2022年工业互联网厂商全景地图
2022-04-24 中华人民共和国工业和信息化部 最新时政要闻：最新统计显示，一季度，我国规模以上工业增加值同比增长6.5%，工业互联网产业规模超过万亿元大关。
工业互联网市场全景图在技术环节维度覆盖边缘层、IaaS层、PaaS层和SaaS层。本次优先研究：工业互联网平台、工业数据智能平台、智能排产、供应链协同；
工业互联网市场全景地图
1. 工业互联网平台
定义：
工业互联网平台是面向制造业数字化、网络化、智能化需求，构建基于海量数据采集、汇聚、分析和服务体系，支撑制造资源泛在连接、弹性供给、高效配置的载体，其核心要素包括数据采集体系、工业PaaS、应用服务体系。
终端用户：
企业决策层、业务部门、生产部门、运营部门等
核心需求：
传统工业企业设备、生产、运营等业务环节均配置有不同的软件系统，设备状态、经营信息等数据各自孤立，未建立直接联系，已不能满足工业企业实现智能化生产的需求。工业企业需要通过工业互联网平台实现数字化、智能化生产，进而树立行业竞争优势，实现降本增效和业绩增长。
实时数据采集：基于多环节、多场景、多设备、深层次的海量数据收集。工业生产经营活动涉及多环节、多场景、多设备，企业需要对不同形式的机械语言进行采集和解析，形成可理解的标准化数据信息，进而为后续数据分析、人机交互和决策制定提供支持。部分行业（例如能源化工）对数据实时性要求极高，数据实时准确采集、解析能力将为数据应用开发提供坚实基础。
定制化数据应用和功能开发：基于数据融合与交互，实现全局联动，助力业务决策的需求。企业需要在数据采集的基础上，将不同设备、生产要素、业务环节间信息进行互联互通。企业需要将数据与业务逻辑相结合，形成一系列工业机理模型，帮助提升生产力并对生产经营决策进行相应指导。在具体生产经营活动中，企业往往会存在特异性需求，此时，针对自身业务特点进行应用功能的定制化开发十分重要。
厂商能力要求：
厂商需要能够提供工业互联网平台解决方案，主要包括以下功能：
边缘层：具备数据接入、协议解析和数据预处理的能力。工业互联网平台应当能够通过泛在感知技术对多源设备、异构系统、生产要素（人-机-料-法-环）信息进行实时高效采集和边缘处理，以及对异构数据进行协议转换，构建工业互联网平台的数据基础；另外，能够通过边缘应用部署与管理使边缘设备完成具体的任务指令，实现端到端的一体化管理。边缘层技术环节对数据接入、工业协议解析和数据预处理能力要求较高。
PaaS层：具备数据联通和分析、数字模型搭建、数据看板、应用开发的能力。工业互联网平台应当具备良好的系统和应用兼容性，在各个设备、环节的工控软件之间，架构一个发挥数据联通、交互、分析、计算功能的“数据大脑”，实现数据和信息在各要素间、各系统间的无缝传递，使得原本的异构系统在数据层面能够相互“理解”，从而实现数据互操作与信息集成。并在此基础上利用人工智能、数据治理和分析等技术进行数字科学模型的训练。其次，平台需要能够将数据特征和结果进行可视化呈现，具备高易用性的数据看板有助于企业经营决策精准性的提高。另外，厂商应当具备目标工业行业Know-How，掌握对应业务流程、原理、工艺技术等垂直领域知识，确保平台内部数据、模型和工具得到正确应用。工业互联网平台应当具备低代码开发能力，降低企业技术应用门槛，支持企业自主进行模型搭建、应用开发。
应用层：具备相应业务场景下具体功能落地执行的能力。工业互联网平台之上应当针对具体业务场景布设相应的APP应用供企业使用，同时能够提供相关前期实施、后期维护等一系列服务，例如。应用层各APP能够将先进的工业技术和经验封装在内，降低人力及培训成本。相关应用例如：工艺优化、研发设计、能耗管理、智能排产等。
2. 工业数据智能平台
定义：
工业数据智能平台是指以工业数据为生产要素，通过融合数据处理、数据分析与挖掘、数据可视化、机器学习等大数据和人工智能技术，实现数据驱动的智能分析与决策的基础平台。
终端用户：
IT部门
核心需求：
在内外部多种类、多特征信息海量增长的当下，企业难以高效准确地进行数据分析和业务决策。基于精细化生产经营管理的需求，企业需要通过打通数据孤岛、实时数据分析等手段更好地进行数据应用，进而实现降本增效的业务目标：
打通数据孤岛、提高响应速度、实现数据驱动：（1）数据集成、分析处理及业务应用。随着数据来源越来越广，数据分散在企业不同业务系统和环节中，形成数据孤岛，企业需要将复杂的多源异构数据进行集成、解析、处理和应用，将生产与业务进行有机结合。（2）实时响应业务需求，有效处理海量数据。数据量的指数级增长导致数据处理响应时间过长，交互体验差，与此同时，企业对数据处理的实时性要求也在不断提高。（3）摆脱人工依赖，提高管理质量，推进数字驱动。传统数据处理大量依赖人工操作，费时费力，导致后续数据应用和业务决策产出周期过长，准确性难以得到保障，企业应当通过数据智能平台的强大数据分析能力变管理被动为数据驱动。
贴合企业业务场景，实现数据应用高效定制化开发：（1）有效进行数据治理。工业各细分领域差异大，行业壁垒高，对数据流程和逻辑的综合把控并非易事，从数据处理到业务场景落地之间存在知识、经验和认知层面的门槛。工业数据智能平台应当能够在理解对应行业业务内涵的基础上，贴合企业自身生产经营状态，帮助企业对数据进行统一规划、提升精细化管理水平、提高决策效率。（2）匹配原有信息化基础，可定制化开发拓展需求。不同企业信息化水平存在差异，甚至同一企业不同部门不同环节间数字化基础参差不齐，企业出于工业生产活动逻辑、业务管理指标、客户及财务数据安全等方面的考虑，需要对多场景、多管理视角进行系统化开发，定制化、本地化的建设成为企业的核心需求。
厂商能力要求：
体系化数据智能产品能力：（1）数据的一体化管理与应用能力。首先能够无缝接入各工业业务管理系统数据，例如MES、ERP等；然后对结构化、非结构化、流式及批式数据进行标准化处理；进而通过数据治理、数据计算、数据分析，形成数据资产，沉淀出不同业务维度的数据域及数据指标，例如采购、生产、仓储、产品、客户、成本等；最终能够根据企业实际经营管理需求，对数据进行例如规则设定、逻辑关联、分析开发等数据应用。（2）PB级数据量处理能力。平台具备高稳定性和数据承载量，支撑PB级数据量的集成和储存，能够应对企业多工厂多环节持续性所产生的海量信息。（3）自动化分析能力。数字化建设是一个螺旋式上升的过程，数据智能平台所带来的更深层次的业务赋能应当能够进一步解放传统人力工作，提高业务效率和质量，更好地通过数据赋能管理。
懂制造、能定制，实现快速部署：（1）对企业所在工业细分领域具备知识和经验储备。厂商应当具备相关工业领域的专业知识，拥有一定行业项目实战经验，在方案制定中能够帮助企业进行数据应用的通盘规划和具体业务场景的实际落地。能够将数据特征和结果进行可视化呈现，具备高易用性的数据看板有助于企业经营决策精准性的提高。（2）定制化开发、私有化部署。在数据智能平台的具体部署和落地方面，厂商应当能够根据企业具体的数据特征、业务特征和整体规划做出相应的安排，可基于自身丰富的项目服务经验，对企业的数字化建设规划提出合理建议。
3. 智能排产
定义：
智能排产以新一代APS系统为主要载体，是指在运用市场动态、订单、库存、财务等数据生成生产需求的基础上，通过智能算法，综合考虑物料、产能、工艺等多种生产资源的约束，快速输出主生产计划和详细的车间排程计划的过程。
终端用户：
生产部门
核心需求：
以离散制造为例，离散制造企业往往生产的产品型号种类多，工序多，产能和订单约束条件复杂，使用传统手工排产和ERP、MES排产，在实操过程中普遍存在速度慢、效果差、难应变等问题。这也导致制造企业在面临各种条件变化时，生产计划不能适应实际生产需求，导致企业在订单满足率上存在一定瓶颈，敏捷相应能力不足，生产运营成本居高不下。具体而言，甲方需求如下：
（1）减少人工干预，提升排产速度和准确性。对于核心排产环节，ERP系统能够生成主生产计划，但详细的生产作业计划仍需人工进行。人工排程仅使用EXCEL为辅助工具，一次排产往往需要数天才能完成，效率极为低下，且依赖个人经验，错误率高。企业需要通过降低人工干预，大幅度提升排产速度和准确性。
（2）考虑多维限制因素，实现排产结果的优化和可操作性的提升。人工排产无法全面考虑多种约束条件，各方案优劣标准难统一。ERP系统的排产功能规则无法根据实际情况进行调整，仅根据交付期安排生产顺序，并假定无限产能的方式，使得最终排产方案在生产过程中往往因为对于一些约束条件不满足而无法按计划进行生产，为企业带来了延期交货的风险。企业希望能全面考虑各种约束条件，提升排产计划可行性，且能够无限接近产能利用率最大化状态，提升资源利用效率，降低生产成本。在具体生产经营活动中，企业往往会存在特异性需求，需要进行定制化开发满足企业多样化生产的需求。
（3）面临突发情况，实现敏捷响应和决策。在面临急单插单时，企业有时会因难以快速评估插单影响，导致业务决策慢而错失订单。企业需要以对当前计划影响最小为前提，快速评估插单的影响和收益，从而准确回答客户订单交货期。在面临设备故障、物料到货延迟等突发状况条件下，企业需要迅速进行计划重排，最大程度减少对原定生产计划的影响，保障交货期，提升客户满意度。
厂商能力要求：
繁杂系统数据打通，实现一键排产：智能排产的实现首先需要将孤立在ERP、BOM、MES、PLM等业务运营与工业生产控制系统的订单、物料、库存等数据接入排产系统，还需要掌握工艺、模型型号、机台型号、产能等离散的数据，这些数据接口几乎无法标准化，需要厂商具备一定的数据接口的开发与数据调用能力。在充足数据准备的基础上，要求智能排产系统支持在选定约束条件与目标后实现自动一键排产，彻底摆脱人工干预。
理解数据关联及多约束建模能力：首先在实操中，需要将具体排产问题抽象为数学模型进行求解，不同类型数据在模型中会表现为优先级不同的约束条件和排产目标，厂商必须熟悉各项数据背后的业务逻辑关系，才能够正确应用这些数据进行建模。其次，不同的实际问题对应的数学模型也不同，因此为解决多种类型的实际问题，智能排产系统必须具备求解线性规划、整数规划等多种数学规划问题的能力，并全面考虑各种约束条件，保证实现排产结果最优。
分钟级排产能力：日常排产与紧急插单排产都要求排产速度与人工相比实现质的提升，而在多种约束条件下，其中涉及的极为复杂运算过程与巨大的计算量要求厂商使用数学规划求解器等专业的计算工具才能实现这一要求。具体而言，国内外领先智能排产服务商大多使用了市面主流高性能求解器作为技术底座，结合实时数据推流，产品即可实现敏捷响应
4. 供应链协同
定义：
供应链协同是通过打通原料采购、生产制造、市场需求、物流运输等环节的数据，帮助产业链上下游主体实现高效对接、数据融通，从而打破产业链主体间服务断点和信息孤岛，有效降低断链风险，实现产业链供应链资源协同有效配置。
终端用户：
采购部门
核心需求：
规范采购业务流程，提升执行效率：采购全流程包括需求发起、寻源、合同、订单、履约交付、结算支付等多个环节，参与方众多，涉及多回合内外部沟通，而这些沟通多以电话或邮件形式为主，信息共享留存难，业务标准化难，这导致企业采购周期长、相关人员权责不清晰、合规风险高等问题长期难以解决。例如在需求提报环节，业务部门提出的采购需求往往存在信息格式不统一、与供应商披露信息无法匹配等问题，需要采购部门进行多轮需求确认与汇总，效率低下且出错概率高。因此，企业需要实现采购全流程数据信息的线上留存、流转与共享，以信息化工具为载体，建立起更为完整的管理制度和清晰的业务流程。
打通内外信息系统，沉淀数据资产：许多企业虽然实现了采购信息化，但在企业内部，采购系统与ERP系统、主数据及外部供应商信息仍处于彼此独立状态，订单、合同等信息仍需手工录入系统，这不仅极大影响了数据的准确性，也导致生产、运营、采购数据无法有效沉淀为企业的数据资产。对企业外部，企业很难将上游供应商生产排期、过程工艺控制等信息纳入系统，导致难以把控供应商交期与产品质量问题，而对供应商的评估也缺乏丰富外部数据支撑。基于以上痛点，企业需要统筹全局，将内外系统数据进行打通进行一体化管理，提升数据准确性，在数据归类管理的基础上实现便捷的存取调用，从而更好地为数据分析应用做好基础准备。
全面激发数据价值，辅助管理决策：企业沉淀的数据资产无法直接赋能管理层决策，需要在供应链管理中，通过收集的数据对供应商成本价格、内部业务人员绩效考评、一段时期内采购订单合同、流程风险等关键事项进行分析统计获取初步结论，从而快速实现对这些关键环节的整体判断和把控，在大数据分析的基础上产生更深层次的洞察，产生更加科学合理的决策。
广泛高效采购寻源，降低采购成本：在传统寻源方式下，业务人员在不同平台依次进行寻源，渠道分散且无法全面获取供应商信息，加之企业为规避供应链风险，往往要求一项项物资从多家供应商采购，业务人员很难对供应商质量进行严格把控。因此，企业希望通过集成化平台商城，汇聚全网供应商资源，实现更为高效和透明的寻源方式，从源头提升供应商质量，降低采购成本。
厂商能力要求：
产品功能覆盖采购业务全流程，符合业务逻辑：厂商需要具备工业企业的采购业务know-how，对各个环节与相互之间的逻辑有细致洞察和深刻理解，基于对企业采购流程的梳理和科学设计，并根据采购各环节涉及的不同业务人员的使用场景，有针对性地进行产品研发，以满足其使用需要。
快速实现系统数据对接和打通能力：数据接口问题会在很大程度上影响系统间打通。传统ERP等软件往往缺少标准接口，而SaaS软件也有自身的技术标准，相互之间无法直接实现数据联通。因此针对供应商协同需求，厂商对外需要能够辅助企业快速将上游供应商的排产、物料订单等数据连接到供应商管理平台中，对内需要将ERP、OA等系统数据接入供应商管理平台中。
多供应商渠道接入能力：采购商城是供应链平台的最大流量入口，针对企业提升供应商质量的需求，厂商需要与尽量多的主流采购商城进行资源对接，集成多渠道供应商资源，并在此基础上通过留存的供应商往来沟通、报价、订单、交期等数据，对供应商形成有效考评机制，并一定程度上对供应商形成督导作用。
文章学习于《2022爱分析· 工业互联网厂商全景报告》，若侵权请联系作者，第一时间删除！