如何走通企業數智化落地的“最后一公里”，讓無人工廠不再紙上談兵？
作為數字化服務提供商，這個問題依然覺得很宏大，畢竟是整個行業甚至社會趨勢都在共同努力的事情。
我們其實可以借助零售行業的【人貨場】的理論，來大致總結【跑通最后一公里】的要點：
- 人：培養自己的數字化人才、建設數字化團隊，以及人才上升需要的數據、知識沉淀
- 貨：承接數字化需求和發展需要的一切軟件、工具、設備，設計好對應的預算分配
- 場：花大力氣、下大決心去調整當前的管理方式，崇尚數據導向，從粗放走向精細、從主觀走向科學，建設能夠支撐數字化體系的企業管理體系和文化
對于這個觀點，請允許我細細道來。
其實當前，我國制造業發展水平是處于全球第三陣列，排名第四的：
但能處第三序列靠前，還是因為“規模發展”起了重要支撐——依靠規模拉動發展。所以如果從“質量效益”、“結構優化”、“持續發展”三項來評估，我們僅排名第六，就與前列國家拉開了較大差距。
可見，我國制造業發展還是略為“粗暴”，【高質量轉型】之路任重道遠。
這也就引到了數智化的問題。
數智化=數字化+智能化。
為什么會逐漸提出這個概念？
是因為我們在力圖拉動制造業往更高質量發展的過程中，發現：制造業的傳統方法論在新時代下是水土不服的。
制造業是以【機械論】為底層方法論的典型代表——
無論是電子、工程機械、汽車等離散 型制造業，亦或化工、冶金、食品等流程型制造業，在“機械論”思想指引下，均以 “效率優先”為導向，追求流程管控、標準化管理和可追溯性始終是“機械論”是核心。
但進入信息時代，激烈的跨界競爭、產品形態的頻繁演變、市場預期的快速變化使得 “機械論”的弊端暴露無遺：
較為固定、邊界清晰的管理模式無法適應生命周期短、 生態邊界模糊、市場預期快速調整的信息時代。
因此，在經濟、產業底層方法論悄然生變的背景下，制造業意味著需要應用更先進的數字化技術、使用更有效率的管理方式、以及生產更好的產品。
進一步具體來說，制造業的轉型就是需經過數字化、網絡化（此網絡非彼網絡，更強調全局和串聯）、智能化三個階段：
如上圖所示，從數字化到智能化的過程。
看著簡潔，但需要解決的問題并不少。
根據《中國兩化融合發展數據地圖（2020）》，其實信息技術的應用，已廣泛覆蓋我國制造業各個業務環節，共計49.3%的企業在研發設計、生產、采購、銷售、財務、人力、辦公等環節實現數字化工具的全面覆蓋。
其中，辦公、財務、銷售、采購、人力環節的數字化工具應用普及率較高：
分別有超過90%的企業能實現財務、辦公的在線管理；80%以上的企業能在原材料采購、成品銷售環節實現線上成本、計劃、合同管理。
但在研發和生產環節，我國制造業企業的數字化能力存在明顯短板，均低于全國平均水平。
所以：
- 如何更全面的覆蓋、更深入的拉通體系的數字化管理？能不能構建一個基于數字化平臺的新生態體系？以此推進生產制造模式變革？
這是具有一定信息化基礎的制造企業，最需要解決的問題。
制造業數字化架構體系
以某500強制造業工廠為例，就是打通若干數字化工具，將OA和MES進行串聯，大面積覆蓋工廠的管理場景，獲得了企業效益的迅猛增長：
我們可以說，制造業的數字化管理就是——
應用信息化系統，根據業務需求和策略，進行生產、運營過程的全鏈條管理活動。
聽著就有點抽象，但實際掰開講，就是拆分為四個方面：
- 設計和制造協同流程和質量改進資源優化與協同供應鏈管理
那完成了場景的覆蓋后，接下來，就是無人工廠的真正的最后一公里——智能化。
根據《中國制造2025》戰略，我們其實正加快推動新一代信息技術和制造技術融合，核心就是智能制造。
尤其重點發展智能裝備和智能產品，推進生產過程智能化，培育新型生產方式，全面提升企業研發、生產、管理和服務的智能化水平。
比如：
- 在研發環節中，基于AI能力的預測性分析技術將支持產品組合分配決策以及產品開發生命周期優化；在生產運營環節，5G、 云計算將為本地優化和互聯資產提供算力、網絡支持，互聯設備和物聯網 (IoT) 技術帶來了大量原始數據、促進了自動化、遠程監控甚至新型合作關系，同時也推動機器學習技術輔助實現智能決策；
對于財務等職能崗位，基于云、AI等技術的ERP、BI工具也實現了大量常規工作的自動化。
根據當前制造業智能化的經驗來看，在這塊的資金投入，就以IOT首當其中，占據20%的高占比：
上面說完了從數字化走向智能化，這個過程中，還有2個更重要的、貫穿始終的問題。
- 知識資產人才培養
關于知識資產
一般來說，制造業企業的知識資產由數據資產轉化而來：
企業生產、經營管理數據，折射出信息，讓我們在多樣化的用戶運營場景中挖掘價值，挖掘的過程進行知識的沉淀，知識的不斷洗禮則上升為企業/組織/人才的智慧。
這個邏輯如果畫出來，就是：
舉個例子：
一家領先的油氣公司應用一套AI系統將超級員工的經驗和知識持續轉化為流動的知識庫，進而幫助其他員工學習、應用先進經驗。
該AI系統以知識圖為基礎，收集有關油井設計和運營的動態信息、預測設備績效或分析組件失效的類型和原因。 該系統不僅存儲了現有知識，還可以幫助員工檢驗更多的洞察。利用這一技術，企業本身也轉型成為學習型組織。
這是知識庫建設推動組織向學習型組織轉變的典型例子。
再舉個例子：
AT&T為培育具備軟件和網絡工程、數 據科學、人工智能、增強現實、自動化等新數字化技能的員工，對其25萬名員工開展了新技能培訓。
AT&T不僅在 Coursera和Udacity開設線上課程，還運用AI技術搭建職業情報（Career Intelligence）平臺，員工可以獲得崗 位趨勢趨勢、職位技能要求、以及薪酬 數據等相關信息，明智地決定自己要發展哪些技能，并將其添加到自己的能力檔案中，自由開放的學習環境幫助員工 更好的規劃職業成長。
這一點，則佐證了企業沉淀下來的知識資產，轉化為的培訓和引導的力量，對員工成長和發展的重要性。
關于人才培養
知識產生于人，又服務于人的行動。所以說了知識資產，就不可能不提人——尤其對于新興事務/探索方向，人才就是基石。
但我國的制造業，數字化人才結構問題尤為突出：
一方面，我國制造業數字化人才數量明顯供不應求，根據人力資源和社會保障部數據，2020年我國智能制造領域人才需求約750萬人，人才缺口300萬人，到2025年，數字化人才需求將達到900萬人，人才缺口預計450萬人，人才缺口將進一 步放大；
人才短缺限制了很多制造企業提升數字化能力，這是瓶頸之一（尤其許多中小制造業，員工教育水平普遍不高）
另一方面，由于數字化人才交叉技能、多樣化思維要求，我國現有教育體系難以應對數字化人才的培養。
這就要求：制造業企業能不能根據自身需求，來打造適合自身的數字化組織模式。（這需要從價值主張、組織架構、創新機制、培訓機制等方面多管齊下）
就以管理方式來說：傳統的制造業，受限于機械論，在管理方式上，普遍實行樹狀組織架構——根據產品功能模塊對組織架構進行劃定，以此形成明確的權責劃分、以及培養熟悉業務的專業管理人才。
還普遍采用“胡蘿卜+大棒”的人才管理模式，通過給予物質刺激激勵員工積極性：
但這種組織架構和管理模式不利于數字化能力的建設：
- 晉升渠道和序列轉換機制缺乏靈活度缺乏長效合理的激勵機制
這會制約企業內在的創新潛力。
所以制造業想要做好數智化，就必須逐漸打造與業務發展模式相匹配的人力資源管理體系：
隨著數字化水平的逐漸加深，對企業內數字化相關崗位，規劃設計明確的職責與能力模型，力圖能夠培養出兼具設計思維、業務場景和ICT專業能力的T字型復合人才，比如：
但這都是后話了，最后一公里的概念由來已久，但一公里之前種種，皆非一日之寒。從制造業的全行業來看，【先富帶動后富】在數字化尤其智能化的轉型上，亦適用。
以上拋磚引玉，希望可以聽見更多價值的聲音。
