供脱敏后的计算结果。
（4）强化科技赋能，把数据应用好
数据治理的核心环节是数据应用，要从算力、算法、存储、网络等维度加强技术支撑，切实增强数据应用能力。在算力方面，加快分布式架构转型，充分发挥云计算等技术优势，满足海量数据分析处理对计算资源的巨大需求。在算法方面，基于深度学习、神经网络、数字孪生等技术设计数据模型和分析算法，提升数据洞察能力和基于场景的数据挖掘能力，为数据插上智慧的翅膀。在存储方面，探索数据仓库、大数据、数据湖、数据中台、流数据、边缘数据等信息安全要求相匹配的数据存储方案，实现数据高效存储和弹性扩展。在网络方面，运用工业互联网、物联网技术丰富数据采集维度，利用5G技术带宽大、速度快、延时低等优势提升数据流转效率，打造企业数据传输的“高速公路”。
五、数字化转型、数字化和数据治理的关系
数字化转型是企业价值重构，打造新一代信息技术环境下企业可持续竞争优势，企业健康长期发展的基础。数字化为企业数字转型提供了重要新引擎。数据治理是企业数字化和数字化转型的重要支持。三者相互融合共生，是数字经济时代的新常态。
展望未来，随着从底向上的数字孪生系统的不断成熟、AI技术的深化应用，从单元技术级到设备级，到产线级，到车间和工厂级，数字孪生系统将成为实现“融合发展”的重要的路径；随着大数据、区块链、数据中台的持续发力，企业将形成一致的数据愿景，实现数据驱动的战略，更多从企业创造价值，为企业转型，为企业找到新的价值模式层面，发挥重要作用，最终将实现企业数字化转型的全面胜利！
联系客服
