裝備制造企業的數據驅動創新

黃 音

(中南林業科技大學物流與交通學院,湖南 長沙 410004)

0 引言

互聯網+時代，無論是處于轉型升級階段的傳統企業，還是基于新一代信息技術的新興企業，都必須從頂層設計開始，構建數據戰略，并打造推動企業不斷發展的數據飛輪。所謂數據飛輪是指能夠利用客戶行為數據為第三方開發出增值服務，能持續地、免費地為客戶提供更多服務；而更多的服務將產生更多的客戶行為數據，利用這些新產生的數據又能為第三方提供新的增值服務，這個正向反饋的循環，如同巨大的數據飛輪，產生飛輪效應[1]。傳統的管理模式一直圍繞的主題是“職能驅動轉為流程驅動”，隨著互聯網+時代的到來和大數據技術的不斷發展，數據驅動已逐漸替代了傳統的驅動方式，成為中國企業發展的新方向。因此，在互聯網+時代如何通過數據驅動成就商業模式的創新就成為具有現實意義的問題。

依據數據類型的不同，將數據驅動創新分為四類：①價值數據驅動創新，數據主要包括客戶反饋數據，新產品/新服務模式的研發及改進數據，其主要創新對象為產品或服務；②關系數據驅動創新，數據主要包括全渠道營銷和品牌管理數據，其主要創新對象為渠道；③平臺數據驅動創新，數據主要包括企業的生產平臺數據(例如眾包、眾籌等相關數據)、合作伙伴平臺數據(例如供應商合作伙伴、技術合作伙伴等)，其主要創新對象為支持生產的基礎設施(包括網絡平臺)；④盈利模式驅動創新，數據主要包括交易渠道/方式、付賬方式、盈利方式等，其主要創新對象為企業獲取收入的來源與方式，以及交易付款方式等[1]。數據驅動創新的主要流程如圖1所示。

圖1 數據驅動創新的主要流程

本文對不同裝備制造企業數據驅動的類型和特點進行分析，并對其數據驅動的規律及應用范圍進行深入探討。同時基于多案例研究，運用數據飛輪的原理和規律，為不同裝備制造企業的創新模式提供指導，分析數據驅動型裝備制造企業創新模式的演化與發展趨勢。

由于當前數據驅動的創新模式在實踐中運用較少，飛輪效應在企業創新實踐中的運行規律尚不清晰，采取統計抽樣的方法很難獲取樣本，很難對數據驅動創新的動態演化過程進行準確描述，也很難對飛輪效應原理和規律在企業實踐中的具體運用予以詳細描述。相比之下，案例研究更適合數據驅動創新的研究對象和研究目的。為了更加深入地揭示裝備制造企業數據驅動創新的演化過程及運行規律，選擇多案例研究作為研究方法，在有效性方面具有較強的優勢[2]。

1 文獻綜述

互聯網+時代，創新型的商業模式是以滿足客戶個性化需求為導向，以大數據為核心資源，以互聯網為基礎平臺，完成價值創造與傳遞的核心邏輯[3]。Kusiak 提出了一種基于數據驅動的產品創新方法，分析了該產品創新方法的基本流程及開發模式[4]。Chien等對筆記本電腦的形象設計進行實證研究，以挖掘客戶經驗產品設計的數據驅動型創新模式為例，對以筆記本電腦為代表的電子產品數據驅動創新模式進行分析[5]。陳以增等提出了數據驅動下顧客參與產品開發模式及其關鍵實施流程，分析了產品開發模式的演化路徑，構建了數據驅動下顧客參與的產品開發模式三階段實施流程[6]。周文輝等基于價值共創的理論視角，采用案例研究方法，揭示了互聯網+時代，基于數據驅動的大規模定制演化的誘因、過程與結果[7]。陳凌峰等運用實證研究分析表明，互聯網+時代，基于數據驅動的供應商學習對大規模定制能力建設的作用遠超過客戶學習的作用[8]。以上研究中的數據驅動創新主要以價值數據驅動及關系數據驅動創新為主，主要聚焦于產品研發、設計及渠道營銷，對于平臺數據和盈利模式驅動創新的研究尚少，尚未發現對四種數據驅動創新的綜合性研究。當前研究多以信息產業為研究對象，對于制造產業如裝備制造企業缺乏學術關懷，其創新模式多聚焦于產品研發，對產品和服務模式創新的綜合研究尚不多見。

2 研究設計

2.1 變量定義

本研究通過如下變量對不同裝備制造企業數據驅動的類型、特點、規律及應用范圍進行深入探討。

(1)數據驅動創新。評估一個企業是否為數據驅動創新型企業有以下三種方式：①企業產生的數據量；②使用數據的程度和有效性；③內化數據的過程。其中②是評估的關鍵。數據驅動創新在新興產業如信息產業中較為常見，如小米手機、戴爾電腦等，其數據驅動的創新決策已基本替代傳統的組織層級決策，所有創新實踐已逐漸由數據驅動完成。

(2)數據飛輪。數據飛輪即企業在創新演化的各個環節都有數據支撐，而判斷一個企業是否形成了數據飛輪，主要是看企業在創新演化的進程中，每個基本模塊是否都有數據支持。數據飛輪的動力源可能是一個，也可能是多個。依據數據類型及數據驅動創新的類型，將企業運行的基本模塊劃分為產品/服務、渠道、基礎設施及盈利模式四塊：在產品/服務模塊，主要是“價值數據飛輪”；在渠道模塊，主要是“關系數據飛輪”；在基礎設施模塊，主要是“平臺數據飛輪”；在盈利模塊，主要是“盈利模式飛輪”[9]。

(3)飛輪效應。不同企業在數據驅動創新演化過程中表現方式、特點、規律及應用范圍各不相同，四個數據飛輪在創新演化過程中發揮作用的特征及影響程度也各不相同。依據飛輪效應的四個基本規律，即原點定律(數據驅動創新模式的起點與演化)、阻力定律(數據飛輪運轉的阻礙因素)、加速定律(企業數據飛輪效應的加速度=(企業動力-企業阻力)/非數據化業務規模)與慣性定律(實現企業大數據的自動巡航)[1]，對不同數據驅動型裝備制造企業創新演化的表現方式、特點、規律及應用范圍進行分析。

2.2 研究方法

由于從數據驅動的角度，研究企業創新的文獻尚不多見，已有研究及案例中也缺乏對裝備制造企業數據驅動創新的完整描述，因此無法從現有文獻和訪談中直接獲取研究所需的案例。依據多案例研究方法[2]，通過資料收集獲得零散的裝備制造企業數據驅動創新的片段，然后依據互聯網+時代的特點及數據驅動創新的表現方式及規律進行篩選和拼接而成。針對每一個拼接得到的案例(見表1)，均包含兩個以上不同的數據來源，包括學術論文、專著、公司網站、行業資訊等，獲取與該案例相關的信息，并通過各種大數據峰會、機械信息化、裝備制造等會議聽取案例企業的報告，并搜集案例資料，以確保案例的真實性，因此案例的質量可以得到保證。研究盡可能多地采集更典型的裝備制造企業案例，以滿足研究所需。中國裝備制造企業中數據驅動創新的成功案例較少，然而這種數量上的缺乏也更加突顯了數據驅動創新研究的重要性。如果數據驅動是裝備制造企業創新的重要源泉，數據驅動創新是裝備制造企業的重要創新模式，那么裝備制造企業及其他制造企業就應該有目的地將數據驅動及其創新模式作為其創新引導，并從中得到經驗、借鑒與指導，以盡快實現裝備制造企業信息化與工業化“兩化融合”的進程。

2.3 案例介紹

案例研究所需的案例一般以4～10個為宜，案例選取需要具有較大的典型性，同時要具有獨特的研究和現實意義[10]。當前數據驅動創新的案例多以國外企業為例，如戴爾電腦，或是以電子產品(如小米手機)等信息企業為研究對象。對于中國制造企業，尤其是裝備制造企業鮮有涉及。然而，在供給側改革背景之下，像裝備制造企業這種迫切需要轉型的制造企業才是互聯網+時代急需尋求創新突破的行業焦點。

通過相關文獻的整理分析，查閱相關企業資料，并結合對裝備制造、大數據技術及技術創新等領域專家的訪談，選擇表1中的五個典型案例作為研究對象。案例選擇主要基于三個標準：第一，鑒于案例的可獲得性，研究以通用類裝備和基礎類裝備作為主，這類裝備制造企業主要生產工程機械、農業裝備、專用車輛、機床、工裝等設備，生產的裝備在工業、農業等領域運用廣泛；第二，涉及的裝備制造企業盡量涵蓋知名、典型企業(如三一重工、徐工集團等)，以提高研究案例的代表性和典型性；第三，盡可能選擇當前學術研究中鮮有涉及的創新模式進行研究，以提高研究的創新性，填補裝備制造企業創新及數據驅動創新中案例研究的不足。

表1 典型案例描述

3 中國裝備制造企業數據驅動創新分析

通過對案例進行歸納、整理、分析，發現一些裝備制造企業也在相當程度上遵循數據驅動的創新模式，但在多個方面均表現出與已有研究中信息產業案例不同的特點。

3.1 范圍、主體與類型

(1)發生范圍。幾乎所有成功的信息化產品都是數據驅動創新的結果，許多成功的信息企業就是圍繞數據驅動創新組織生產的，例如小米、聯想、戴爾等，這與數據驅動創新的信息化手段高度相關。但數據驅動創新只是裝備制造企業重要的創新模式之一，目前也只有少數裝備制造企業開始實行數據驅動創新，且以通用類裝備和基礎類裝備為主。這主要是由于這類裝備制造企業存在大量的定制化設計、定制化采購模式、定制化裝配工作、定制化生產組織，以及裝備制造過程的生產計劃、技術工藝等流程息息相關。這些生產工藝流程極其復雜，其產生的數據也是海量、復雜、多源且多維。這些數據本身具有自己獨特的工程機理，對數據數量、質量的要求也各不相同，這一方面促使這些裝備制造企業開啟數據驅動創新模式，另一方面也加大了裝備制造企業數據驅動創新模式的實施難度。

(2)參與創新的主體。與信息企業不同的是，裝備制造企業數據驅動創新的主體不僅限于企業本身，更多的是與合作伙伴一同參與創新。例如，三一重工與中國移動就“三一工程機械設備智能服務系統”項目開展合作，探索建立基于物聯網技術的“M2M遠程數據采集與監控平臺”，并將這一平臺實現規模化、商業化應用，建成了中國首家工程機械物聯網企業控制中心。徐工集團與阿里云共同搭建云管端一體化的解決方案，并共同搭建了徐工工業云，共同開發具有公有云和私有云的整體服務模式。徐工集團更是嘗試“云上眾包眾籌眾創”，進一步通過推進工業云平臺建設和開放共享，通過不斷開放覆蓋研發、生產、供應鏈及銷售服務平臺的制造與產品大數據，通過第三方企業、科研機構及社會開發者直接參與的開放式創新模式，實現國際領先的工業互聯網技術眾籌，以及全球范圍內的大眾創新模式。裝備制造企業與第三方企業、科研機構及社會開發者合作的過程實質上是一個數據分享的過程，同時也是一種知識的眾籌過程。在數據創新過程，以三一重工和徐工集團為代表的裝備制造企業扮演著數據分享者的角色，第三方企業、科研機構及社會開發者扮演著服務匹配者的角色，雙方共同進行數據挖掘，并最終實現裝備制造企業的數據驅動創新。

(3)創新類型。信息企業的數據驅動創新多以自主研發為主，開發的大多是“數據的產品”。而裝備制造企業采用的數據驅動創新包括兩種類型：一種是裝備制造企業提供創意和技術，大學/專業技術型企業承接、利用裝備制造企業的創意和技術，并進一步實現商業化應用。表1中的高圣就是如此。高圣所生產的帶鋸機床產品主要用于對金屬物料的粗加工切削，并為精加工做準備。高圣在生產實踐中發現帶鋸壽命的管理具有很大的不確定性，工件材料、工件形狀、加工參數、潤滑情況等都會對帶鋸的磨耗速度產生影響，因此很難預測帶鋸的使用壽命，從而影響切削質量。基于工況狀態數據，高圣創新性地提出了“自省性”智能化升級，并將這一創意提供給專業技術型企業，開發了為客戶提供定制化機床健康與生產力管理服務的智慧云服務平臺。另一種是裝備制造企業提供數據，大學/專業技術型企業承接裝備制造企業的數據來開發產品和服務，進而實現商業應用，三一重工與清華大學合作研制的裝備工況大數據平臺就屬于這種類型。裝備制造企業提供的往往是“產品的數據”，但表1中的裝備制造企業也開始逐漸從大數據技術的引進、吸收與轉化，過渡到大數據技術的創新與發展，將“產品的數據”逐漸轉化為“數據的產品”。例如，高圣生產的智慧帶鋸機床和“自省性”升級系統就被認為是智能裝備中“數據產品”的杰出典范，而廣受青睞。

3.2 數據驅動關系

裝備制造企業接力創新生態系統中的主要數據驅動關系與信息企業具有一定的相似度，但也存在較大差異。

首先，金融支撐在裝備制造企業的數據驅動創新過程中不像信息企業那樣漫長復雜，裝備制造企業大多依靠企業本身的資金完成整個創新過程，例如三一重工；也有少數依靠自身資金與政府財政，例如福田雷沃重工與國家農業部的合作；或者以企業本身的資金為主，政府財政、風險投資、資本市場等為輔,這與裝備制造企業本身資金較為雄厚有關。

其次，裝備制造企業多為離散型制造，且多為混線生產，任務節點要求嚴苛，生產過程更為復雜，數據驅動創新環節也更多，相對信息企業來說，數據驅動的過程也更為復雜。往往需要借助專業性企業或科研機構的技術與信息化平臺，其驅動的過程也與數據驅動創新的信息化技術手段與信息化平臺息息相關。數據驅動創新所需的大數據技術、互聯網+平臺均是以信息化手段為依托的，信息企業在這方面具有得天獨厚的優勢。而裝備制造企業在數據創新過程中，作為創新的核心企業，與專業性企業、科研機構在創新過程中為共同打造一個數據驅動產品/服務，甚至一個數據驅動平臺而努力，從而形成典型的基于數據驅動平臺的共生式發展模式。

最后，相較于信息企業的數據驅動創新，裝備制造企業的數據驅動創新雖然起步較晚，但發展很快，在效益提升方面也成效顯著。以三一重工為例，2015年三一重工營收已從2011年的507.7億元跌至233.6億元人民幣。2016年，三一重工通過深度剖析小米等企業，并結合公司內部業務，在低潮中積極推動數據驅動創新。一年時間里，三一重工有多個拳頭產品，例如混凝土機械、挖掘機等，都躍居全國銷量冠軍。

3.3 數據飛輪與飛輪效應

客戶、產品/核心服務、合作伙伴、盈利模式等在數據驅動創新中都有可能扮演著飛輪起點的作用。依據飛輪效應的原點定律，以價值鏈中某一優勢模塊為中心，統籌其他一個或多個模塊。裝備制造企業的創新原點可分為兩類：一是以價值鏈中的客戶為中心，拓展新的盈利模式。例如，三一重工的全球客戶門戶系統能夠提供十分詳盡的客戶信息，包括客戶使用設備的狀態、位置、工作時長等。設備一旦出現異常，客戶將第一時間得到全球客戶門戶系統提供的警報與維修服務。設備回傳的數據除了能讓企業和客戶了解設備工況，并根據情況給用戶發送預防性維護的通知，主動為用戶提供預防性維護建議，觸發主動服務，還能拓展新的盈利模式。三一重工依據全球客戶門戶系統每月提供的開工率及作業時間的監測數據，運用大數據挖掘技術對每種產品的關聯行業進行關聯分析，以為企業確定投資目標提供決策支持。負責數據分析的市場計劃部副部長賀前龍表示，設備作業時間可以印證(我們)在某個下游行業的投資是否已經產生效益。設備作業時間作為一個先行性指標，直接反映經濟是處于底部還是有所回升，從而幫助企業開拓新的投資市場。二是以價值鏈中的產品為中心，開展平臺數據驅動創新，例如福田雷沃重工。福田雷沃重工針對全國夏糧的不同特點，設計了25萬臺雷沃谷神系列收割機。2013年，福田雷沃重工依托現代農業化社會服務組織——農機合作社這一基礎平臺，通過雷沃谷神系列收割機，搭建引導農民進行土地流轉集中，“耕種管收運”全程機械化作業的規模化雷沃示范農場。在農場里，開展以土地流轉經營、托管經營、農機作業服務租賃為主的經營模式[11]。

阻力定律被用于分析裝備制造企業中飛輪運轉的阻礙因素。裝備制造企業屬于傳統制造企業，信息化是其變革的關鍵所在。這種變革也促使裝備制造企業不斷推進服務型制造的進程，由傳統裝備制造向服務研發裝備制造業轉變。在這一進程中，互聯網相關的技術和平臺都是傳統裝備制造企業成功轉型必要的轉型工具和手段。例如，中聯重科通過自建電商平臺、獨立開發設備應用APP、搭建營銷服務大數據平臺，并逐步實現設備管理與客戶管理、銷售服務相關業務、全產業價值鏈的互聯網化。然而，這種平臺大數據的采集和兼容又成為裝備制造企業數據驅動的主要障礙。由于裝備制造企業的數據復雜多源。針對這些復雜的數據，裝備制造企業需要綜合運用從數據采集、數據統一描述、數據預處理到可靠性存儲的一整套數據融合核心技術，即采用基于統一元數據的異構數據進行統一描述，真正實現不同形態、類型數據，以及不同軟件、語言及程序的元數據集成，以實現裝備制造企業的全局共享，這也是裝備制造企業實現數據驅動創新的關鍵步驟。

依據飛輪效應的加速定律，裝備制造企業的動力主要來自兩個方面，一是市場需求，二是社會需求。鑒于裝備制造企業本身的工程特性，裝備制造企業的市場需求往往植根于工程難題，這也是數據驅動型裝備制造企業區別于傳統裝備制造企業的主要特點。數據飛輪的飛速運轉不僅滿足了市場需求，更解決了學界與業界的許多工程難題，這些工程難題的解決也推動了中國裝備制造業的發展進程。三一重工曾有一批泵車出現液壓系統故障的異常情況。液壓系統是工程機械領域的核心系統之一，導致故障的原因多種多樣，如何發現設備故障的深層次原因一直是一個工程難題。三一重工在大數據分析搜集到的工況大數據的基礎之上，通過引入近年來高鐵建設數據和行政區劃數據，發現故障均發生在2012—2013年在建重大工程“杭深鐵路”的沿線，可見其故障發生與“杭深高鐵”建設工程息息相關。運用大數據技術進行深度挖掘，發現沿海地區的鹽霧環境和水質導致油缸密封體腐蝕，這是導致其液壓系統故障的根本原因[11-12]。

社會需求是數據驅動型裝備制造企業與其他數據驅動型企業在數據飛輪運行過程中的主要區別之一，這也與裝備制造企業在農業、工業等領域的廣泛運用息息相關。以福田雷沃重工為例，該企業與國家農業部合作建立全國“三夏”跨區作業信息服務中心，并搭建了農機跨區作業信息服務網和“雷沃示范農場”平臺。通過服務網和平臺，引導農民進行土地流轉集中，將農機社會化服務組織與農場生產組織形式深度融合，解決了“誰來種地”的農村社會問題。從一定程度上整合了農村社會資源，滿足了農村特定的社會需求，實現了農村一定程度的社會協同。

慣性定律被用于分析數據驅動型裝備制造企業的發展過程。在這個過程中，可以看到數據飛輪是如何一圈接著一圈運轉，并通過數據驅動的決策來提高裝備制造企業的競爭力。典型代表就是福田雷沃重工，它是中國最大的農業裝備生產企業。該企業自2006年起，與國家農業部合作建立全國“三夏”跨區作業信息服務中心，該中心承擔著全國“三夏”跨區作業信息服務和調度職能。福田雷沃重工依據夏糧作物成熟規律，將全國夏糧主產區劃分為“一橫二縱三片區”，并針對不同片區的特點，設計、投入收割機25萬臺、服務工程車2768輛、服務工程師5972名，形成了產品與服務創新的價值數據飛輪。并基于此，搭建了農機跨區作業信息服務網和“雷沃示范農場”平臺，形成了平臺數據飛輪。通過服務網和平臺，引導農民進行土地流轉集中，以農機合作社為基礎平臺搭建起規模化經營的農場，開辟出一條建設新型農業經營體系的新模式，也開拓出了新的關系數據飛輪。在農機合作社的基礎上，以經濟手段吸引和引導農民加入其服務網和平臺，最后形成了以土地流轉經營、托管經營、農機作業服務租賃為主的經營模式，從而開拓出了新的盈利模式飛輪[11-12]。這從另一個側面反映了數據驅動型裝備制造企業數據飛輪的產生、發展、演變過程，也反映了裝備制造企業數據驅動創新的演化過程。在這一過程中，福田雷沃重工通過大數據自動巡航體系，在數據飛輪運行的各個階段及供應鏈管理的各個環節設置數據探頭，用來感知企業內外部數據的變化情況，通過實時探知企業內外部的動力和阻力，對企業的生產/服務型決策進行適時調整，確保數據飛輪的穩定、可持續運轉。

4 數據驅動型裝備制造企業創新模式的演化與發展趨勢

新一代裝備制造企業中數據飛輪的形成，及其表現出的與信息企業等新興企業不同的特征，預示著其新的創新模式演化與發展趨勢。

4.1 數據飛輪為創新演化過程提供“數據驅動決策”

互聯網+時代，數據驅動型裝備制造企業的轉型和發展宛如一輛正在行駛的汽車，研究所描述的四種數據飛輪如同汽車的四個輪子，促使企業不斷改進企業策略，加快企業的更新迭代。當前裝備制造企業中，數據驅動型裝備制造企業不多。要實現裝備制造企業真正的革新與蛻變，促使傳統環境下的“組織層級決策”完全轉型為“數據驅動決策”，就必須實現企業的“四輪數據驅動”。在這一進程中，四種數據飛輪扮演著不同的角色，提供四種不同類型的驅動決策。新一代裝備制造企業中的數據飛輪，在數據驅動型裝備制造企業創新模式演化與發展中展現著不同的特點，四種不同的數據飛輪為創新演化過程提供四種不同的決策支持，即競爭型決策、生產/服務型決策、判斷型決策以及開拓型決策。四種飛輪提供的四種數據驅動決策的產生與發展過程如圖2所示。

4.2 服務型制造與制造即服務的融合發展

服務型制造是基于制造的服務和面向服務的制造，是通過產品和服務的融合、合作伙伴和客戶的全程參與、企業相互提供生產性服務和服務型生產，實現分散化制造資源的整合和協調，從而達到更為高效的創新。其主要模式有二：①數據驅動的制造+服務延伸。運用大數據預測技術進行市場需求預測，實現業務服務化延伸，在制造并銷售的同時提供多種技術服務。表1中的所有企業都已實現數據驅動的制造+服務延伸。通過大數據的實時監控與設備故障預測功能，為客戶提供全程技術服務。②數據驅動的制造+服務融合。大數據技術的運用實現了具備關聯的海量數據的存儲，促進了新的知識與技能的產生，也推動了研發模式和技術創新。表1中的所有企業都已實現數據驅動的制造+服務融合。通過基于大數據的技術創新，從低技術資源消耗型企業升級為高技術創新型企業，從生產型向技術創新型轉型[13]。

圖2 數據驅動決策的產生與發展

表1中所有數據驅動型裝備制造企業都將重心已開始由裝備產品制造轉移到修理(包括維護、維修和大修)及主要相關核心配套業務。數據驅動型裝備制造企業通過大數據技術，對不同形式的數據進行收集和整理，發現潛在的規律與問題，并對客戶行為、設備狀態和企業運營提供科學預測，以做出更為優化決策。這不僅僅改善了企業的運營決策，也創立了一種新的決策模式——數據驅動的決策，并逐步替代組織層級決策，構建了一個典型的數據生態圈。在數據生態圈中，精確的數據配合精準的智能生產控制系統和實時監測網絡，就可以把產品變成服務。例如，裝備制造企業與客戶簽訂一個服務合同，根據客戶對裝備的實際需求，按需提供租賃服務。福田雷沃重工更是基于制造即服務的模式，開發出一個以數據為核心的服務生態圈，即數字生態圈。在數據生態圈中，數據支持的產品即是服務。

4.3 從被動服務向主動服務轉型

數據驅動型裝備制造企業可以通過智能傳感器，采集產品運行情況的數據，并根據情況發出預防性維護的通知，主動為客戶提供預防性維護建議。而這些建議往往能夠在故障發生的第一時間發出“指令”，更早地提供主動服務，獲得市場先機。表1中的所有企業都已實現從被動服務向主動服務轉型。當前裝備制造企業的核心業務是裝備制造、修理(包括維護、維修和大修)及主要相關核心配套業務。數據驅動創新為這三大核心業務提供三大決策支持。一為產品結構分析，通過基于大數據分析的研發模式，可以發現哪種型號的產品更受歡迎，對于基于市場定位的產品研發具有較強的參考價值。二為預測設備故障。在設備出現故障征兆時提前進行維護。通過故障設備的事先預測，為客戶提供故障預警和事前維修服務，從而提高提高服務質量，大大減少客戶的流失。三為預測配件需求。基于數據驅動創新，運用大數據技術，通過設備運行狀況研究設備與配件、配件與配件消耗之間的關聯，建立需求預測模型，在吸引新客戶，開發新市場的同時，可以大大降低裝備制造企業的生產成本。

4.4 從傳統制造系統向服務生態系統轉型

現代裝備制造系統的技術、材料變得日益復雜，裝備制造企業各種業務的利潤空間競爭激烈。這也促使裝備制造企業不斷“裂變”專業優勢，通過業務流程再造，面向其他行業提供社會化、專業化服務發展的新模式，構筑新的服務生態系統，實現從傳統制造系統向服務生態系統的轉型。福田雷沃重工就是其中的典型代表，它與農業部合作，打造農業裝備—示范農場—新型農業經營體系三位一體的服務生態系統。

4.5 從精益工廠到智能工廠的轉型

在相當長的一段時間，裝備制造企業推行的精益制造在生產過程管理和設備使用維護方面都具有嚴格的執行規范，并且在生產流程監控和質量管理方面使用了大量的統計分析工具，確保在質量發生偏差時能夠及時予以糾正。但精益制造推行到一定程度之后，許多裝備制造企業發現精益制造所帶來的提升空間日趨縮小，特別是一些設備的停機和產品的質量問題無法得到持續改進。這也觸發了大規模應用在線預測分析工具——大數據技術的產生，促進了數據驅動創新的發展，將傳統的靜態六西格瑪管理模型改進為動態的大數據預測模型。精益工廠逐漸向智能工廠轉型，最典型的代表是以高圣為代表的自省性生產系統的產生與發展。高圣在實現鋸機床“自省性”智能化升級，將機床采集的狀態數據傳至智慧云服務平臺進行分析。每一個機床的運行狀態參數都被定量化和透明化。客戶可以通過這個平臺管理自己的生產計劃，并根據生產任務的不同要求匹配合適的機床和帶鋸，使機床和帶鋸的質量可以進行定量化和透明化的管理。

4.6 數據驅動傳統裝備制造企業向互聯網+工業轉型

從以上案例中，不難發現，互聯網+工業至少有三個不可或缺的條件。一是網絡信息化平臺，即將研發、生產、物流、銷售緊密銜接，實現以滿足個性化、專業化需求為導向的全價值協同供應鏈。二是智能工廠，將人與人、人與機器、機器與機器、機器與服務、服務與服務、服務與人、聯系起來，實現縱向、橫向和端對端的高度集成，為客戶提供高品質的定制化產品和服務。三是自主創新，不僅限于產品和技術，還包括業態和管理等多層面的創新。沒有自主創新技術支撐的裝備制造企業轉型，沒有核心技術支持的裝備制造產業變革終將是曇花一現，而這三個條件的核心就是數據。數據將三個條件有機聯系起來，并形成數據飛輪，互相融合，互相促進，共同發展。表1中的數據驅動型裝備制造企業都在逐步推進互聯網+工業的轉型。通過大數據技術，將所有客戶需求轉變為數據模型。通過數據驅動創新，制造數據化的產品，在數據化平臺的支撐下，實現網絡研發、生產、物流、銷售的全過程協同。因此，數據驅動才是互聯網+工業的根本所在。

雖然裝備制造企業的數據驅動創新具有其獨特的演化特征和運行軌跡，但與信息企業的數據驅動創新在數據驅動的類型、特點、驅動關系、規律及應用范圍上仍具有一定的共性。這預示著裝備制造企業的數據驅動創新擁有與信息企業一樣的活力和創造力，其創新潛力也有待進一步發掘，也為供給側改革背景下其他制造企業的創新提供了借鑒與參考。