工业物联网平台如何推动转型？

关于数字化转型计划的肮脏小秘密是，其中许多失败，正如《哈佛商业评论》报道的那样。另一方面，从 Airbnb 到亚马逊再到 Netflix 和优步，有越来越多具有数字思维的公司推出了重新定义整个市场的平台。

难怪市场上充斥着数百个工业物联网平台，这些平台承诺帮助制造商、公用事业公司、设施经理和类似组织重塑业务。在这种背景下，工业 4.0 的概念及其利用物联网、数字双胞胎和机器学习等技术来推动下一次工业革命的承诺。

施耐德电气首席数字官 Hervé Coureil 对这个话题有独特的看法。 Coureil 表示，在担任当前职位之前，他曾担任过首席财务官和首席信息官，他表示，施耐德对为自己构建或销售平台不感兴趣。 “这与平台无关。这是关于你如何用数字技术影响世界，”他说。 “在行业中，当您利用平台的力量并使用特定主题专业知识应用它时，奇迹就会发生。”

DUNELM Associates Ltd. 的管理合伙人 Martin Davis 表达了类似的观点，强调人员和流程比技术更重要。他说，工业公司的重点应该放在“你如何做事以及如何以不同的方式做事”。 “是的，技术提供了新的机会，但这与技术无关。这是关于您如何与客户互动。”以此逻辑为基础，戴维斯继续说道：“购买一个闪亮的新物联网平台并不是灵丹妙药。”

戴维斯说，对于许多工业公司来说，重点更多的是数字增强或支持，而不是彻底的转型。虽然有一些制造商已经从销售产品转变为服务的例子——一个明显的例子是喷气发动机制造商销售他们产品的飞行时间而不是销售引擎——这更多是例外而不是规则。 “许多 [这些举措] 都是关于向现有业务添加数字产品和服务，例如对实物资产进行数字监控，”戴维斯说，他曾在加拿大企业集团 JD Irving Ltd 领导数字转型计划。

施耐德电气的数字化战略强调解决客户问题，而不是提供一个通用的物联网平台。该公司刻意避免成为各行各业的杰作，一事无成。 “我们在问题类型和我们解决的市场数量方面相对狭窄，”Coureil 说。 “我们确实以能源效率为中心——基本上是可持续性。”最大限度提高效率的主题贯穿了施耐德所服务的垂直行业，包括数据中心、配电、建筑和工业流程。

Coureil 说，决定如何利用数字工具的力量的组织必须仔细考虑资源分配，这是“数字化转型的一个鲜为人知的方面”。

组织应该有一个明确的决策过程，以确定优先考虑和投资的内容，以及这些投资的最终成本。施耐德电气的数字化组织在全球拥有约 3,000 名员工，强调其支出的透明度。 “我们是全球成本中心。我们并没有真正向业务的其他部分收取任何费用，因为我们想确切地知道我们的成本是多少，”Coureil 说。这种关注使得判断给定的数字计划是否成功变得更简单，同时也给予它关注。 “这意味着你将做更少的事情，而这些事情可能会花费更多，所以你需要非常敏锐地解释你将如何优先考虑这个计划而不是另一个计划，以及你对它的期望。”

Coureil 表示，数字化转型计划的挑战之一是，虽然启动外围概念验证项目很容易，但要影响业务核心要困难得多。 “数字化的难题实际上是如何扩展，”他说。 “演示很好，但你如何在 80 个国家/地区运行它？您如何将其扩展到这么多工厂，您如何保持 24×7 的性能？”

与规模相关的挑战是一些工业公司倾向于在没有坚实战略基础的情况下追求雄心勃勃的项目，但一些工业公司在部署数字计划时变得更加谨慎。他说：“我认为人们开始对涉及破坏事物、用应该更好用的新事物替换有效的事物的超级星际听起来项目持谨慎态度。” “我认为我们确实看到了一个趋势：‘让我们尝试构建新功能，而不必替换有效的功能，”Coureil 补充道。 “人们在问：你如何补充而不是替代？”

然而，不久前，一些工业供应商的宣传似乎建议拆除和更换旧设备，并尽可能部署预测性维护。鉴于大多数工业组织的保守性质，前者很少见。贝恩的研究表明，预测性维护并没有像最初预期的那样成功，因为“它比预期的要困难，而且事实证明，从数据中提取有价值的见解更具挑战性，”报告“超越证明概念：扩展工业物联网。”

“预测性维护很困难，”戴维斯承认，“但回报很大。”然而，在此期间，许多工业组织仍然专注于预防性维护，尚未发展到基于状态的维护。 “虽然进行全面的预测性维护很困难，但使用多个数据点来执行更复杂的 CBM 形式可能更容易实现，”戴维斯解释说。 “那里有很多公司没有意识到的机会。”

戴维斯说，一个挑战是简单地在一个地方获取相关且足够的数据。 “购买和添加一个闪亮的新物联网平台并不能解决您的所有问题，它只会创建另一个数据孤岛。要获得结果，您需要将所有数据集中在一处，”他解释说。 “这方面的一个关键候选人是您现有的历史学家。另一种方法是将您现有的数据源输入到您的 IoT 平台中，以便与您的 IoT 传感器数据相结合。”

Coureil 强调了确保预测性维护计划具有可靠的商业理由的重要性。如果优先考虑零停机时间，那么进行预测性维护是一个好主意。 “然后，拥有时间序列数据并通过神经网络运行它们并在您认为需要计划的时间获得良好的预测分数是有意义的，”他说。这种举措在停机成本高的复杂过程工业中可能有意义。 “但是，如果您谈论的是更离散、更不关键且停机成本不是那么大的流程，您可能会想：‘我在晚上关闭了工厂车间，所以我不妨[照顾好它]当车间关闭时。'”

“这又回到了资源分配上——你的投资决定应该是什么会给你带来最好的回报，”Coureil 补充道。