一。制造商應該聚焦部分“工業4.0”應用，而不是全部

　　我們觀察到，那些能在“工業4.0”實施過程中取得重要進展的制造商大都只關注部分應用（參見文本框1），而不是試圖同時應用所有的“杠桿”去撬動“工業4.0”。

　　制造商正在尋找有潛力被應用到整個制造業組織架構中的五大“工業4.0”應用：從上到下，從頭到尾。然而，解鎖價值并不需要企業實施所有的“工業4.0”應用。

　　這里有一個應用列表，正在實施“工業4.0”的制造商能從中獲取最大價值。這份列表并不是對所有的制造商都同樣適用，有的制造商可能更適合那些沒有出現在列表中的應用。但是，考慮到在這些領域有許多成功案例，我們認為這份列表是一個很好的起點——制造商的首要目標應該是獲取價值。

　　數字績效管理

　　由于最小的資源需求和簡單、快速部署的解決方案，數字績效管理可謂是一扇通向數字制造業的大門。該應用加速了現有的精益管理流程，幫助企業建立數字化能力和數據驅動的理念體系，為更加先進的數字技術奠定了基礎。我們已經見識了一些數字化管理工具，如支持性能對話的數字儀表板，在三個月內實現了高達20-50%的OEE（設備綜合效率）提升。此外，數字性能數據支持標準化的計算和報告，使得KPI、工廠和業務部門都能實現共享，這不僅保持了一致性，還方便各個部門隨時進行最佳實踐分享。

　　預測型維護

　　盡管預測型維護這個術語已經存在多年，但是在數據可獲得性、機器學習技術和云計算方面的重大進展都能為其提供全新的方法：新式預測型維護集成了不同的數據集，并且使用復雜的深度學習算法，比如神經網絡。在引入新式預測型維護算法后，機器的壽命增加，而維護成本能夠明顯下降10-15%。企業要想成功應用預測型維護，需要三個必不可少的組成部分：對各自資產深度維護的專業技術和理論知識，強大的先進分析技術，能夠適當靈活變更的管理能力。

　　收益、能源和生產量的優化

　　將過程控制集成數據與其它數據——比如成本數據——進行集成，將對企業收益、能源和生產量的優化大有幫助。我們看到，制造商已經通過結合那些容易獲得的工廠數據和正確的軟件，對工廠實施了不小的改善。此外，他們必須建立正確的算法。最后，同時為最初的試點和由此擴展的不同站點提供支持是成功的關鍵因素。

　　下一層次的自動化

　　幾乎所有的公司，都還存在很多潛在的可以增加使用自動化的藍領和白領階層工作。就拿藍領階層的工作來說，我們預計在未來的5到10年內，工廠里機器人的使用將實現顯著增加。直到2020年，工業機器人的成本都將以每年10%的速度下降，而傳感器技術和人工智能技術卻在不斷進步——這將促使機器人被應用于更復雜的系統和情形中——驅動發掘自動化的潛在價值。我們還發現在白領階層的工作方面，供應鏈中的需求規劃（預測性分析的使用）和訂單管理（非接觸式訂單管理）過程中具有值得優化的潛力。

　　數字質量管理

　　通過開始實施數字文檔系統——幫助記錄和存儲與質量、生產和服務的相關信息，制造商嘗到了甜頭。先進的質量控制，包括使用新式傳感技術（比如計算機視覺）和半自動質量控制（如機器人）可以解鎖更多的價值。更高級的玩家正在使用先進的算法和大數據質量分析來加強他們的數字質量管理。

　　二．別怕變通，今日之變是為明日更完善的解決方案奠定信息基礎

　　通常有一些客戶由于缺乏實際經驗而無法開始實施“工業4.0”，在很多情況下，從重要的“工業4.0”應用中捕捉價值就會涉及到許多制造商需要解決的障礙和問題。

　　當整合數據的時候出現這些問題，項目往往會被迫停止，然后等待數據體系結構轉換、ERP系統的重啟，或者一些其它嘗試。但事實是，出色的客戶管理即使在困難的情況下，（如缺失數據，不兼容的IT系統，人才的短缺）也能成功地完成項目。

　　例如，在做生命科學客戶收益率優化管理時，我們發現一些問題——整個文檔的批閱只能在紙上進行，但是只有輸入電腦的數據才能用于分析。他們并沒有選擇等待兩年等數字檔案建立好或者數字數據積累到足夠的量，而是選擇掃描了所有的物理數據表（15000頁），然后在印度找了一個第三方供應商將其轉換為機器可讀數據標簽。這花了兩周的時間和非常多的努力，最終實現了約1%的產量提高。

　　云平臺解決方案也能無風險的實現同步處理。公司可以嘗試用云平臺方案來解決基礎設施方面的問題。

　　盡管早期航天飛行很成功，大規模的“工業4.0”應用還是需要大量投資和技術的進步。包括其他物聯網的應用、業務邏輯的整合以及數據的積累。

　　由于 “工業4.0”技術比較新，成功案例仍然有限，所以不能有某一個商業案例的成功證明數據投資的正確性。盡管如此，這些投資打下的基礎仍是必不可少的，早期的“工業4.0”應用將引導整個產業發展。除了技術上的投資，公司組織架構上也需要建立清晰的業務所有權管理和客戶數據管理制度。不過，這項努力必須轉化為專業化數據操作模型，而不是私有數據存儲，才能有意義。最后，數據管理辦公室應研究出最佳的總體數據架構，包括一個面向目標的清晰路線圖。

　　這其中的關鍵挑戰是如何將現有主數據和流動數據實現集成，并利用傳感器等技術發掘先進的的分析能力，以便在復雜事件中實現實時處理。制造商必須從啟動數據轉換之初就著眼于從產品規劃和工程制造銷售等方面考慮到在整個產品生命周期里增加集成數據。

　　世界領先企業奧迪已經開始努力鞏固和“清理”他們生產數據了，以此建設先進“工業4.0”應用程序的基礎。

　　我們的目標是在效率和速度上，亦在在工程、控制、管理和決策取得巨大的進步。但只有在整個生命周期中成功整合數據，這個突破才會實現。

　　——奧迪數字化生產主管Fred Schulemann