如何走通企业数智化落地的“最后一公里”，让无人工厂不再纸上谈兵？
作为数字化服务提供商，这个问题依然觉得很宏大，毕竟是整个行业甚至社会趋势都在共同努力的事情。
我们其实可以借助零售行业的【人货场】的理论，来大致总结【跑通最后一公里】的要点：
- 人：培养自己的数字化人才、建设数字化团队，以及人才上升需要的数据、知识沉淀
- 货：承接数字化需求和发展需要的一切软件、工具、设备，设计好对应的预算分配
- 场：花大力气、下大决心去调整当前的管理方式，崇尚数据导向，从粗放走向精细、从主观走向科学，建设能够支撑数字化体系的企业管理体系和文化
对于这个观点，请允许我细细道来。
其实当前，我国制造业发展水平是处于全球第三阵列，排名第四的：
但能处第三序列靠前，还是因为“规模发展”起了重要支撑——依靠规模拉动发展。所以如果从“质量效益”、“结构优化”、“持续发展”三项来评估，我们仅排名第六，就与前列国家拉开了较大差距。
可见，我国制造业发展还是略为“粗暴”，【高质量转型】之路任重道远。
这也就引到了数智化的问题。
数智化=数字化+智能化。
为什么会逐渐提出这个概念？
是因为我们在力图拉动制造业往更高质量发展的过程中，发现：制造业的传统方法论在新时代下是水土不服的。
制造业是以【机械论】为底层方法论的典型代表——
无论是电子、工程机械、汽车等离散 型制造业，亦或化工、冶金、食品等流程型制造业，在“机械论”思想指引下，均以 “效率优先”为导向，追求流程管控、标准化管理和可追溯性始终是“机械论”是核心。
但进入信息时代，激烈的跨界竞争、产品形态的频繁演变、市场预期的快速变化使得 “机械论”的弊端暴露无遗：
较为固定、边界清晰的管理模式无法适应生命周期短、 生态边界模糊、市场预期快速调整的信息时代。
因此，在经济、产业底层方法论悄然生变的背景下，制造业意味着需要应用更先进的数字化技术、使用更有效率的管理方式、以及生产更好的产品。
进一步具体来说，制造业的转型就是需经过数字化、网络化（此网络非彼网络，更强调全局和串联）、智能化三个阶段：
如上图所示，从数字化到智能化的过程。
看着简洁，但需要解决的问题并不少。
根据《中国两化融合发展数据地图（2020）》，其实信息技术的应用，已广泛覆盖我国制造业各个业务环节，共计49.3%的企业在研发设计、生产、采购、销售、财务、人力、办公等环节实现数字化工具的全面覆盖。
其中，办公、财务、销售、采购、人力环节的数字化工具应用普及率较高：
分别有超过90%的企业能实现财务、办公的在线管理；80%以上的企业能在原材料采购、成品销售环节实现线上成本、计划、合同管理。
但在研发和生产环节，我国制造业企业的数字化能力存在明显短板，均低于全国平均水平。
所以：
- 如何更全面的覆盖、更深入的拉通体系的数字化管理？
- 能不能构建一个基于数字化平台的新生态体系？以此推进生产制造模式变革？
这是具有一定信息化基础的制造企业，最需要解决的问题。
制造业数字化架构体系
以某500强制造业工厂为例，就是打通若干数字化工具，将OA和MES进行串联，大面积覆盖工厂的管理场景，获得了企业效益的迅猛增长：
我们可以说，制造业的数字化管理就是——
应用信息化系统，根据业务需求和策略，进行生产、运营过程的全链条管理活动。
听着就有点抽象，但实际掰开讲，就是拆分为四个方面：
- 设计和制造协同
- 流程和质量改进
- 资源优化与协同
- 供应链管理
那完成了场景的覆盖后，接下来，就是无人工厂的真正的最后一公里——智能化。
根据《中国制造2025》战略，我们其实正加快推动新一代信息技术和制造技术融合，核心就是智能制造。
尤其重点发展智能装备和智能产品，推进生产过程智能化，培育新型生产方式，全面提升企业研发、生产、管理和服务的智能化水平。
比如：
- 在研发环节中，基于AI能力的预测性分析技术将支持产品组合分配决策以及产品开发生命周期优化；
- 在生产运营环节，5G、 云计算将为本地优化和互联资产提供算力、网络支持，互联设备和物联网 (IoT) 技术带来了大量原始数据、促进了自动化、远程监控甚至新型合作关系，同时也推动机器学习技术辅助实现智能决策；
对于财务等职能岗位，基于云、AI等技术的ERP、BI工具也实现了大量常规工作的自动化。
根据当前制造业智能化的经验来看，在这块的资金投入，就以IOT首当其中，占据20%的高占比：
上面说完了从数字化走向智能化，这个过程中，还有2个更重要的、贯穿始终的问题。
- 知识资产
- 人才培养
关于知识资产
一般来说，制造业企业的知识资产由数据资产转化而来：
企业生产、经营管理数据，折射出信息，让我们在多样化的用户运营场景中挖掘价值，挖掘的过程进行知识的沉淀，知识的不断洗礼则上升为企业/组织/人才的智慧。
这个逻辑如果画出来，就是：
举个例子：
一家领先的油气公司应用一套AI系统将超级员工的经验和知识持续转化为流动的知识库，进而帮助其他员工学习、应用先进经验。
该AI系统以知识图为基础，收集有关油井设计和运营的动态信息、预测设备绩效或分析组件失效的类型和原因。 该系统不仅存储了现有知识，还可以帮助员工检验更多的洞察。利用这一技术，企业本身也转型成为学习型组织。
这是知识库建设推动组织向学习型组织转变的典型例子。
再举个例子：
AT&T为培育具备软件和网络工程、数 据科学、人工智能、增强现实、自动化等新数字化技能的员工，对其25万名员工开展了新技能培训。
AT&T不仅在 Coursera和Udacity开设线上课程，还运用AI技术搭建职业情报（Career Intelligence）平台，员工可以获得岗 位趋势趋势、职位技能要求、以及薪酬 数据等相关信息，明智地决定自己要发展哪些技能，并将其添加到自己的能力档案中，自由开放的学习环境帮助员工 更好的规划职业成长。
这一点，则佐证了企业沉淀下来的知识资产，转化为的培训和引导的力量，对员工成长和发展的重要性。
关于人才培养
知识产生于人，又服务于人的行动。所以说了知识资产，就不可能不提人——尤其对于新兴事务/探索方向，人才就是基石。
但我国的制造业，数字化人才结构问题尤为突出：
一方面，我国制造业数字化人才数量明显供不应求，根据人力资源和社会保障部数据，2020年我国智能制造领域人才需求约750万人，人才缺口300万人，到2025年，数字化人才需求将达到900万人，人才缺口预计450万人，人才缺口将进一 步放大；
人才短缺限制了很多制造企业提升数字化能力，这是瓶颈之一（尤其许多中小制造业，员工教育水平普遍不高）
另一方面，由于数字化人才交叉技能、多样化思维要求，我国现有教育体系难以应对数字化人才的培养。
这就要求：制造业企业能不能根据自身需求，来打造适合自身的数字化组织模式。（这需要从价值主张、组织架构、创新机制、培训机制等方面多管齐下）
- 就以管理方式来说：
传统的制造业，受限于机械论，在管理方式上，普遍实行树状组织架构——根据产品功能模块对组织架构进行划定，以此形成明确的权责划分、以及培养熟悉业务的专业管理人才。
还普遍采用“胡萝卜+大棒”的人才管理模式，通过给予物质刺激激励员工积极性：
但这种组织架构和管理模式不利于数字化能力的建设：
- 晋升渠道和序列转换机制缺乏灵活度
- 缺乏长效合理的激励机制
这会制约企业内在的创新潜力。
所以制造业想要做好数智化，就必须逐渐打造与业务发展模式相匹配的人力资源管理体系：
随着数字化水平的逐渐加深，对企业内数字化相关岗位，规划设计明确的职责与能力模型，力图能够培养出兼具设计思维、业务场景和ICT专业能力的T字型复合人才，比如：
但这都是后话了，最后一公里的概念由来已久，但一公里之前种种，皆非一日之寒。从制造业的全行业来看，【先富带动后富】在数字化尤其智能化的转型上，亦适用。
以上抛砖引玉，希望可以听见更多价值的声音。
