2018-02-01 16:40

　　大家下午好，本来今天应该是由我们副总裁田日辉先生来演讲，由于时间冲突，由我代他分享介绍。

　　今天我的介绍内容分三部分，之前工业互联网这个词已经研讨了非常久的时间，但大家做工业互联网的事应该说是各家殊途同归，大家都在往一个方向走，但是各自的做法也略微有些不同，大家都有自己的切入点。所以我在第一部分会先介绍一下联想在工业互联网这个方向上我们的切入点和我们的思考以及我们的认知。第二部分会介绍一下我们现在已经完成的工业互联网平台的建设情况，来分享我们的工业互联网平台它的能力和它的特点。第三部分是介绍一下我们在外部做的一些客户的情况，去看我们如何将自身的能力赋能给第三方的企业。

　　过去20年是发展非常快速的20年，我们迅速经历了电脑的PC互联网时代，也迅速经历了移动互联网时代，这是2010年开始的。现在已经到了非常发达的万物互联的智能互联网时代，在过去大家都是以To C客户为整个应用的核心，大家的生活方便了不少，也改善了不少，我们的商业模式从中蓬勃的创新，有很多独角兽公司上市。从去年开始看到很多投资人也好或者市场上的一些声音，说To C市场的红利逐渐到达瓶颈，To B市场在智能互联市场是一个大力发展的时代，是有广阔空间的时代，才刚刚开始。在智能互联时代，我们现在面临工业升级转型的诉求，这两个正好是一个非常好的结合点也是一个非常好的时代。通过我们自身的努力，如何在中间发挥作用，这是一个需要思考的问题。联想在过去30年中，在PC时代、移动互联网时代，都是业界的引导者或者排头兵，希望在智能互联时代，通过自己的沉淀依然能够在这个时代排在前面。我们是不是有这样的能力或者之前是不是有这样的沉淀，接下来向各位介绍一下我们联想在工业互联网平台上做的一些扎扎实实的事情。

　　数据是工业互联网平台的基础，数据并不仅仅是说你拥有多少数据，而且要看到你对数据的获取以及把控的能力。联想我们现在具备全球十个数据中心，每天能够获取4.3PB数据的扫描，每天沉淀下来30TB的数据，这是整个数据量级的增长情况。我们每天连接的日活设备1.5亿个，用户是4亿用户，从联想这么一个IT制造型企业也是一个科技型企业的自身时间来讲，我们在数据获取的能力上，无论是从地域的角度还是从设备终端类型的角度，还是从具体用户应用的角度，是非常大的量级。我们数据的接入也不仅仅是从用户的设备上，还有从一线生产、车间到后面运营的管理系统、营销系统、客户体验系统、客服系统等，这是一个非常庞大的工程，所以我们才累计了这么一个量级的数据量。下一步，平台是核心，我们有一个怎么样的多元异构平台，以及这个平台将和我们的生产经营系统、生产经营过程、一线生产车间能够打通互联，这是一个非常关键的核心。我们现在整个数据获取和数据反馈的过程，联想的工厂分散在全球各地，业务种类也非常多，从PC服务器到各种各样的穿戴设备等，包括前端时间发布的AR设备，这些产线非常多，品类也非常复杂，地域分布非常广，我们将全球十个数据中心搭建起一套支持各种业务类型的数据进行多元异构数据的整合，并且能够作用于企业的这么一套平台是非常不容易的。通过一个实例，我们现在的数据是不是能够有效的被应用起来，最后一句话，应用是关键。当你数据能够产生、能够获取，能够把数据堆在一个平台上，是不是能够用了，这才是真正的目的。现在拿一个最简单的例子，手机的激活数据，我们每秒钟在全球就可以统计一次或者刷新一次，可以看到数据不仅仅是被产生出来、被累计出来，而且是被真正的在经营管理中实时的应用起来。在整个建设过程中我们也经历了非常多痛苦的过程，我们通过整合并购以及刚才说的非常多的子业务或者子产品，有非常多的系统需要整合，我们前前后后整合了100多个系统，现在建成了500多项应用。

　　前面都是总体性的介绍，做三个实践的简单介绍。第一，我们在产品的生产质量过程。产品生产过程中我们需要判断产品的返修，后续根据产品的返修情况去预备相应的财务成本以及判断产品后续的推广计划。我们有一个MQM的模型，通过产品销售后一周的返修数据，我们能够判断一年内它的返修准确率，现在达到了95%的准确率，这个数据非常精准的可以指导我们后续的售后以及生产的排产计划，我们将这个预测模型进一步推广，因为它在维修阶段很难再去把控这个排产过程，所以我们把它推广到了产品的试运行阶段或者体验阶段。当它真正推向市场之前，我们已经将这个产品在内部做过大量的测试，通过机械的测试或者人为的测试，将这些数据再进行反馈。我们可以在一个产品推向市场之前就可以知道它一年的返修计划是怎么样的。另外一方面，品类非常多，我们支持整个联想工厂的智能化升级，不管是从经营管理层面上还是业务种类还是产线上，是一个非常庞大的工程。因为我们一开始核心的诉求是如何实现大规模的个性化定制，因为我们To C的产品，尤其是电脑，需要在网上下单，选择不同的型号、样式、颜色，不同的USB接口，在每一个电脑部件里可能有上千个部件，每一个部件都是一个物料，这些数据被客户在网上定制出来，它要和生产进行对接，对接之后在整个生产过程中要和相应的物料采购计划进行匹配，整个数据的打通以及采购计划的预测都是非常困难的一件事情。现在看我们可以自豪的说，整个PC生产的个性化定制率已经达到了70%。同时我们在这个过程中也实现了很多其他的衍生价值，比如准时交付率提升了5%，我们的制造成本下降了200万美金每年，我们的生产质量也进行了提升，制造效率也进行了提升，这些都是在计划之外的一些收益。

　　作为一家IT消费品生产制造企业，我们必须关注客户的声音，客户的诉求、客户的需求，代表了未来他的购买方向和意愿，我们对客户的把握需要360度进行客户的认知，包括他的需求、偏好以及售后体验，不能因为其他的非产品性的内容来影响客户对我们产品的感知。这个图里包括购买、产品使用等，我们构筑了一系列的360度客户画像。客户对我们产品进行反馈，不管在京东上、淘宝上等购买产品以后，他在下面的评论，还有在论坛里发表对产品评测的信息以及点赞的信息，还有新闻媒体报道的情况，我们将互联网数据全部拿进来之后进行了客户舆情分析，自然语言处理已经是很成熟的技术，我们现在把很长篇的文字做成精炼的语言提炼成核心观点是非常简单的，难度就在于我们对于一个客户给我们信息反馈的判断，不是说他表达什么，而是他对我们的产品是正面还是负面的评价，程度有多少。在情感分析这块，在内容识别之上是更进一步的一个挑战。我们在情感识别率，现在正确率达到了90%，这是我们通过产品舆情、情感分析来驱动以客户为中心运营的一个非常典型的案例。

　　通过刚才说的三个案例，一个是我们在产品的质量管理、生产的质量管理，一个是在大规模用户个性化制造方面，还有售后的基于客户的产品反馈方面，都可以看到，将我们的数据从不同的来源，包括产线上、IT系统和互联网上获取到，我们通过人工智能以及大数据分析的技术，将它和业务为目标对接，产生价值，反馈到整个业务闭环中。数据是血液，智慧是灵魂，数据智能合在一起，对于工业互联网平台来讲，让目前整个工业互联网平台活了起。

　　数据的价值来源于哪，一方面是来源于数据整合的广度。数据整合得越广泛，可能经过简单的少量的分析，我们就可以得到非常多的交叉验证之后的数据价值，发现一些前所未有的规律。还有一些是来自于数据分析的深度，可能在某些领域，数据业务规则的复杂度以及数据量可能没有那么多，但是当它的分析能力上升到一个台阶之后，所爆发的自动化水平也是让人惊叹的。但是有些对于数据分析的深度和广度不是那么强烈的，我们传统意义上BI的分析，它为什么大行其道，或者为什么在现在企业里依然有那么强的生命力，还有另外一个维度，业务的认知度。在BI领域，数据可能不是整合最广泛的或者非常多的，分析难度可能不是非常具有挑战的，但是它需要和业务结合起来，了解到整个业务水平，如何将数据和业务的运营生产进行过程对接起来，这实际上是另外一个维度的事情。我们刚刚从数据的广度和分析的深度两个维度看，我们认为数据智能是工业互联网的皇冠，无论在广度方面还是深度方面，都是极具挑战的事情。这是我们面临的共同的挑战和机遇。

　　接下来是讲数据只能在智能化生产、智能化产品以及智能化后续的供应链的三点价值，前面已经讲了非常多了，我简单谈一下体会。在整个智能化生产过程中，主要是提质增效，提质不仅仅是产品本身的质量，涉及到产品的物料，涉及到产品后续持续的分析和管理，所以提质本身不仅仅是在生产环节，还包括整个从供应链的原材料管理这块开始，到后续的包括供应商的评级以及工艺的改进优化，这也是一个产品的闭环。产线效率这块分为能耗、环境分析、故障预测与维护等，这块是如何加快生产节奏，如何提升转化率，提升整个生产运营的效率，这是在智能化生产这块的核心。数据智能同时也可以提升智能化产品生命周期的长度，智能的产品，我们生产的产品很多都是智能产品，PC或者手机甚至服务器，它都有很多的芯片，可以记录很多ID。但是未来智能互联的时代会有越来越多的智能装备，形成数字化双胞胎之后都会形成智能产品，生命周期不仅仅是在工作环节，从一开始的设计制造到中间的使用维护，到后续可能还会有些设备进行回收利用，整个数据是全生命周期的数据，这些数据进行了不同环节数据的搜集和分析之后，它得到的信息可以对后续的产品质量改进、设计优化以及产品创新提供源源不断的支持，这是在工业互联网平台上我们如何提升智能化产品以及延展对智能化产品生命周期的理解的一个非常重要的点。

　　数据智能实现智能供应链，智能供应链每个点大家都耳熟能详，这里面一个难题在于整个供应链的协作，我们每一个单点无法达到整体最优，因为整个供应链体系是一体化的，有上下游紧密的关联。当我们在每个地方进行优化的时候，我们很难做到很好的投入产出比，只有当我们找到上下游关联，将这些分析点整体纳入在一个分析体系、考评体系里，我们可以从中找到整个流程里的短板，来改进整体效率的最优。

　　一个企业实现数据智能或者数据工业互联网平台中的灵魂部分，我们的三个核心观点，我们需要实现一套数据湖、一套算法库以及一套应用集。数据是燃料，算法是引擎，应用是目的，整个的工作是围绕业务应用和业务价值的，所谓数据燃料，我们需要基础平台，将数据有效搜集在一起，获取数据不仅仅是获取数据那么简单，需要提供数据后续的计算、分析以及各种各样的应用和相应必备的软件、工具等。人工智能、算法是将数据转化为知识，尤其是最大发挥数据价值的重要的引擎。应用是目的，比如刚才说的一个点，销量预测，或者采购需求预测，我们对一个钢材集团进行了同样的经验复制，对他的采购需求预测进行评估，达到非常好的效果。

　　刚才从数据的角度阐述我们联想数据智能，如何践行工业大数据，如何在六年多的视角了，我们从2011年刚开始有大数据这个词的时候，我们作为一家科技型企业、制造型企业，春江水暖鸭先知，我们很早就开始布局整个大数据或者数据智能的建设。慢慢我们从一些经营的分析逐步深入到生产的分析，从IT域深入到OT域。现在推进的工业互联网平台，我们现在也在吸收新的知识，也在吸收新的需求，也在吸收业界新的先进经验，来打造我们的工业互联网平台。我们的工业互联网平台里面有三个部分，工业物联、工业大数据、工业智能，这三个部分形成了整个支柱。最后来支撑最终的价值目标就是工业APP，这是联想工业互联网平台LeapAI的总体架构图。数据资产管理，需要我们保障数据的可分析性，后面无论有多少分析的价值，如果是建立在一堆垃圾之上，所有的东西都是无用功。我们如何将数据资产有效的管理起来，可以将数据视为一种资产。可信计算，现在安全是工业互联网非常重要的一块，联想之前就考虑到可信计算引擎，它不能说算是现在工业安全里的全部，但是是一个非常重要的补充，因为我们之前也承接了非常当的国家项目，这里涉及到从硬件到软件一个完整的可信链，这个领域我们有相当的积累，将它整合起来，形成我们在工业互联网里可信计算引擎的一个组成部分。在工业物联层，我们可以做到万物阶皆可互联，智慧遍布远端。除了边缘计算部分，还有很多IT系统需要去对接，左边这部分列了很多，但是真实的数据远远不止这些。有一个强大的对接的引擎，有一套机制能够将多元异构的数据整合起来，高效传输，并且能够边界的管理和访问，这是非常重要的，可以大量简化系统之间的数据整合的工作。我们现在提供数百种数据接口，可以一键配置，进行混合运算、过滤、去重。工业大数据，灵活架构，统一架构，应对极限挑战。对于联想来讲，十个数据中心并不是拉平看的，有些数据中心是在外网，有些是在内网，我们会形成不同的建设模式、分布模式，也有不同的定位和数据中心建设模式。这十个数据中心有些是在我们自己的数据中心之上，把内网和外网，把主库和预处理的库都区别出来，形成联想统一数据平台，全部联想的数据就在这么一个平台上进行统一的管理和运行。工业智能要打造工业企业转型升级的大脑。联想内部做了500个分析应用，但实事求是讲，不是每一个应用都具有普遍的普适性，能够形成一个我认为的工业的APP，工业的APP这个过程我们可以将希望我们自己的与工业生产或者业务的特点关联不是那么紧密的，我们已经把它沉淀夏粮，从算法层面、实施方法层面，从具体的解决方案的方法论层面，从最后实施的过程，我们都把它固化下来，能够以相应的标准化的接口接入外部的数据，形成快速的测试，形成最后我们对一个结果的初步判断。再根据初步判断，我们来看是不是我们的业务可以往下继续通过一些专家来提炼和提升的。工业APP的建设还是需要各界的能力共同来建设，联想会有一个创投的智能生态，当我们遇到一些行业方面不太了解的事情时候，或者技术方面遇到壁垒的时候，就会借助联想创投生态，利用他们的能力为第三方提供服务。在工业互联网产业联盟里，我们可以积极的和各方一起合作，通过物联网、边缘计算、云大数据、人工智能技术，共同把工业互联网的大格局做好。

　　最后一部分介绍联想的实践，我们为某通讯器材制造集团，他应该是全球名列前茅的通讯器材的制造集团，我们来提供工业互联网平台的咨询与落地，我们将联想自身的实施经验和规划视角来为他量身定制，根据我们国家的工业互联网指导意见，为他构建一个整体性的工业互联网的发展路径，这是通过咨询的形式，将未来的发展规划固定下来，这样才能在硬件上、产线改造上、应用建设方面更有序的推进。这是一个汽车行业，我们给汽车厂商做的企业级的工业互联网平台，他是以销售为导向的，对于他来讲，可能生产质量或者效率优化的需求还比不上他现在多卖出去几台车，我们打通了他所有的数据源，形成一个统一的数据湖，去分析他汽车的客户受众，分析客户对他品牌的评价，看看他的营销方式哪些地方可以优化，我们实现了商业的360度的业务实时决策，以及汽车业主的灵活分析，以及后续在2.0或者二期的时候我们帮他做了车联网的规划以及实施。通过以客户为中心的数字化转型的建设，可以看到他的分析效率提升了40，分析的人力成本下降60%。这是石油炼化企业，我们帮他做的是装置工艺的优化业务，对石化企业来讲，数字化水平非常高了，他处于的阶段是一个两化深度融合的阶段，他的诉求是他需要借助于人工智能的技术，来发现以前那么多的物料，那么多操作的影响的参数，比如质量的数据，成本的数据，工业运营的数据，装置的数据，原料的数据，包括设备机械性能的数据，这些数据之间会有什么影响，最后导致我的效率会有怎样一个提升，这个项目还没有直接反馈到产线上进行自动化调整，我们目前觉得那一步还有一点步骤，我们现在做的是能够进行一些实时性将他的异常点分析出来，进行参数调整目标调优，进行预警和人为干预，下一步做到自动化闭环。目前操作异常检出率提升26%，关键点位异常检出率提高33%。

　　通过联想自身的实践，我们实现了一套的工业互联网平台，这里也有我们自己的特色和视角，我们也在积极吸收现在国家的指导性意见以及外界新的知识，我个人认为这是一个开放式的能力，在整个指导纲要下面，我们基于这个工业互联网平台的规范，我们能够将各种厂商的能力、各种技术的能力、各种行业的能力综合应用起来，能够实现未来工业互联网的蓬勃发展，谢谢大家！