数据要素如何成为工业“巧匠”？

出品 | 虎嗅智库

编辑 | 黄思语

大鲸AI闭门会·制造专场将于6月20日在苏州举办。来自AI、制造领域的30+CEO/CIO/顶级专家，全程闭门形式，高端圆桌对话，解读AI在制造领域的演进趋势和落地案例。

点击报名：大鲸AI闭门会·制造专场

围绕大鲸AI闭门会 ·制造专场，虎嗅智库将推出AI大模型及智能制造领域系列内容精选，此篇为第一篇。本次大会探索AI大模型在制造领域生产场景下的可行性和实践案例，欢迎扫码报名。

以下核心观点来自虎嗅智库撰写发布的《数据要素×工业制造案例研究报告》，点击报告名称获取内容。 核心观点： 数据要素在产业层面本质上不是对单一环节或流程进行优化，而是从全局优化。在工业制造领域，各环节的运行效率和产品性价比均得到一定幅度的提升，实现产业链上的倍增效应，进而带来变化商业模式的可能性。 企业内部能够以数据决策的方式，在公司治理结构、公司管理能力等全生产要素范围内、实现全要素的贯通和端到端的全面提升 。例如管理效率的提升、管理成本的降低、工作颗粒度细化、工作流程缩短等。 现阶段，企业普遍面临数据资产积累不足的情况。数据要素的应用缺乏“原料”究其原因在于不同流程场景中的数据采集建设成熟度不同。 数据平台建设不是一次性项目或临时解决方案，而是长期的战略投资，应保持关注并持续运营。只关注短期效果的“临时建设”可能导致一段时间后数据质量不达标、数据资产不可信不可用等问题 。

企业对数据要素需求和痛点

企业对数据要素的需求日益增强，因为数据在突破发展瓶颈、优化工艺流程、整合供应链与提升经营决策等多个领域具有巨大的价值和潜力。

如生产制造环节中，数据波动变化的分析可以反哺工艺流程的效率优化；供应环节中，数据整合可以做综合性分析和方案建议；对于经营决策，数据清洗和治理能提升数据质量，支撑后续分析决策。

然而，企业在应用数据要素上面临着“原材料”缺乏的问题。这主要归咎于企业在数据积累方面普遍不足，且不同流程场景中的数据采集建设成熟度不一。

在供应链端，由于数据积累早，应用和提升服务能力成熟度较高。而在其他场景，如内部运营，由于部分企业缺乏数据采集设备或重度依赖人工，导致数据无法追溯，数据供给不足。

这种情况下增加了企业在数据应用落地上的难度，且需要更多的数据资产和实践经验才能有效提高挖掘数据要素价值的能力。

案例：某动力电池企业数据驱动的产品质量管理

该动力电池企业以锂离子电池的研发、生产和销售作为核心业务，在确保产品质量稳定性、可靠性和耐久性的过程中，希望通过大数据的应用发现生产问题并提供相应解决方案。

然而，在实施过程中，企业面临着数据技术无法支持、数据处理效率低下、数据质量不高等问题。

在此前提下，奇点云采用DataSimba数据云平台，优化了企业的数据基础设施，并改造了企业设备通信协议、增加了数据采集服务器，以提高数据的实时性、一致性和完整性。

同时，奇点云与企业建立了基于PDCA循环的质量闭环管理机制，确保质量问题得到系统性改善。

此外，企业还进行了实时模拟和计算复盘，实现了生产质量的实时异常改善。在为期3个月的试运行期间，异常改善率达到100%，企业的质量管理更加精细、准确、可靠。

此方案的实施不仅解决了电池企业数据处理不足、数据质量低，数据应用效率低下等问题，也提升了质量管理效率，使得数据处理的时间至少减少了75%，可以拥有更多的时间来进行数据分析，优化场景应用，进一步提升了企业的核心竞争力。

数据平台建设不是一次性项目或临时解决方案，而是长期的战略投资，且应始终保持关注并持续运营。

企业应建立标准、规范的数据管理体系，支持海量多源异构数据集成及高效处理分析，提升数据质量和管理能力。同时，企业应基于平台的统一建模和数据应用搭建，降低对技术人员定制开发的依赖，提升平台数据服务能力。

结语

从全局和战略的角度去审视和运用数据。数据要素的价值不仅体现在某一个环节的优化上，而是从全产业链的视角来看待，实现全产业链上的倍增效应，推动商业模式的深度变革。

企业需要充分认识到数据并非银子弹，而是需要在合理的数据管理体系的支持下，持续积累有效的数据资产，逐步提升挖掘数据价值的能力。

如果想了解更多数据要素的应用案例，可以报名虎嗅智库6月20日主办的大鲸A闭门会·制造专场，届时将会有数据要素及AI大模型在智能制造领域应用的案例讲解。 关于大鲸AI闭门会·制造专场，我们邀请了多家行业甲方头部企业代表，目前确认出席的嘉宾，包括信通院、美的、TCL中环、隆基绿能、施耐德电气、金风科技、清湛人工智能研究院等企业与机构。 诚邀您的参与大会，一同探讨AI大模型与智能制造的最新技术实践与挑战！

本内容为作者独立观点，不代表虎嗅立场。未经允许不得转载，授权事宜请联系 hezuo@huxiu.com