1.4　工业物联网面临的挑战

工业物联网融合了物联网、大数据、云计算、人工智能等新一代信息技术，成为面向工业的综合性技术工具，其目标主要是帮助企业实现数字化、网络化和智能化，因此被寄予厚望，人们笃信未来工厂一定会实现整厂智能。尽管工业物联网备受关注，仍应清醒地看到，它的落地面临诸多挑战。在制造业、电力能源等行业特定领域，工业物联网证明了其巨大价值。与此同时，在很多应用场景中，工业物联网深陷试点困境，无法规模化应用。陷入试点困境的原因有很多，例如试点的商业价值难以证明，导致规模化成本居高不下；工业物联网涉及的技术范畴非常广，对于资源有限和能力欠缺的企业，显得过于复杂和技术难度大，难以实施；企业管理层目前只关注到短期降本增效等商业价值，缺少长远的数字化战略；缺少业务部门牵头的项目决策；缺乏生态圈内的合作伙伴等。

1.4.1　如何衡量价值

在工业物联网的开展和布局过程中，经常遇到的问题是“说不清、算不明”。甲方向乙方说不清楚自己想要什么，乙方向甲方说不清楚自己的方案和能力。甲方说不清在于战略不明确，目标和价值不清晰，也就不能很好地评估需要什么样的能力，当前组织已具备什么能力，组织能力和目标是否匹配。企业高层还不清楚要做什么，只知道要做工业物联网，觉得方向在那里，而中层、基层和高层脱节，不理解具体能做什么，应该做什么，实施路径怎样，难以落地高层的战略，其中脉络如图1-7所示。明确公司定位，未来在产业链的地位，与客户、合作伙伴、渠道、竞争对手的关系，厘清价值目标，梳理业务痛点，是首要关注的问题。

乙方说不清在于面对甲方不同岗位（例如研发、生产、运营、高管）、不同专业（例如电气、机械、工艺、软件）、不同行业、不同产业链角色（例如设备制造商、设备服务商、设备使用企业）时，需要用不同的语言讲解工业物联网方案，如果方案涉及的内容太多，很难把方方面面都讲清楚和透彻。这样一来一往，双方便都搞不懂该怎么推进了。甲方希望乙方给出整体方案，告诉甲方应该做什么。除非是垂直行业具有较强复制性的细分场景，可以快速迁移之前的方案和经验，否则由于甲方已有系统的复杂性、业务的复杂性以及管理的复杂性，乙方很难给出整体建议。

算不明，主要是针对投入与回报，价值难以衡量或者难以直接量化时，将导致算不明投入与回报。工业物联网项目牵涉面广，通常回报周期比较长（并非绝对），而且需要数据的积累，在更大空间和时间跨度范围内，通过数据驱动发现问题并解决问题。为什么价值难以量化？原因在于价值的衡量标准过于单一，1.2.3节提到5个价值维度——降本增效、质量与安全（风险控制）、运营常态化需求、企业战略能力和提高收入，除了降本增效和提高收入两个维度可直接换算成收益，其他价值维度的收益是间接的，有些能通过数字量化，从数字量化到收益之间还有一个转换比，有些则连近似量化也做不到，如果简单地以“收入/投入”来衡量，会削弱项目的价值体现。企业既要看直接收益，也要看间接收益。收益分为4种。

• 直接收益：降本增效，创造收入，提效虽然有时候也不等同于收益，但它一定是有价值的，可换算成收益。
• 间接收益：解决运营常态化需求，例如生产设备资产线上化管理，大规模的资产如果缺乏有效的线上化管理手段，对企业来说意味着巨大的管理风险；战略层面，例如提升了企业管理水平，依靠传统手段已无法进一步优化，可以通过引入新技术进行改革；产品质量提高了，客户满意度提升了，并进一步在资本市场得到正面反馈，股票上涨，这些都可纳入间接收益。
• 刚性收益：刚性收益来自必须要达成的、不计成本的投入，例如围绕公共安全，降低重大安全事故，法律法规强制性要求等。不存在投不投入的问题，只有投入后是否获取刚性收益的评价问题。
• 转换收益：转换收益指的是把项目单独拎出来，它虽然不直接产生收益，但是把它放到更大的战略和规划里，它辅助实现了整体收益，将整体收益的一部分计入该项目中，称为转换收益。例如SCADA系统完成自动化设备的整场监视和控制，保障自动化生产，虽然SCADA本身的收益不好量化，但整体收益来自推行自动化装备后效率的大幅提升和人力成本的降低。

我们应该全面衡量价值和收益，既着眼当前，又预估未来。现阶段很多企业实施工业物联网，第一步是解决运营管理问题和设备资产绩效管理的问题，目标明确。这一步实现之后，接下来它们思考如何更进一步，比如将设备与人员、与业务打通，这是更高的一个层次。短期内打通信息孤岛，可能比较难给企业带来立竿见影的效果和产出，企业需要利用这些数据，挖掘数据价值，运行一段时间后，才逐步将它的价值释放出来。这需要耐心，而且也很考验决策层的智慧，他们要非常清晰地看到，哪些是公司未来真正的技术并持续投资，哪些是噱头需要舍弃。

无论是业务方、外部解决方案商，还是内部方案团队，要避免只谈投资不谈回报、只谈技术不谈业务、只谈软硬件不谈组织支撑。

1.4.2　做看板还是决策建议系统

提到数字化，很多人的第一反应是先做数据采集，然后做几个图表展示，最多加一些简单分析，业务方能够看到漂亮的曲线和走势，于是大功告成。回看1.2节对于工业物联网的定义，会知道这种程度的认知比较肤浅，而且缺乏对价值的深刻思考。

一些工业物联网项目或者数字化转型示范项目，最喜欢展示一个大看板，看板越大越好，上面排满各种图表曲线，深蓝色或黑色的背景，看上去信息丰富，排布紧凑，对内对外也有宣传的效果，能够传播和扩大影响力。看板是必要的，一些宏观指标在看板上呈现，可以帮助企业了解整体情况。单纯的看板信息很难用于指导行动，当发现指标异常时，它最多只能告诉你出现异常了。而工业物联网最需要做的事情，是在发现异常之后找到原因并解决问题。

举个例子，如果应用系统提供一堆图表，显示每台设备一天之内每小时的利用率和OEE曲线、过去一个月每天的利用率和OEE曲线、过去一年每月的利用率和OEE曲线、设备一天之内每小时的能耗分布、过去一个月每天的能耗分布、过去一年每月的能耗分布。现场值班人员和管理人员看了这些图表之后，有可能发现某些问题，更有可能什么都看不出来，时间长了，慢慢地也就不看了。如果应用系统在提供图表之外，给出如下诊断建议，那么情况可能就不同了。

“2#设备在过去一个月内，OEE下降15%，超出预警线，建议检查排产的合理性以及设备的可用性是否正常。”

“3#设备本月业务量增幅3%，但耗电量增加22%，建议检查车间节能管理措施是否执行到位或设备能耗是否异常。”

对比图表单纯的信息呈现，这种有针对性的诊断意见显然更实用。信息不在多，而在于是否能发现问题并辅助决策，是否能转换为下一步可执行的动作。无论是研发设计、生产制造、运营管理或者运维服务的各个环节，应该努力给对应角色输出决策建议，并不断提高决策建议的准确性。

1.4.3　既懂业务又懂技术

工业物联网形成产品和方案，要能够解决工业场景的问题，这要求理解业务场景，掌握OT和IT，简而言之，需要既懂业务又懂技术。这不是说要把责任集中于一个人身上，而是对整个团队提出的要求。如果团队拥有跨领域知识的综合性人才，这是非常难得的，意味着这个人对自动化、互联网、企业信息化管理和大数据分析等方面有着深厚的积累和深刻的见解。

举一个例子，“互联网+”概念诞生之初的几年曾出现一个非常神奇的现象，一些从来没有开过工厂的人，在讲台上教制造业从业者怎么开展制造业数字化转型，大谈技术颠覆创新，让台下的人听得一愣一愣的。脱离业务谈技术，犯了本末倒置的错误。于是工业界有些专家学者提出，我们应该对工业有敬畏之心，不在现场就不要做工业物联网。工业领域的知识即行业Know-How，构建于长期的实践和积累，只有对研发设计原则、生产制造过程、运营管理现状有充分的理解并浸泡其中，才有可能提出问题。然而现实中有多少项目团队做到了浸泡其中呢，坐在办公室吹着空调，想象着研究问题，比在现场听着设备的轰鸣声，要舒服得多，走马观花式的调研，看不到业务的复杂性，然后草率地制定行动方案。提出问题是关键一步，接下来的修正和改善行动，需要充分考虑到已有的体系结构，并熟悉业务流程，避免牵一发而动全身所引出的新问题。唯有此，我们才能真正去触及高效率、低成本与高质量目标。

工业物联网是技术创新，更是应用创新，仅靠顶层数字化技术优势只会停留在技术层面，无法打破工业各垂直细分领域的“潜规则”，必须深入探寻业务场景本质需求。相比于互联网商业场景，物联网工业场景存在巨大差异，Know-How仍然在工业本身，工业领域每个垂直行业都累积了工程师们多年的宝贵经验。相对于各种酷炫的算法和创新技术，工业更加关心稳定、可靠、成熟的落地案例及获得的收益。

在工业物联网赛道上，传统工业企业与IT互联网公司，谁更有能力提供融合解决方案？其实，二者在相互学习，OT厂商在积极地借助IT帮助自己实现优化，以往OT软件存在单体软件部署、升级、版本管理烦琐以及需求变更停产停线的痛点问题，非常依赖现场工程团队，各种软件重装、测试、诊断，直到恢复正常，需要耗费大量的人力和时间。而IT软件的开发、测试、发布到部署流程非常完善，并实现了自动化流水线，DevOps理念也深入人心，这方面OT需要向IT学习并借鉴。而驶入行业赛道的IT互联网公司，也招揽了大量行业的技术专家，来克服自身在行业Know-How方面的短板。看似起点不同，最后殊途同归——既懂业务又懂技术。

1.4.4　技术链路过长

工业物联网的另一个挑战在于技术范畴非常广，由于同时涉及OT和IT，因此需要组织有效的人才支撑。近几年，针对全球多个行业的企业级工业物联网决策者，多个调研机构进行了不同程度的在线调查，调查数据显示工业物联网在企业的应用持续增长，同时让他们回顾工业物联网项目实施过程中遇到的挑战，其中一条便是解决方案在技术上过于复杂，缺乏技术知识、缺乏人才资源，难以有效推动实施。比如工业物联网项目中，硬件依然非常重要，在消费领域，纯数字驱动的商业模式也许是可行的，而在工业领域则不行，因为一定要关注硬件运行所带来的影响，而这需要行业知识。

对于工业现场数据采集，如何从多源异构的硬件和系统中获取数据，本身就是非常耗时耗力的事，工厂内的网络互联数据互通，工厂外的无线通信可靠性和信号覆盖能力，物联网设备的续航也是挑战，建平台还是直接开发前后端应用，长远规划就离不开平台，而平台的功能，设备接入、设备管理、大数据分析、工业数据建模、工业APP模板、应用开发等模块，都涉及大量的开发工作，而且不仅要规划得当，还要防止一不小心掉入追求技术完美的陷阱。

我们应该理性客观地意识到工业物联网并非一蹴而就，它其实是由“点”到“线”，再由“线”到“面”开展落地应用。有些企业通过自身的摸索，将工业物联网落地划分为3个阶段：信息感知采集和数据互联互通阶段、数据应用阶段、服务模式创新阶段。这3个阶段没有严格的先后顺序，只是有了前面阶段的基础，后面阶段的目标实现起来会更容易，因为基础更扎实了。

对于搭建平台，企业不应盲目跟风，工业物联网平台的基础是否扎实，是否能持续繁荣，一方面在于平台通用化能力不断提升，夯实基础，另一方面平台上沉淀持续供血能力的应用同样关键。平台建不建、如何建，是需要谨慎思考的问题。