報告關鍵發現

• 設備后市場服務存在以產品為價值中心、以產品+服務為價值中心和以服務為價值中心三個發展階段，當前正處于第二階段。針對運維成本高、備件管理難、服務流程不透明、客戶管理難等服務難題，設備后市場服務提供的解決方案能夠有效應對上述痛點，并引領制造業服務化轉型，推動商業模式變革。
• 工業數據智能平臺成為智能制造的核心基建，為智能制造應用場景的拓展提供統一數據能力支撐。湖倉一體、流批一體技術的發展能夠為數據治理提供更高質量的數據、滿足不同場景下的數據應用需求。同時，工業數據智能平臺的建設需要夯實數據安全底座。
• 工業元宇宙引領智能制造發展方向，通過打造一個三維的、低成本的虛擬世界，加速產品優化迭代，應用場景包括研發設計、生產制造、沉浸式營銷等。然而從概念走向現實，工業元宇宙亦存在諸多挑戰，要求更高的算力、更快的技術融合和更加安全的數據保護等。
• 相較于其他行業，制造業在大模型領域投入較少，相對滯后。通用大模型可幫助企業打破知識和行業經驗壁壘，實現突破創新，專業大模型能有效解決大客戶特定需求，打破垂直類信息孤島。制造業需要加快探索和布局大模型的應用。

01 報告綜述

中國制造業體量龐大，增長迅速。根據國家統計局數據，2022年我國制造業增加值達33.5億元，繼續保持世界第一制造大國的地位。根據工信部的數據，我國制造業占全球比重也從22.5%上升到近30%。

與此同時，中國制造業面臨智能化水平不足、核心技術受制于人、部分工藝流程的人工依賴度較高、產業附加值不足等問題。伴隨著我國人口結構和產業結構的轉型，制造業的成本將進一步攀升，未來發展面臨挑戰。

在此背景下，智能制造成為制造業轉型升級的核心命題。智能制造是基于新一代信息技術，貫穿設計、生產、管理、服務等制造活動各個環節，具有信息深度自感知、智慧優化自決策、精準控制自執行等功能的先進制造過程、系統與模式的總稱，它以智能工廠為載體，以關鍵制造環節智能化為核心，以端到端數據流為基礎、以網絡互聯為支撐，能夠縮短產品研制周期、降低資源能源消耗、提高生產效率、提升產品質量。

當前，制造業企業的數字化轉型實踐已經進入深水區，呈現出以下趨勢：從業務運營的降本增效走向商業模式變革，從單點場景的驗證突破轉向平臺化能力建設，從成熟技術的應用延伸到新興技術的探索。

1、以設備制造行業為代表，設備后市場服務引領服務型制造商業模式變革。伴隨著政策指引和制造業觀念轉變，制造業開始向服務化轉型，由原來的以產品為中心轉為以價值為中心，通過提供附加值服務來增強產品競爭力。一方面，《中國制造2025》《關于進一步促進服務型制造發展的指導意見》等政策文件中明確指出，要利用工業互聯網等新一代信息技術促進生產型制造向服務型制造的轉變，推動商業模式和業態的創新。另一方面，越來越多的企業認識到，伴隨著市場由短缺經濟向過剩經濟的轉變，產品同質化愈加嚴重，消費者選擇空間也更大，服務化經營和差異化戰略將成為制造業實現突圍的制勝策略。

2、數據智能平臺建設成為智能制造的核心基建。數據已成為繼土地、勞動力、資本、技術之后的第五生產要素，數據作為制造業數字化轉型的基礎要素，決定了智能制造的精度和深度。在2021年12月出臺的《“十四五”數字經濟發展規劃》中也指出，要“加快企業數字化轉型升級”“支持有條件的大型企業打造一體化數字平臺”“由點及面向全業務全流程數字化轉型延伸拓展”，因時因地打造工業數據智能平臺已成為制造業集成數據資源、挖掘數據價值以賦能業務場景的必由之路。與此同時，隨著領先制造業企業自動化基礎建設的基本成熟和上層數字化應用的單點突破，企業亟需建設一個統一的數據資產管理與服務平臺，為智能制造各應用場景的拓展提供統一的數據能力支撐。

3、工業元宇宙指引下一代智能制造發展方向。工業元宇宙作為元宇宙落地的熱門場景，一直以來受到眾多關注。政策端，國家和各地正在加快出臺相關產業政策，以搶占先發優勢。2022年10月，工信部發布《工業元宇宙三年行動計劃（2022-2015年）》，推廣工業元宇宙在具體場景下的應用。工業元宇宙通過虛擬世界對現實生產活動的映射，幫助制造業打破時空限制，降低試錯成本，提升作業效率。但目前工業元宇宙落地時仍面臨著數字孿生模型構建難、技術儲備不足、技術融合難、數據安全風險突出等問題。未來，如何突破上述難點、拓寬工業元宇宙應用的深度和廣度是制造業共同關心的問題。

圖1：智能制造市場全景地圖

綜上所述，愛分析選擇設備后市場服務、工業數據智能平臺和工業元宇宙3個重點市場進行應用實踐分析，以期為制造業企業決策層以及業務、數據部門、IT部門負責人提供企業數字化轉型的實際落地經驗，幫助其更好地完成升級智能制造的改造。

02 設備后市場服務應用實踐分析

2.1 設備后市場服務的過去、現在與未來

圖2：設備后市場服務發展歷程

傳統模式以產品為價值中心：在粗放的傳統模式下，裝備和設備制造業更多著眼于產品的制造而非附加服務上，產品是企業的價值中心，企業通過提高產品銷量和價格、控制生產成本以增加利潤。企業為產品提供的服務包括基礎的安裝、調試和維修等，未能對產品的價值鏈進行拓展和深挖。由于設備智能化水平較低，這類服務的提供也面臨著人力成本高、服務效率低等難題。

當前模式，產品和服務共同構成價值中心：當前正處于制造業價值中心的轉移階段，企業開始逐步拓展服務場景，延伸價值鏈。在“產品+服務”的商業模式下，裝備制造業進一步擴大、深化和創新服務場景，提供的服務包括但不限于常規性運維服務、預測性維護服務、設備升級改造服務、設備報廢回收服務、金融租賃服務、供應鏈服務等。

以IBM公司為例，早期該公司以制造打卡機、計算機為主營業務，在企業面臨巨額虧損時，采取了“服務價值和按需電子商務(e-business on demand)”的轉型策略，如今IBM公司已成功地從生產硬件轉為提供服務，成為全球知名的IT服務公司。

未來模式以服務為價值中心：根據制造業“微笑曲線”理論，在產品價值鏈中，產品附加值主要集中在研發和銷售兩端，發展服務型制造、增加服務要素投入，是裝備制造業降本增效、形成新的增長點的必由之路和必然選擇，企業將逐步從以“產品+服務”為價值中心過渡到以服務為價值中心。

價值中心的轉移也將帶來商業模式的轉型，未來有望推動MaaS（機器即服務）模式的更大規模落地，即裝備制造業企業根據產品的服務性能、關鍵績效指標的達成定價，客戶無需一次性購入整臺設備，僅需租賃設備，減少了客戶的資本性支出，商業模式的轉型有利于企業開拓市場。

2.2 企業在提供后市場服務時面臨的痛點

圖3：設備后市場服務痛點及解決方案

設備運行狀態不透明，運維流程復雜、成本高：由于設備智能化水平不足，導致企業掌握的設備運行狀態數據不及時、不精細、不完整，企業只能在設備發生故障時做出響應式維護。復雜的運維流程一方面給企業帶來了較高的運維成本，另一方面，由于客戶在設備發生故障時無法及時維護，會產生較長的停工時間。

備件管理難：一方面，企業缺乏備品備件的臺賬和流通數據，導致原廠和副廠的配件混用，嚴重影響設備運維效果和質量。另一方面，由于缺乏對設備故障數據的統計分析，企業無法據此對備件庫存進行優化管理，備件庫存過高則給企業帶來較高的資金成本，庫存過低則容易影響備件更換的及時性，降低客戶滿意度。

服務流程不透明：設備分布在全國乃至全球各地給運維團隊的管理造成了一定難度，龐大的運維節點網絡導致企業難以獲取工單的實時狀態，也不便對運維歷史記錄進行追溯查詢。如此，管理端無法及時了解服務的進度與及時性，也無法控制服務的成本；客戶端的服務滿意度數據也無法及時上傳，不能對服務效率形成有效監督。

客戶數據分散、不完備，客戶關系管理難：首先，由于客戶信息分散在各個業務員或部門中，業務或人員變動容易造成客戶資源流失。其次，售后服務人員在提供維修服務、經營客戶關系時，工作相對獨立，行動隨意性較大，難以形成集中的客戶檔案數據，無法為客戶提供全生命周期的服務。最后，由于客戶信息分散，難以沉淀形成企業數據資產，無法及時挖掘增值服務，難以轉化成銷售機會。

2.3 設備后市場解決方案

以物聯網、邊緣計算、人工智能等技術為依托，設備后市場服務解決方案能夠有應對傳統模式下服務成本高、備件管理難、運維流程不透明、客戶關系管理困難等問題。

遠程運維：企業通過物聯網網關、邊緣傳感器等實時采集設備運行狀況數據和設備監控數據，通過移動網絡上傳到平臺，采集到的數據可作為企業進行故障預警、備件管理的依據。遠程運維能夠搭建企業與設備專家之間的溝通橋梁，幫助企業快速定位設備故障，減少因維修人員出行時間過長而導致的設備停工時間長。同時，企業可將遠程運維數據作為維修經驗積累起來，沉淀形成企業數據資產。

預測性維護：不同于被動的響應式維護與定期的預防性維護，預測性維護使用智能狀態監控傳感器作為數據收集器，將測得的數據與設備健康運行狀態參數進行比較，進而判斷設備是否需要維護，安排針對性的維護工作。預測性維護一方面可以減少設備的非計劃停機時間，另一方面可降低非必要的維護成本。

智能備件管理：針對備件質量參差不齊以及備件庫存管理難等問題，智能備件管理可以幫助企業構建統一的備件管理流程，實現備件申請、使用、退貨全過程的可視化管理。維修工程師可以在線申請備件使用，隨時查看各類備件庫存和申請的處理進度，保證任務的按時交付。同時，企業可以根據設備監控數據、運維數據等對備件需求量做出預測，據此優化備件庫存，保證備件供應的及時性。

精細化客戶管理：設備后市場服務以更加完備的客戶、設備數據驅動服務升級，企業通過統一設備購買記錄、維保記錄、投訴記錄、備件更換記錄等客戶數據，形成客戶檔案，統一客戶數據管理，為客戶提供更加有針對性的售后服務，提高客戶滿意度，同時進行二次銷售。

典型案例1：給清潔設備以“生命”，國邦從生產型制造走向服務型制造的轉型之路

國邦協同科技（廣州）有限公司（以下簡稱“國邦”）成立于2011年，是行業領先的清潔解決方案服務商，致力于為客戶提供全周期清潔解決方案，提高其清潔品質及效率。在2016年到2020年連續5年的時間里，國邦的營收年復合增長率超過50%，市場占有率在2019年達到了行業前列。然而，在清潔設備這個看似極其細分的行業里，國邦實現領軍地位的道路并非一帆風順。在一次嚴峻的市場競爭中，國邦抓住了數字化轉型的機遇，完成了從生產型制造走向服務型制造的轉型之路。

一、傳統銷售模式下，國邦面臨的生存危機

自2011年成立之初，國邦走的便是高端路線。國邦所在的清潔設備行業主要面向物業、清潔服務公司提供自動洗地機等清潔設備，彼時中國的物業企業約有90%為中小企業。中小企業自身資金實力有限，還面臨著日漸高昂的用工成本，而一次性購入大規模清潔設備甚至需要上百萬元，會給企業帶來不小的現金流壓力。

在這樣的市場環境下，清潔設備行業涌現出一批追求薄利多銷的低端產品，這些產品在短時間內受到市場青睞，給國邦的業務帶來了不小的沖擊；同時，低端產品難以保證設備和售后服務質量，破壞了整個行業的生態，劣幣驅逐良幣。除此之外，清潔設備行業的傳統銷售模式也存在諸多痛點：

第一，客戶大規模采購設備的成本較大，企業難以開拓市場。傳統銷售模式下，一次性購入清潔設備給客戶帶來較大壓力。首先是現金流壓力，以2014年為例，一般鉛酸電池自動洗地機的平均價格在14000元左右，使用壽命為2-3年，一次性購入設備帶來現金流壓力，不利于客戶將資金分配給核心業務。其次是客戶在購入固定資產之后，前期折舊攤銷較多，增加了所得稅支出。

第二，清潔設備運維成本高，售后服務質量無法保證。清潔設備運維成本之高，主要體現在故障定位準確率低和備件管理混亂兩方面。一旦設備發生故障，由于設備無法聯網，導致設備數據丟失，依靠人工無法及時獲取設備信息，無法精準獲取故障信息，不能提前預知準備替換配件，現場維修往返頻率高。

維修人員和設備使用人員之間形成了“信息孤島”。傳統模式下的維修過程，售后服務人員至少需要上門兩次才能完全解決問題。第一次上門維修需摸排設備的具體病灶，以便后續準備好維修工具和零部件，第二次上門才能對故障設備進行維修。有時甚至會出現由于個別零部件短缺而導致設備停運兩三個月的情況，這在無形間降低了客戶對設備生產廠家的信任及好感。

第三，清潔設備資產管理難，閑置和浪費隱患大。在設備使用環節，由于物業公司的清潔設備數量眾多，且在樓宇內分布分散，管理者無法知曉設備每天的使用率、使用效率以及每年的維修費用。在設備的報廢處理環節，如果勉強繼續使用，它逐漸累積的維修費可能很快會超過設備本身價值，若放在倉庫里備用，則常年累月占用儲存空間。

第四，客戶關系層級深且分布廣，缺乏有效客戶管理工具。對于同一客戶，國邦難以整合不同層級、不同渠道的信息，并從中提取出有價值的客戶數據。例如訂單流程不可控的問題，由于客戶的訂單、合同和回款賬單無法在線辦理，訂單流程不透明，導致多方對賬困難，進而影響客戶滿意度和企業盈利能力。在產品愈加同質化的情況下，企業只有滿足客戶在不同場景下的豐富需求，提供個性化服務，才能贏得市場。國邦決心跳出價格戰泥潭，從客戶需求出發，將企業的商業模式從傳統的銷售模式轉為服務訂閱模式，以實現從困境中突圍。

二、攜手魯邦通構建i-Synergy智能系統，為清潔設備嵌入“數據大腦”

經過綜合研判，國邦在2014年最終選擇了魯邦通物聯網科技股份有限公司（以下簡稱“魯邦通”）作為合作伙伴，由魯邦通為國邦提供軟硬件一體的數字化解決方案，以實現對清潔設備全生命周期數據的實時鏈接與閉環管理，打破“信息孤島”。

魯邦通成立于2010年，是一家具備服務型制造基因的國家專精特新重點小巨人企業，依托傳感與控制、邊緣計算、5G通信、工業低碼、人工智能等核心技術能力，構建了魯邦通智物協同云，實現“云邊端”的融合并賦能行業場景數字化、網絡化及智能化。針對清潔設備行業傳統銷售模式下的業務痛點，魯邦通提供了一套圍繞設備全生命周期進行管理以提高產品附加值的解決方案，主要包含以下內容：

圖4：i-Synergy系統清潔設備全生命周期管理方案整體架構

圖5：i-Synergy系統示意圖

1. 以物聯網為核心，構建設備全生命周期管理。數據的采集是實現設備監測、設備運維、服務營銷、預測性/預防性維護、搭建業財一體化平臺的前提所在。魯邦通物聯網網關采用非侵入式方案，在清潔設備中安裝高速無線工業路由器，在不破壞設備原有結構的基礎上，對設備全生命周期的數據進行采集，包括設備的生產批次、出場信息、運行狀態、故障信息和零部件使用頻次等數據，通過無線網絡發到i-Synergy平臺，再根據業務場景需要傳遞給終端用戶。

2. 對設備進行聯網監控，鏈接實時數據。在i-Synergy系統中，通過物聯網網關實時采集設備運行狀態數據，經過邊緣計算后上傳到云端進行大數據存儲，展示和分析，構建設備數字化管理的第一驅動力。例如系統會將設備的故障信息主動推送，根據平臺設置的工單規則自動創建工單，并自動分配給售后維修工程師，以提高服務處理效率。

3. 對設備進行數據分析與數據可視化管理。通過數據分析技術，實現對多源多維度數據的智能分析，形成智能報表。通過對清潔設備使用數據和流程數據的不斷積累、統計和分析，形成企業的數據資產，優化設備后服務經營管理，為設備的零部件管理、客戶關系管理提供決策依據。魯邦通基于自身對于業務場景的深刻理解與積累，主動幫助國邦尋求業務的迭代創新，站在國邦角度挖掘客戶需求。

i-Synergy清潔設備智能系統自2014年推出以來，已經經歷了從1.0版到2.0版，再到3.0版的連續迭代更新。從1.0版到2.0版，i-Synergy智能系統集成了各個模塊的功能，便于業務的協同管理，同時推出了售后服務APP。從2.0版到3.0版，i-Synergy智能系統能夠使三個層面的終端用戶分別進行個性化設置，包括工廠層面、全國各地分公司層面以及客戶層面，均可基于自身需求使用不同功能模塊，或調取報表。

三、依托i-Synergy智能系統，國邦實現了商業模式升級

在談及這次數字化轉型的價值時，國邦CIO劉全光直言：“如果沒有2014年的這次數字化轉型，國邦不會發展這么順利?！睆纳a型制造業到服務型制造業角色的轉變，是國邦擺脫惡性競爭，乃至成長為行業龍頭企業的關鍵。

i-Synergy實現了對清潔設備的數據采集和分析，由此，國邦可以掌握設備型號、生產信息、運行狀態、故障詳情、使用地點、零部件使用時長、電池容量壽命等數據，為客戶實現資產的集中管理提供便利，降低運維成本。更重要的是，實現了傳統銷售模式到互聯網服務租賃訂閱模式的升級，國邦也從生產型制造企業轉變為服務型制造企業。

圖6：生產型制造業與服務型制造業對比

國邦將商業模式從傳統銷售模式調整為訂閱模式，有效推動了市場拓展?，F代設備服務訂閱模式最早出現在20世紀50年代的美國。該模式有助于推動企業輕資產運營，包括Facebook這樣的巨頭也采用設備訂閱的方式來降低成本?，F今在美國59%辦公設備采用服務訂閱方式獲得，而在歐洲有63%的上市公司采用設備服務訂閱模式。

相比之下，中國訂閱市場潛力巨大。展開訂閱業務的必要條件包括生產出可溯源的高品質產品以及打造完善的售后服務網絡。得益于i-Synergy系統對清潔設備全生命周期的數據采集和利用，國邦才能順利進行商業模式的轉型。國邦為客戶提供靈活的租賃計劃，以滿足不同的項目清潔需求。這類租賃計劃使得客戶更方便成本預算，因為租期內每期的費率固定，而且沒有大額的前期購買成本。

對需要管理大量設備的物業保潔等服務公司而言，租賃可以節省大量資金投入，幫助保持資本流動性，而不是將流動資金捆綁在購買的設備上。在商業模式升級的基礎之上，i-Synergy智能系統還實現了以下價值：

1. 實現設備資產集中管理，提高企業資產配置效率。在i-Synergy系統中記錄的設備訂閱數據，運行監控數據，故障及維修數據，以及作業數據，為管理人員優化設備使用和人力資源配置提供依據，解決了傳統模式下的人工貴、人難招、誤工久等難題。如今，客戶可通過i-Synergy智能系統提供的月報、季報和年報，掌握設備的每日使用時長、清潔面積，實際充電天數等數據，達到精細化管理與降本增效的目的。

2. 提供全場景售后運維服務，多渠道受理客戶需求。國邦構建了完備的設備后市場服務全流程閉環管理體系，降低運維成本，提高售后服務質量。通過備件管理和設備使用時長統計，對清潔設備做好預測性維護。通過工單計劃、人員派遣、遠程調試、現場運維、配件管理、客戶評價等各個模塊的驅動，提高運維效率，降低運維成本，提高了用戶滿意度。通過微信小程序或設備二維碼，客戶可實現快速服務申請，例如服務預約，掃碼報修，設備/配件采買等需求，跟蹤服務進度，客戶在服務完成后在線簽字和評價，服務單據可支持一鍵分享。

3. 搭建智能客戶管理系統，實現全營銷流程數字化。根據客戶資料、行業、類別等屬性，建立標簽化分級管理機制，設置多樣化客戶資料模板，通過客戶層級關系、歷史行為、相關數據，為后續客戶營銷決策提供支撐，按需開通平臺和移動端服務，一體統管“集團公司 - 代理商 - 服務公司 - 租賃方 ”。提供了多類型的服務合同管理，根據對客戶歷史數據的數據分析，設定不同的訂閱方案，滿足線下多種業務訂閱場景訴求。在國邦與客戶簽訂合同后，自動生成財務對賬數據，解決了多方對賬困難的問題。

03 工業數據智能平臺應用實踐分析

3.1 工業數據的治理、應用正面臨一系列挑戰

在數據集成打通層面：分散在信息管理系統、機器設備中的非結構化數據伴隨著工業企業業務場景豐富而劇增。與此同時，由于工業軟件的接口協議不一致、煙囪式開發等原因，工業基礎數據存在屬性規范不一致、數據指標不統一等數據質量問題。以上難題對數據平臺的存儲能力、集成能力提出了更高的要求，要求數據平臺能夠有效處理海量數據，打破企業數據孤島。

在數據治理使用層面：首先，平臺需要以更快的響應速度滿足工業數據的實時性需求，這為平臺的存儲和讀寫帶來了壓力。其次，現階段對于工業數據價值挖掘的深度和廣度仍然不夠，未來仍需進一步提煉數據價值，賦能和開發業務場景，提升產品服務能力。最后，在數據平臺出現以前，由于缺乏統一的數據共享和管控體系，各業務系統之間、部門之間的數據無法有效共享，數據復用能力弱。

在數據合規利用層面：相較于金融、汽車、電子政務、健康醫療等領域，工業數據在安全與合規利用方面尚處于起步階段，工業數據法律法規體系建設有待進一步深化和完善。一方面，工業數據在研發設計、生產控制、售后運維等環節均有涉及，一旦發生數據安全事件都有可能引發生產經營活動的停滯。另一方面，對于一些關系到國計民生的行業，數據安全尤為重要，例如電力行業、能源行業等。

3.2 工業數據智能平臺解決方案

以湖倉一體、流批一體、區塊鏈等技術為依托，工業數據智能平臺解決方案能有效應對數據質量不高，數據存儲、計算成本高等難題，為企業提供統一的數據資產管理底座，為制造業企業數據治理提供安全保障。

1）構建數據治理能力內核數據資產目錄有助于企業厘清、盤活數據資產：數據資產目錄通過對海量的工業異構數據進行明確的分類、定義、分層架構表達，使得企業可以快速完成數據標簽的建立，對數據的血緣關系進行全鏈路的查詢。

數據標準有助于企業獲得高質量清潔數據：數據標準的建立統一了工業數據格式、消除數據語義，形成標準的業務含義與規范，為數據的計算、應用提供有效支撐。

數據模型是工業數據價值挖掘的基礎：工業數據模型基于實際業務場景需要，形成數據之間關系的形式化表達，是工業企業進行數據分析與應用的前提。

湖倉一體架構、流批一體技術提升數據治理效能：湖倉一體架構融合數據湖和數據倉的優點，有效處理制造業在生產過程中產生的海量異構數據，流批一體技術通過對實時數據的治理，快速響應業務需求，同時提高實時數據在離線場景下的復用能力。

2）夯實數據安全能力底座建立工業數據分級防護目錄：通過對研發設計數據、生產制造數據、經營管理數據、運行維護數據和平臺運營數據的分類和分級使用，對數據的管理屬性進行全方位評估與識別，進而制定不同級別的數據保護要求。

實現工業數據全生命周期安全防護：工業數據平臺需要構建包括事前預防、事中預警、事后追溯的全生命周期安全防護鏈路，為數據的治理使用，企業和部門間的數據共享提供安全保障。

典型案例2：構建統一數據底座，一汽紅旗實現智能網聯汽車數據高效賦能業務創新

世界500強車企中國第一汽車集團有限公司（以下簡稱一汽）是國有特大型汽車企業集團。一汽的建成，開創了新中國汽車工業的歷史。經過七十年的發展，一汽建立了東北、華北、華東、華南、西南等五大生產基地，構建了全球化研發布局，擁有紅旗等知名國產品牌，累計產銷汽車超過5400萬輛，銷量規模位列中國汽車行業第一陣營。

一、舊平臺難以支撐新業務體量，一汽集團數據治理和開發能力亟需提升

隨著汽車行業從機械時代邁入智能網聯時代，汽車的核心部件已不再是發動機、變速箱、底盤這三大件，而是由新型架構、芯片、軟件以及數據等組成的智能汽車“大腦”。只有掌握汽車“大腦”，車企才能掌握未來發展的主動權。在此背景下，紅旗作為中國一汽直接運營的高端汽車品牌，加速布局智能網聯和自動駕駛，2020年一汽集團成立一汽南京智能研究院，在集團中擔任數據聚合管控中心的角色，加速智能網聯汽車、自動駕駛技術等的研發。經過3年的發展，一套覆蓋研發、制造、采購、后市場服務的數智架構體系逐漸成形，隨著數字化轉型的深入，新的業務挑戰對“大數據基礎軟件”的技術路線演進提出了新的要求。

圖7：舊平臺痛點

1. 多源異構數據隨業務量呈爆發式增長，為原有存儲架構帶來挑戰。在此之前，一汽集團采用以Hadoop生態體系為代表的開源技術組件搭建了大數據平臺，隨著業務體量的增大，業務數據、用戶行為數據、車端傳感器數據等半結構化、非結構化數據的存儲為原有存儲架構帶來了挑戰由于缺乏對數據的治理手段，這些數據的價值無法被真正挖掘，企業易陷入“數據沼澤”的困境。

2. 煙囪式開發導致數據孤島，數據質量難保證。生產設計和銷售營銷各系統之間的數據都是獨立存儲運行的，尚未連通，業務變化的影響范圍無法識別追溯和預警。利用大數據工具和技術對汽車行業積累的數據進行價值深挖，進而形成端到端的全鏈路數據治理開發能力，首要做到的便是從源頭上保證數據質量。

3. 數據研發團隊缺乏有效工具，效率待提升。研發團隊在進行車聯網數據的治理開發時，直接使用開源工具，由于技術棧的復雜，造成了任務的割裂和臃腫。沒有界面化和可視化的管理頁面對任務開發、運維以及異常排查帶來了很高的挑戰，對技術人員要求較高。因此，急需建設具備低代碼特性的數據開發管理平臺應用先進的數據技術面向全業務角色進行開發提效和能力開放。

綜上所述，一汽紅旗決定進行數據管理和開發能力的體系化建設，構建統一的數據底座，以完成對新增數據的高效存儲與計算，同時對原有數據倉庫架構和大數據平臺進行統一納管集成，以實現智能網聯汽車數據的高效賦能，以優質高效的支撐業務部門在數據應用層的業務創新。通過長時間對國內優秀廠商的技術驗證和綜合對比，一汽集團最終選擇與北京科杰科技有限公司（以下簡稱“科杰科技”）合作。

科杰科技是領先的數據能力構建商，核心技術團隊擁有豐富的頭部互聯網企業大數據平臺建設和運營經驗，針對多業態、多場景的大型復雜組織的數據底座建設運營，沉淀出了一套成熟的實施方法論?，F已服務能源、汽車、零售、制造等多個行業頭部企業。結合此次項目需求，科杰科技的湖倉一體建設能力與數據安全能力是促成雙方合作的關鍵所在：

1. 湖倉一體建設，從邏輯層面整合多源異構數據，實現數據湖與數據倉的1+1＞2：要真正實現企業的數字化轉型，不僅要在物理層面打破數據孤島，更需要在邏輯層面實現數據跨層次、跨環節的整合與互通。科杰科技湖倉一體架構將企業數據引入到統一的存儲計算引擎里面，實現數據湖和數據倉庫內部的轉化和使用，不需要進行二次的搬遷和轉化，為數據管理提供更多便利性。技術自主可控，保障數據安全，支持國產化環境。

2. 技術自主可控，保障數據安全，支持國產化環境：科杰科技的湖倉一體架構在云原生、低代碼、大數據、AI等創新技術應用上完全自主可控，全面支持國產化環境，兼備安全穩定、靈活高效等特點，通過數據分級分類、授權管理、數據脫敏加密、多租戶資源隔離等軟態或硬態隔離措施，有效保障數據安全、系統安全、資源安全。

二、一汽紅旗打造存儲、計算、管理、服務一站式全流程數據中臺

在經過多輪的溝通和現場調研后，科杰科技依據一汽紅旗整體的數字化發展戰略，為該集團設計了整套的汽車行業數據底座建設方案。集團明確了“一體化、少件化、軟件化”的建設目標，即通過一個平臺對全域數據進行兼容、監管，用最小的軟件體系、技術體系來支撐更強大的業務需求，將線下業務整合到線上平臺中，實現業務管理全面軟件化。

圖8：一汽紅旗數據中臺架構圖

圖9：一汽紅旗數據中臺流程圖

1. 數據存儲層：存算分離、流批一體技術推動湖倉融合。面對數據孤島、數據煙囪的屏障，KeenData Lakehouse采用存算分離、流批一體技術，融合打通“湖里”和“倉里”的數據。首先，存儲層和計算層的相對獨立使得它們可以按照各自的業務需求獨立擴縮容，存儲分離降低了存儲部分的成本，有利于多源多態數據的聚合，更加易于靈活擴展。除此之外，一汽集團可以更方便地為不同業務做數據分析，對接不同的計算引擎，避免熱門數據在不同的業務中重復存儲的問題。最后，計算服務與存儲服務相對資源隔離，提升了業務穩定性。流批一體技術支持一套數據框兼容離線計算和實時計算，可以使用批處理分析數據流，可提供批處理和流處理的聯動轉換以及實時離線聯動分析。一汽紅旗據此可以對車速、里程、電流、電壓、油門踏板位置、制動踏板、方向盤轉角、SOC、天氣、道路、地圖等數據根據業務需要，進行實時或離線采集、計算，既滿足業務的即時性需求，又將成本問題考慮在內。

2. 數據管理層：數據資產全鏈路追蹤，保證數據質量。通過數據資產目錄的建立，一汽集團建立了統一的車聯網數據資產門戶，可面向企業各個角色，諸如數據維護工程師、業務承載方等，提供數據信息查詢服務。數據資產在數據開發建設過程中自動沉淀，無需手工維護。數據資產的全鏈路追蹤能有效保證數據質量，提供數據完整的血緣關系，可追溯數據從數據源到數據應用全生命周期的詳細加工過程；并按層級進行數據路徑分析，幫助一汽集團評估數據變更后對后續業務的影響。數據資產的建立得益于對數據指標的建立，通過建立一定分級分類標準，形成數據指標，指標管理中心可以呈現企業指標數據從口徑、來源、計算、存儲、應用的全過程。

3. 數據計算層：構建實時計算平臺，滿足業務即時性需要。基于Flink SQL語言構建實時數倉和實時計算平臺，對業務生產過程中的數據進行實時清洗、合并、結構化、計算和模型分層，實時計算結果輸出存儲到分析性數據庫Keen ADB中，并面向應用提供服務支撐。當前可支持千級的數據標簽采集，從數據采集端到業務端實現秒級響應。

4. 數據服務層：數據服務平臺無縫對接業務系統，解決數據使用“最后一公里”問題。在數據服務層面，科杰科技提供API和SDK的全生命周期管理，無縫對接業務生產系統，全面賦能“驅動業務”“驅動生活”“驅動車輛及周邊”的數據應用層服務。

三、新一代車聯網數據中臺提升一汽集團數據開發能力、高效賦能業務場景

目前項目已進行到聯合驗證環節，經驗證，一汽集團智能網聯汽車數據中臺的數據開發能力顯著提高，實現了數據的全生命周期管理，獲得一站式數據開發能力，高效賦能業務場景。

圖10：數據中臺建設成果

1. 實現企業級數據全生命周期管理：建立了融合DataOps框架的一站式、全鏈路、全流程的湖倉一體數據底座，覆蓋數據全生命周期管理，打造持續集成、持續開發、持續服務的自動化數據服務鏈路，實現一個車架號就能快速查詢獲取到車輛在各個節點的信息情況?；趯祿娜芷诠芾?，數據質量得以保證，從數據接入任務到數據分發都具備全面的監控機制，保證了數據的準確性和一致性；多個團隊可進行協同開發，代碼可追溯。

2. 實現一站式數據開發能力：對于開源工具的直接使用降低了數據開發效率，給研發人員增大了工作難度。如今，集團實現了一站式的數據開發能力，通過低代碼或零代碼的方式進行數據接入、解析、處理、算法、服務、應用等；數據開發平臺具備可視化編排功能；前端人員可自助查詢數據；數據資產及應用組件API/SDK具備服務開放能力；工作人員可跨平臺、跨應用進行作業智能調度，實現作業管理的集中化和規范化。

3. 高效賦能業務場景，以客戶為中心構建行業智能數據畫像：合理整合信息資源，在安全管控下，以共享開放的方式，賦能各業務智能應用，通過對車聯網數據的實時或離線采集、分析、應用，實現了對多個業務場景的高效賦能，同時還挖掘了潛在的業務場景。集團以客戶為中心，通過數據挖掘分析能力，精準有效識別客戶購買和體驗需求，有效支撐內容精細化運營，在獲得客戶信賴的基礎上成功構建穩健的客戶關系。同時，通過數據的分析挖掘，形成了多個行業畫像，例如車輛畫像、經銷商畫像、服務商畫像等，刻畫了服務商的財務/信用等級、服務評級、市場占有率等，基于行業智能畫像，滿足車輛銷售分配、配件儲備、故障維修和索賠等場景。

04 工業元宇宙應用實踐分析

4.1 工業元宇宙致力于打造一個三維的、低成本的虛擬世界，以加速產品的優化迭代

在工業互聯網范疇下，APP、數據平臺、指揮大屏的呈現都是二維的，不能將機器設備的復雜運轉反映清楚，也無法高效地將工業知識、人腦經驗翻譯成機器語言，沉淀成數據模型。工業元宇宙可以實現在虛擬世界中模擬產品的設計、規劃、生產、優化、運輸的全生命周期活動，而現實工廠只負責生產，如此便可加快產品的迭代進程。例如，未來工業元宇宙技術有望推動國產軟件突破技術難關，通過將進口設備的一切部件在虛擬世界中拆解、復現，調試，反向得到關鍵工藝參數，國產軟件可把握這一彎道超車的機遇。

圖11：工業元宇宙應用場景

場景1：研發設計

隨著制造業進入存量發展時代，以及消費市場的升級與變革，傳統大規模、批量化的生產方式已不能滿足個性化的消費需求，精益生產逐漸成為剛需。要實現精益生產面臨著諸多難題，例如工業產品的試制周期長、制造工藝不穩定、消費者需求迭代快等。工業元宇宙的出現使得消費者需求直通產品設計，未來有望推動C2M模式的大規模落地。工業元宇宙以低成本優勢對產品的功能、零部件的作用方式、消費者體驗等反復進行測試，將產品性能信息和消費者購買信息實時反饋給品牌商、研發機構、生產制造商等，以幫助策劃出更能迎合市場的產品。

場景2：虛擬工廠

制造業企業在實際的生產過程中，面臨原材料、環境、設備狀態等外部干擾，需要調節眾多工藝參數，以實現在復雜生產環境下更高的生產效率。工業元宇宙通過虛擬工廠的打造，可以幫助企業完成生產過程優化。工廠員工通過穿戴虛擬現實設備進入虛擬工廠，查看訂單狀態、設備狀態、產品狀態，通過人工智能算法尋找最優生產解決方案，并提前排除可能的風險，做出故障預警。

場景3：沉浸式營銷

隨著產品同質化競爭的加劇，品牌逐漸失去核心競爭力和特色。同時，線上消費渠道使得消費者缺乏對產品的沉浸式、直觀式感受，對產品的服務能力缺乏實際感知。工業元宇宙在消費端提供的解決方案有助于增強消費者對產品性能和品牌的認知，在售前環節開設虛擬商店展示產品，在售后環節服務人員和消費者通過虛擬世界溝通問題，為消費者帶來了沉浸式體驗，也節省了線下推廣的成本。

4.2 從概念走向現實，工業元宇宙目前仍面臨諸多挑戰

構建高精度數字孿生模型對系統和平臺算力提出更高要求：現有系統和設備的通訊協議不一致，導致了數據采集計量單位、參數、格式的不一致，加大了數據交互的困難。同時，在構建數字孿生模型時一般會放大時間尺度，然而工業數據的采集周期短，每秒將產生海量數據，在不犧牲模擬擬合優度的前提下，構建高精度數字孿生模型存在著巨大的模擬仿真壓力。

技術儲備相對不足、核心技術需進一步融合：工業元宇宙需要物聯網技術、區塊鏈技術、交互技術、人工智能技術、網絡及運算技術的深度融合，然而目前我國在這些技術領域仍存在不同程度的短板，難以滿足應用需求，進一步加大了技術融合的難度。

數據安全、隱私保護問題需重視：構建工業元宇宙的出發點為提升生產效率，給員工帶來交互式體驗。但是在場景落地時存在多個環節的數據采集處理，對數據的安全使用、隱私保護提出了更高的要求。首先，在生產的初始環節需要采集進入元宇宙的用戶個人信息，包括身份屬性、社會關系、實時位置等。其次，在生產過程中會采集設備基礎信息、設備指令、監測接口等工廠內部信息，也會采集環境信息。以上數據分布在云端、生產端和服務器，如果出現數據泄露或被不法分子濫用的情況，會嚴重影響到現實世界中的正常生活。

05 結語

當前宏觀經濟下行給制造業帶來較大壓力，根據國家統計局數據，2023年第一季度全國規模以上工業企業實現利潤總額15167.4億元，同比下滑21.4%。然而，制造業是國之重器，以智能制造為重要抓手尋找新的增長點對于重振實體經濟意義重大，也是制造業實現彎道超車的難得機遇。制造業企業需尋找自身戰略、業務、產品與智能制造的結合路徑，打造企業發展的新引擎。

展望未來，伴隨著AI大模型技術席卷全球，探索大模型在制造業中的落地場景，成為制造業尋求新的增長點的必然選擇。例如，通用大模型能夠打破行業和知識壁壘，通過人機共創的模式探索制造業企業創新；專業大模型將有效解決行業中大客戶的專屬需求，打破垂直類信息孤島。當前制造業企業對大模型的應用相對滯后于其他行業，需要盡快開始探索試點。