當(dāng)企業發展到一定階段的時候，可能會出現各個部門各自存儲(chǔ)數據，部門之間的數據無法共通的現象，導緻這些數據像一個個孤島一樣缺乏關聯性。這，就是數據孤島。
數據孤島又分爲以下兩種類型。邏輯性數據孤島是指，不同部門站在自己角度定義數據，使得相同數據被賦予不同含義，加大瞭跨部門數據合作的溝通成本。物理性數據孤島是指，數據在不同部門相互獨立存儲，獨立維護，彼此間相互孤立。自疫情以來，企業紛紛採(cǎi)用雲制造技術來加速創新。此外，還有一些企業還通過擴展採(cǎi)購渠道和生産(chǎn)基地來盡力提升供應鏈的靈活性，以應對未來的業務挑戰。
很明顯，制造業的未來與産品有著(zhe)千絲萬縷的聯系；而不那麽明顯的是，它還取決於(yú)支持生産的數據管理。
最新發布的《數據新視界》報(bào)告認爲，在通過數據運營來提升數據管理方面，制造業落後於(yú)其他行業(數據運營是将數據創建者與數據使用者聯系起來的一種方法)。
在這個領域，制造業需要迎頭趕上。在生産過程中，制造商需要處理大量數據。他們必須充分利用高級分析、機器學習和人工智能技術，這不僅僅是爲瞭(le)制造産品，也是爲瞭(le)通過數據管理來提升業績。爲此，制造商需要確(què)保統一的數據觀。
爲什麽會脫節？
IDC《2018年制造業洞察：IT和OT整合情況調研》發現，近80%的儀器化生産(chǎn)資産(chǎn)以某種形式進行瞭(le)數字化互聯。這是一個好的消息。
但是，數字化資産(chǎn)的快速增長(zhǎng)，爲什麽沒有促進數據管理在制造業的廣泛普及呢？企業範圍内的數據管理軟件、硬件、協同和流程，又爲什麽沒有推動數據孤島互聯，從而激活制造業數據呢？
《數據新視界》報(bào)告基於(yú)IDC對全球1500名企業領導者開展的一項調查，調查結果顯示，制造業的數據增長速度爲37%，低於(yú)其他行業42.2%的平均增速。
在将混合雲和多雲應用於(yú)主要業務領域方面，制造業落後於(yú)其他行業。有些行業領導者表示，數據存儲(chǔ)管理是目前他們面臨的最大挑戰。
多少有些令人吃驚的是，對於(yú)一個以實施人工智能和機器學習技術而著稱(chēng)的行業而言，制造業在數據管理方面的任務自動化水平竟然最低，而且數據管理功能的全面集成率也最低。
主要原因有四：
第一，傳統基礎設施問題依然存在。制造技術日新月異，數據管理難以跟上工廠車間機器上裝備(bèi)的各種傳感器所産(chǎn)生的海量數據。
很多時候，傳統基礎設施無法應對湧入工廠的大量聯網資産(chǎn)。工廠經常通過部署臨時流程來連接和管理資産(chǎn)，但無法依賴底層(céng)基礎設施進行綜合管理。
第二，制造業的勞動力存在IT技能缺口。如果說技能娴熟的工人代表著(zhe)發達(dá)經濟體制造業的未來，那麽缺乏足夠的技能則是企業必須解決的一個最嚴峻的挑戰。
而他們必須應對兩個方面的挑戰：一個是勞動(dòng)力老齡化，另一個是尋找願意在車(chē)間工作的新技術工人。
第三，部分數據向邊(biān)緣移動使管理更加複雜。制造商數據的快速增長與其數據網絡邊(biān)緣的物聯網設備(bèi)增多息息相關。邊(biān)緣設備(bèi)與總部系統沒有連接起來，通過企業網絡進行大數據傳輸既昂貴又緩慢。
第四，制造商需要全面的數據管理軟件。由於(yú)無法查看其總體的業務狀況，制造業客戶對數據管理軟件工具不滿。並(bìng)且，許多工廠缺少數據管理軟件。虛拟化軟件對跨部門顯示和查找數據支持不足。
制造業(yè)的這種狀況(kuàng)不是一朝一夕形成的。
麻省理工學院斯隆商學院(MIT Sloan)相關人員表示：“最初的出發點(diǎn)是通過物聯網将工業機器連接起來，借助機器對機器通信提升洞察力和自動(dòng)化。
但是，GE數字集團(GE Digital)數字化産(chǎn)品管理副總裁兼EmTech委員會發言人Matt Wells認爲，工廠數據的複雜性和目标不明確(què)，讓制造業的初心難以落地。”
尋求全新的數據(jù)驅動(dòng)型業務解決方案
有些制造企業已率先利用預測(cè)性數據分析來改善總體績(jī)效。
德國(guó)汽車(chē)零部件制造商羅伯特·博世有限公司(Robert Bosch GmBH)便是這樣一家企業。
博世位於(yú)Homburg的力士樂工廠生産卡車和拖拉機的液壓閥，他們利用無線通信和射頻識别(RFID)标簽将工人、機器和零部件聯系起來，提高瞭(le)生産流程的效率。
該工廠的一條裝配線可以生産(chǎn)200種不同版本的液壓閥，極大地豐富瞭(le)産(chǎn)出，同時降低瞭(le)生産(chǎn)成本和電力消耗。
另一家通過簡化數據分析來實現業務優勢的企業是特斯拉中國，該公司最近開始向歐洲出口中國制造的Model 3電(diàn)動車(chē)。
特斯拉在上海建立的超級工廠率先採(cǎi)用瞭(le)工業4.0技術，導入最先進的、採(cǎi)用大量機器人的高度自動化生産線，無論在制造工藝還是生産管理方面均具有很高水平，可謂十分先進。
企業和管理者都希望通過擁抱工業4.0來提升中國超級工廠的數字化制造能力，以便制造商能夠利用實時數據來連接整個價值鏈上的産品設計者、“智能”工廠和經銷中心。随著(zhe)Model 3的出口，歐洲也加入瞭(le)這個供應鏈。
要想在數字化變(biàn)革中生存下來，制造商就不得不做出類似博世、特斯拉這樣的技術創(chuàng)新。
制造業改善數據(jù)管理可以採(cǎi)取下列五項措施：
1. 跨越數據孤島採(cǎi)集和整合數據，從(cóng)而充分利用已有的數據。
2. 借助高級數據分析将數據用於(yú)新的業務目的。預測(cè)性分析可以助力企業發現新業務模式，從而創造未來的收入和利潤。
相關報(bào)告指出，制造業應該綜合利用大數據、自動化和人工智能技術，因爲它們“能夠徹底改變(biàn)從初步設計到成功交付的整個制造流程”。
3. 使用最新的硬件和軟件工具對存儲設備(bèi)及其中的數據進行現代化管理。邊(biān)緣服務器通常配備(bèi)有集成的軟件堆棧，可以使遠程站點的現場數據管理變得更加簡便。
4. 保護採(cǎi)集的所有數據。每年，RSA信息安全峰會(信息安全領域最爲重要的全球會議)都會重點(diǎn)強調保護整個企業數據的重要性，以防外部人員和黑客破壞業務運營。
5. 落實數據運營。利用元數據(描述數據的數據)來理解數據。“标記”新數據，方便以後(hòu)訪(fǎng)問和分析。
但關鍵是，不要隻将數據通信留給機器來處(chù)理，有關數據的任務也不要委派給首席信息官、數據科學家和IT部門來做。企業主應該鼓勵整個企業分析各類數據的有用性，並(bìng)根據預期的任務對數據進行後續分類。
成功的數據運營不僅僅關乎技術，它還關乎數據的通信。數據加上有效分析有利於(yú)建立統一的信息管理平台，從(cóng)而充分挖掘背後的業務價值。
