TCL实业副总裁何军分享《新基建时代的制造业大数据价值变现》

随着智能时代的到来，各行各业都在积极进行数字化转型。数字化制造不仅能够帮助企业实现降本增效，也赋予企业重新思考价值定位和重构商业模式的契机，对企业带来了颠覆性的影响。新基建背景下，传统企业抓住历史机遇，迎风而上，用数据赋能产业，向新产业转型，成为数字化浪潮中的重要力量。

在今年的上海静安国际大数据论坛上，TCL实业副总裁何军带来了题为「新基建时代的制造业大数据价值变现」的分享，以下为何总演讲内容的精彩节选。

TCL实业副总裁何军

新基建之下，传统企业创新求变

大家好，今天想跟大家分享，新基建背景下，传统企业转型创新企业的过程。

过去几十年，在互联网的推动下，国内C端数据得到了非常丰富的应用，但是B端数据，还是下一个十年甚至是二十年的课题。新基建背景下，最难的一环其实是让B端数据流动起来。而B端数据最难的一点是什么呢？我认为是工业大数据。黄奇帆教授在之前的演讲中提到：产业互联网是未来，如果产业互联网推动起来，最难的地方是工业互联网。今天就跟大家分享一下，作为一个非传统的实体企业，TCL在工业互联网方面的一些心得。

我对新基建的理解是数字化基建，而数字化基建的核心是数据。其中的难点是如何让数据更容易获取，让数据更好的融合，更重要的是怎样让数据实现价值变现。TCL在大家眼里是个传统企业，但是我们经过几十年的转型，已经变成了非传统企业。我们从家电企业转型为智能终端，每天在智慧家居、商业场景里抓取到大量的数据，从传统的交易数据和使用数据，到今天积累了更丰富更多样的数据样本。比如我们和腾讯的合资公司雷鸟，雷鸟是互联网电视，它每天会抓取到大量的互联网数据、消费行为数据，（这些数据）进入原材料环节，TCL可（根据销售预测）自主生产半导体材料，可以说TCL是非常典型的产业一体化的代表。

我们今天面临的挑战，在全产业链里面，是怎样让我们得到的数据更丰富更干净。首先我们要追求数据干净，如果不干净的话，那么所有基于数据的决策都是错的。

第二我们考虑的是怎样让数据更融合。数据融合就是指在产业链协同的情况下，从上游原材料的数据、半成品的数据、终端的数据到销售的数据，将整个环节里流通的数据端到端的打通。

第三点是在全球供应链的背景下，怎样让数据更好的协同。对于TCL而言，TCL的供应链是全球化，我们在全球有22个生产工厂，分布在欧洲、越南、印度等制造中心。在全球化的供应链支撑下，我们将非常多的用户数据推进到供应端，推进到工厂里面。但是这些数据很难融合。所以从目前来看，数字化的难点之一是要保证数据一致，及时把数据抓取上来。今天时间有限，我谈一谈对于工业数据的理解。

工业数据的获取与治理

TCL所有的数据场景里面，最难是工厂。可以说中国大量的工厂都是黑盒子，国内大量的制造企业，还缺乏基本的信息化和自动化，大家猜一下，目前我们的数据在线率能有多少呢？对于大部分的国内制造业来说，我个人估计达到20%到30%的自动化数据在线率就已经很不错了。

如果再看其他的数据，比例就更小了。我们今天已经有了一些传统的IT系统数据，但是我们在工厂内部有大量的数据基本是没获取的：例如对一些工业敏感的数据，例如电力、温度、湿度等这些数据，再到生产的运营过程，我们已经抓取数据的比例是非常低的。我们今天能抓取到多少非结构化数据又有多少的图片和视频数据能在线化呢？我认为也许不到5%。而这些数据量，数据种类和数据的信息，对于进一步提高整个中国制造业的水平，都是非常关键的。

怎样更好的获取这些数据呢？首先最基本的工作要做好。就像清理河床，河床要清理干净，要把河床之间的水打通。今天我们看到的很多制造业，做了很多很炫的分析，但是这些数据的基础有多少是真正的数据呢？我认为非常低。因为我们基础的数据治理工作没有做好。

数据治理是个非常难的管理工作。如果我们要把所有的数据来源做梳理的话，我认为中国最高端的管理业、最完善的制造业， 70%的数据是手工输入的，它数据的真实性是有问题的。

我们在TCL华星正在启动数据治理的工作，我们把管理的数据，分解到上千项的子项之后，我们就发现，这里面的工作量是巨大的。所以我想呼吁每个制造业，从管理层就开始重视提升数据质量，先把我们的河床清理好。数据治理的工作，不是IT团队来牵头的，而是需要业务部门、财务、供应链、生产，甚至需要我们的环境安全团队一起牵头来做。

数据治理之后是数据的融合。中国所有高端制造业的工厂，都是靠购买一流的商业套件撑起来的。但问题是这些数据系统之间标准不一致，系统之间不融合，如果管理层想看到一个很深的价值分析，就需要后端支撑团队花费非常多的时间。因为整个数据提取的方法，整个系统开发的方法，对于数据分析的方法，是非常传统的方式。

举个例子，在生产过程中，对于出现的一些品质问题，我们希望快速找到根源。但是这里面的问题，超越了工厂的管理，可能牵涉到供应链、供应商和采购环节，问题提出来，供应部门需要外部供应商配合IT团队做开发。走完这个过程通常需要四到八周甚至四个月，这时管理者才能知道，品质出现了问题，问题出现在什么地方，这个问题要怎么解决。整个过程需要三个月，而这么长的时间下来，已经给企业造成了损失。

我们需要颠覆整个场景定义、IT开发的传统方法，需要在技术、管理模式上进行革新。和零售、金融领域的IT能力相比，制造业整个数据从采集、存储、分析应用这些环节里面，还需要比较长的时间去变革，是因为整个制造业，从采集环节到最终应用环节相当复杂，它是一个跨领域的课题，不仅牵涉到传统的IT，还涉及到工业自动化、设备、新领域的算法应用等各个环节。我们需要从传统的IT系统扩展到应用一些新的物联网技术，以及怎样利用一些更新的采集方法，获取新的数据。还有一点是中国的高端制造业在存储环节怎样解决非结构化数据的处理问题。

对于集成电路行业来说，数据是海量的。我们需要新的自适应算法，需要更多的算法和工具，而应用环节的难点已经从传统的开发变成了场景的定义。

推动大数据价值变现：TCL的解决路径

我们基于在TCL华星这样的高端制造业里的积累，以及对于痛点的理解，认为需要找到端到端的解决方案。在传统的生产系统之外，加强应用工业互联网的平台和边缘端的建设，从边缘端采集更丰富的数据。

中台的建设其实是未来的关键。对制造业来说，工业互联网的意义是非常丰富的。它的难点并不在于数据的开发和技术中台，而在于工业APaaS平台。工业APaaS平台需要解决的问题是在数据存储的基础之上，怎样实现传统的工业机理和工业模型的沉淀，以及怎样把过去工程师脑子里的想法，变成定量化和可沉淀可复制的东西。

所以这个工业APaaS平台，是未来整个工业实现数据变现的关键点。举个例子，工业APaaS平台像什么呢？像个乐高积木库。我们需要不停的把工业的算法、工业模型标准化，然后不停的沉淀和扩充，这样我们在建一个新的产线时，就可以快速的复制70%-80%的模型算法。这样我们整个工厂在扩能的时候，就可以把周期从原来的一年缩短到六个月。当我们需要快速分析一些工业的的问题时，耗费的时间可以从传统的三个月缩短到两到四周，让数据的价值快速变现，就能快速的解决工业随时可能出现的问题。

举个例子，TCL华星从三年前开始，就利用自己研发的工业互联网平台，从第一代第二代的工厂开始建设和试行，到今天已经部署了两万六千个传感器。这些传感器，搜集了大量传统工厂搜集不到的数据，包括空气湿度、温度、气压、设备运行数据等，将这些数据和传统的生产、管理数据进行融合，再用图形化的方式，展示给工厂一线的管理者。我们把重点放在怎样开发自助式的工具，让他们自己做分析和管理。所以我们以图形管理为核心，进一步开发工具。

其中的品质分析，是我们另外一个重点。举个例子来说，品质分析除了要考虑在数据的获取上创新，更重要的是要给一线工程师可以自己动手操作的工具。过去的传统是做单因子分析，后来在单因子基础之上，我们又引入了多因子分析的方法。

怎么样让一线的普通生产人员和工程师自己就能做分析，是过去两年我们的工作重点。这就需要格创东智这个平台，我们要把过去所有的场景，做一个沉淀和模块化。把工具、产品进行沉淀，这样即使一线的工程师没有编程的背景和扎实的数据分析能力，也能够自主做分析。所以多因子分析工具是一款非常实用的一线工具。

同样，我们也在对良率做一些多因子分析。除了常规的工厂设备数据和品质数据之外，中国的企业，最缺乏的是图片数据和视频数据以及怎样让这些数据数字化。所以一些半导体企业，非常重要的一项工作就是对视频数据和图片数据进行处理。过去我们配备大量的工程师，用人工来看，做人工判别。而现在TCL的半导体工厂用AI算法替代人做缺陷的判别，提高了准确率和覆盖率。

我们在另一个半导体制造工厂上线（缺陷识别系统）之后，把发现缺陷需要的时间和人力，分别缩短了30%和60%，更重要的是带来了良率的提升。

总结来讲，对于制造业而言，怎样帮助传统工厂可视化，让更多的数据被看见，帮助这些制造业自主分析，就要用一些简单的可自助式的工具。

未来的高端工厂，需要利用更加丰富的算法来进行分析和预测，。TCL在过去积累了非常丰富的实践经验。我们帮助不同的制造业获取不同的数据，我们的目标是让中国所有的一线车间主任和工人变成工业极客，让他们带动中国制造业智能化的提升。

格创东智承接着TCL过去三十九年积累浓缩的制造业经验，我们希望用TCL的经验服务更多的中国制造业。格创东智的使命是希望能用TCL过去三十九年在工业里面的经验，帮助更多的中国制造业提升能力，让数据真正发挥它的价值。

谢谢大家。