換道超車的全球藥企

當今世界，飛機的整個開發過程都可以在數字環境中進行，在計算機輔助設計（CAD）軟件中設計，在虛擬飛行模擬器中測試，然后才會進入實際生產階段。試想，如果把同樣的模式套用到制藥行業會怎樣？

首席運營官可以模擬各種各樣的產品組合，置換不同的機器設備，或者通過模擬利用和日程安排來增強敏捷性、優化成本——這一切都利用軟件完成，可以在幾秒鐘內給出量化的答案。

聽起來像科幻小說？是，但也不是。

相關科技目前已問世，例如，預測分析、機器人流程自動化和各種基于人工智能的工具等，這一切都通過物聯網 （IoT） 技術實現了數字化連接。現實中，有的公司應用了某些解決方案和具體工具，但大多數仍然卡在試點階段，難以將數字化技術推廣到整個企業。

實際生產中，大規模部署這些數字化工具為什么如此困難？

因為若要洞悉數字化的全部潛力，除了遵循實用主義，還要具備遠見卓識;與此同時，在組織層面管理預期也必不可少，了解由此產生的影響將循序漸進地顯露出來，而不是在下一個預算周期一蹴而就;最后， 企業不能把數字化視作一系列獨立的工具，而應該將其視作一種變革手段，需要輔以人才和技術才能發揮作用。

避開“精益制造”的陷阱

精益制造領域曾出現過類似的情況。

精益制造法由豐田發明，是該公司著名的豐田生產體系的一部分。整個 20 世紀 80 年代和 90 年代，這套體系憑借極高的質量標準和較低的成本在汽車行業取得了巨大成功，大幅提高了豐田在全球市場的份額。

其他汽車廠商也紛紛嘗試精益制造，尤其是福特和通用汽車等美國企業。但它們的早期措施卻并不盡如人意，這與它們只嘗試部署單個的精益制造工具和流程， 卻沒有輔以恰當的組織元素密切相關。這種方法注定失敗，甚至比什么措施也不采取還要嚴重。這些廠商多年之后才意識到，想要利用精益制造取得成功，不光要采用新穎的技術工具和專業術語，還要徹底調整組織和管理體系，由此所產生的一連串影響，從管理層一直延伸到了生產車間。

與精益制造一樣，數字化和人工智能的價值不是把工具應用到現有的流程中，而是需要對整個組織展開全面轉型。現在很多制藥公司處在最初的實驗階段，在試點測試、小規模數字化項目和概念驗證實踐中徘徊。這些措施都存在局限性，無法產生領導者希望看到的規模效應，甚至有可能對未來的投資構成威脅。

未來何以不同

全面轉型的方法之所以很有必要，是因為未來的制藥方式將會發生五大根本性轉變（見圖表1）。整體而言，這些轉變將會促使制藥過程發生巨大變化，即對流程的改進比傳統方法將會提高了幾個數量級。

?○轉變一? 掌控產品和流程

先進的產品和流程掌控能力企業可以利用新技術更好地了解各種輸入參數（如機器設置、操作員培訓水平或原材料選擇等）將會如何影響產品質量和結果。

在實踐中，可以構建先進的分析模型，并在模型中使用化學、生產與控制（CMC）方面的歷史數據，從而判斷具體的變化所產生的影響。通過把輸出映射到輸入，企業便可主動優化所有的輸入，從而降低波動。

另外，若將這種對輸入參數的控制記錄下來，并提交給監管機構，企業便可擺脫測試的束縛，從而將產出時間減半。這顯然也能提高效率，因為多數質量保證和質量控制任務都將消失。

○轉變二 風險的實時預測

生產經理每天都會帶著一個簡單的問題開始一天的工作 ：我目前面臨的最大風險是什么？

圖表 1 數據使用方式發生了五大轉變

用分析模型來預測關鍵事件，就能回答這個問題。 風險可能在于偏差、質量問題、機器故障或者需求的大幅變動。制藥公司的運營主管可以利用大數據、內外指標和機器學習算法來更好地預測需求，并自動發現和降低供應風險。

○轉變三? 數字“孿生”模擬和優化

企業還可以為生產流程制作數字模擬，這樣既可以在具體的機器、實驗室或工廠層面，也可以在整個制造網絡層面進行。有了這些實時數字“孿生”模擬，就可以在采取實體資產中的相應步驟前，預測新增機器、調整計劃或改變團隊部署所產生的影響，從而主動掌控流程。

傳統方法是通過人工方法篩選歷史數據，從而確定趨勢通過這種方式。如今，可在沒有風險的情況下，精確而主動地為極其復雜的系統優化生產參數，與傳統方式相比，這種新方法在效率上具備顯著優勢。

那么，這和現有的規劃和調度方案有何區別？

實時數字模擬可以大幅提升速度和精度。針對開發周期或機器產出等因素，“模擬效果”取代了基本數據（多數企業的這類數據至今質量糟糕）。制造商可以使用基于人工智能的實時洞見來實現發展，不再局限于“封凍期”、節奏輪或起訂量等簡單的規則。

企業可以同時運行多個模擬，使之同時在多個維度上進行規劃，實現多層次規劃。這些都可以節約時間，降低對庫存緩沖的需要，從而保證企業能夠規劃并在后續展開更加有效的運營，并同時保持對客戶需求的關注。

○轉變四? 優化知識型工作

伴隨技術的進步，還出現了一些工具，可以自動完成和改進知識型工作和行政流程。例如，數字機器人可以自動處理供應規劃和調度等任務，或者使用自學算法來支持各種決策，組合利潤率優化或者糾正和預防措施。

具體到產品偏差，自然語言處理可以顯示哪里出現問題，以及具體的問題是什么，并將其編譯成一個帕累托圖或者其他類型的圖形。這些方案都能節約時間，其實主要針對白領員工，省時幅度不是區區 10%，而是高達 90% 乃至 100%。

○轉變五? 數字化運營輔助

制藥公司生產過程中的最大缺陷是人為錯誤。

從統計數據上看，由人類負責的任務準確度約為 92%。這不符合制藥行業的合規期望。因此，工廠車間的數字化程度越來越高，出現了很多新系統來支持執行日常任務的操作員，尤其針對那些高度重復的任務。

例如，增強現實眼鏡這樣的工具就可以向操作員展示完成具體流程的步驟清單或確認必要的措施已經完成，另外，此類工具還可以匯總和匯報數據，供分析模型使用。管理者還可以在平板電腦上使用一個控制面板，在上面看到實時的績效KPI、損耗、機器狀態和潛在的改進措施。如果出現問題，或可能出現問題，管理者就會收到警報。

案例：供應鏈數字化

供應鏈數字化創造了一項戰略性競爭優勢，可以把供應鏈組織從重點專注執行，升級為業務增長中心。

?○擴大規模的三部曲

比較普遍的做法是，先小規模地推出有針對性的措施，然后再推廣到整個組織。 我們發現這個流程分三個層面展開，生產率和敏捷性也會隨著項目范圍的擴大而提高。

在初始階段（經驗層面），變革的關鍵是推出影響重大但范圍有限的用例， 通常著眼于某個具體部門或流程，目標是積累經驗和產生動力。即便是在早期階段， 企業也能逐步看到運營效率、可靠性和敏捷度的提升。例如，根據最近的數字化工廠轉型例子，我們看到 ： 偏差減少幅度最高達 80%、實驗室生產率提升幅度最高達 60%、因為偏差而終止的次數減少幅度最高達 80%、包裝線的設備綜合效率 （OEE） 提升逾 40%、轉換時間減少逾 30% 。一旦企業獲得了一些基本經驗，就該轉向探索層面了。

在這個階段，應推出“燈塔”項目來展示某項技術的全部潛力，并將其作為企業的靈感和創新中心。范圍覆蓋整個生產場所，并且開始運用技術來顯示與競爭對手的差異。探索層面的典型成就包括規范性分析（而非描述性分析），在整個生產場所對數據進行全面標準化， 或者對該場所的所有操作員提供一套先進的數字化輔助措施。這個階段的關鍵是使用恰當的創造價值模型。企業的效率、質量和靈活性指標有望多提高 50%。

最后，企業可以進階到展望層面。

在這個階段，數字化將推向整個價值鏈。屆時，企業已經擁有預測型機器學習模型，可以主動提出優化措施。數據透明且易于獲取，包括安全的端對端電子驗證。很多任務都不再存在了（比如測試），而監管和技術變化都已進行模擬且得到認可。先進的數字化輔助工具將部署到所有生產場所（包括供應商和客戶的生產現場）。在展望層面，企業可以在關鍵運營指標上實現 100% 的增長。

○打造成功要素

很多企業沒有完成數字化轉型的原因是過于關注工具和應用，但它不足以構建合適的內部基礎，只有當企業的各種條件到位時，才能真正實現革命性的系統變化。為了達到這個目標，管理團隊應該關注幾個關鍵成功要素。

首先，通過投資獲得能力并對組織進行調整。數字化會改變工作的完成方式，減少一些崗位的需求，但也會為其他崗位創造新需求。企業已經在激烈爭奪具備這些技能的人才，舉措包括推出內部能力培養項目， 與高校合作，改革學位和認證課程。另外，企業也在調整組織結構，以部署數字化生產——例如，將運營職能與 IT 結合起來組建跨職能團隊。

其次，企業需要通過一個覆蓋整個價值鏈的綜合項目，主動展開強有力的變革管理。由于這項轉型會對中層人員和白領勞動者中的專家產生極大影響。所以，變革管理的開端源自先講一個變革故事，制定一份戰略性資源規劃，啟動一個再培訓項目以構建新的跨職能團隊。這些措施都可以消除這種不適，并確保整個項目在正軌上。

再次，IT 架構開發重置。企業應該建起一個共同的平臺，連接所有數據來源，例如使用數據湖實現這種連接級別要花費 3 至 6 個月時間，也被稱 IT 基礎架構的“敏捷開發”——顯然是一種思維轉變。

最后，需要打破預算周期思維。數字化擁有巨大潛力，但卻可能無法按照可預測的時間表實現利潤，這導致其難以列入預算周期。領導者需要幫助他們的團隊把“預算緊縮”項目與實現數字化未來狀態所需的投資區分開來。

制藥行業的數字化制造不是遙遠的幻想，它正在逐漸成為行業的新現實。

本文節選自《破繭成蝶：中國醫藥企業轉型之路》，標題為編者所加，章節略有刪減;Axel Baur（鮑爾亞）、 Franck Le Deu（樂誠鐸）、 周高波、侯蕾主編，麥肯錫咨詢公司授權刊載。