傳統科研企業數字化轉型實施路徑探討

謝興勇，譚 飛，黃啟益

（攀鋼集團攀枝花鋼鐵研究院有限公司，四川 攀枝花 617000）

0 引 言

隨著新一代信息技術的迅速發展和落地應用，數據成為企業重要生產要素之一。“數字產業化、產業數字化”，推動數字經濟與實體經濟的深度融合發展，優化產業結構，改造升級傳統產業，培育新興產業，支撐經濟高質量發展，是以習近平同志為核心的黨中央作出的重大決策。

參考中國科學院相關研究文獻，全球科研信息化即將進入“一體化階段（數字化）”，科研對象、過程等與信息化方法技術等融為一體，所有創新主體，必須參與全球科研競爭與協作的大環境，創新方法、創新對象、創新模式等方面也將高度依賴物聯網、移動互聯網、大容量寬帶通信、大數據、智能計算等技術工具和協同環境。大數據驅動科研范式變革，科學研究呈現出數據密集和數據驅動的特點，開放創新、集成創新成為科研新的發展趨勢，多主體、跨空間、泛資源協作模式成為企業創新重要形態。面對越來越強的市場競爭壓力，以及新冠肺炎疫情的影響，企業迫切利用數字化轉型優化管理和業務運營，打通產品設計、生產規劃、工藝過程、生產實施和技術服務在內的整個產品生命周期的數據流，縮短產品開發周期，降本增效，更快速地響應市場，構建更好的質量管理體系。

1 傳統科研企業在數字化轉型過程中面臨的挑戰

1.1 信息系統缺乏整體規劃，無法滿足企業發展戰略需求

IT 人員接受行政指令性任務，根據管理和科研需要，進行“煙囪式”系統開發，開發周期長，建成時間跨度大，系統開發語言多種多樣，版本不一，隨著業務應用不斷增加，系統之間的交互和協同越來越差，甚至有的系統無法進行交互，系統維護困難，存在信息孤島。信息系統建設缺乏立項和變更流程，部分信息系統建成后不符合業務實際情況，或者業務變化頻繁，造成系統可操作性差、數據量極小，線上線下同時運行，甚至有的系統都沒有投入正式運行，造成IT 資源和人力資源浪費。

1.2 沒有實現數據打通和數據集成，缺乏數據標準，存在數據可信問題

科研人員在科研活動中，進行理論計算、制訂試驗方案、開展實驗室試驗或者現場試驗產生的各種數據，一部分通過信息系統進行記錄，但缺乏相關標準和規范。此外，還有手工記錄和處理的試驗數據，設備產生的原始數據、從生產線的管理系統中獲得的現場數據、仿真計算數據等都沒有進入內部信息系統進行管理。從管理數據方面來看，企業戰略規劃、人員績效、詳細研發進度、各類技術開發等宏觀數據，往往沒有結構化、規范化。由于這些原因，從各個信息系統獲取的數據在準確性、及時性、完整性、相關性上都不同程度存在問題，并且有的數據之間還存在數據孤島，數據的質量難以得到保證，無法應用于科技研發，也不能支撐管理層或者決策層的統計需求和大數據應用。

1.3 平臺對業務支撐能力不足，協同性差，制約研發效率和管理效率

科研人員采用傳統的“試錯法”來確定產品工藝性能參數，需要不斷開展實驗室或者現場試驗，再通過檢測試驗結果，來確定工藝參數，運用這種方式產品和工藝研制周期長，試驗成本高，且可能存在一定安全風險。在這個過程中，科研團隊內部協同、科研資源的獲取、科研數據處理都嚴重依賴信息系統處理效率，而存在孤島的系統，往往需要科研人員在多個系統之間重復錄入，多次向管理人員提供相關匯報材料。在產品研發過程中，缺乏動態的市場和技術等情報信息支撐，對于需求規模、同類產品等了解不夠，往往因生產成本較高、質量問題造成轉化率較低。同樣，因為缺乏相關信息系統支持，對外協作困難，外部資源利用少，設備和技術人員的知識共享往往局限于企業內部或者集團內部。管理人員對科研項目進展、成本、風險、質量等方面的情況掌握困難，需要花費大量精力在內部溝通、協調等，決策層提供的相關統計數據，對項目服務能力不足。

1.4 企業知識難以有效傳承

作為科研企業最重要的智力資產，大量科研數據和文檔隨著科研人員退休、離職、調動和設備的更換、損壞而消失，并沒有得到完整、有效的收集；科技研發過程中研發人員很多寶貴的經驗，并沒有得到顯性化，因此也無法收集和應用。由于相關數據和知識的規范化程度低、缺乏內容審核機制、缺乏知識共享機制等一系列問題，造成知識利用困難。

1.5 數字化人才在質量和數量上都嚴重缺乏

由于外部市場IT 人才薪酬水平遠遠高于企業現有人員水平，人才流失嚴重，人才引進困難，造成開發運維團隊規模越來越小。隨著業務應用不斷增加，開發運維人員疲于對各種應用“打補丁”，沒有精力系統性思考企業數字化轉型問題，反過來，由于信息系統方面存在支撐不足、體驗差等各種問題，造成科研及管理人員對IT 團隊觀感不佳，IT 團隊獲得資源的難度更大，無法對平臺進行有效提升，形成惡性循環。

2 數字化轉型實施路徑與策略

2.1 明確企業戰略目標，構建數字化轉型頂層藍圖規劃

2.1.1 基于調研分析現狀和識別能力差距，制定企業數字化轉型的藍圖規劃

參考“企業數字化成熟度模型”，企業數字化轉型應包含5 個關鍵過程，19 個一級指標和63 個二級指標，從數字化頂層設計、生態布局和賦能體系的建立和應用集成，逐步完成數字化轉型過程。

根據企業業務的現狀、需求和愿景目標，從戰略解決、業務變革轉型兩個方面進行戰略和業務流分析，結合在科研項目、分析檢測、實驗設備、人財物等各個業務領域的應用情況，識別對數字化轉型目標的需求。通過對組織機構、管理體系、數據技術平臺、數據應用場景現狀等情況進行調研，識別管理體系成熟程度、數據管理組織現狀，梳理各業務領域相關數據的積累、數據技術平臺支撐情況、應用場景的痛點與需求。

通過數據應用現狀和需求分析，識別應用場景目前存在的需求和差距，例如，科研項目進度可視預警、實驗數據展示分析、試驗設備狀態監控、生產線數據的獲取與分析等。結合業界數據管理、大數據技術發展趨勢，以及訪談調研和根因分析，總結目前數據管理體系、數據資源、數據技術平臺以及數據應用的現狀、需求和差距，分析和識別出完成戰略目標所欠缺的能力，提出企業數字化轉型頂層規劃。數字化轉型必須圍繞特定的企業發展目標進行，數據的獲取、業務流程的改進，都是圍繞這個特定目標而開展的，也會隨著目標的變化發生變化。因此，數字化轉型需要隨著企業目標方向，開展持續變革，持續對數字化整體架構設計進行完善。

2.1.2 整體規劃、分步實施，決策層強力支持和全員參與

制定整體規劃，有利于在宏觀上統一企業總體戰略目標；分步實施，可以根據需要選擇最容易產生效果和最優先具備實施條件的模塊進行實施。這樣，當取得明顯效果時，能夠減輕整個項目實施的壓力。

數字化轉型對原有架構體系會產生極大沖擊，對利益相關方產生嚴重影響。只有得到決策層強有力的支持，才能快速推進和實施。一方面，數字化轉型會重塑每個崗位的工作內容，甚至會因為數字化轉型，導致崗位的消亡和誕生。另一方面，全體員工深度參與數字化轉型，對相關工作流程和思路有清晰的認知，能夠提升工作效率，因此，數字化轉型需要全員參與。

2.2 開展業務能力調研與優化補全，設計業務能力構架藍圖

根據企業數字化轉型頂層藍圖規劃，分析分解達成戰略目標所需要的業務能力，設計相應的業務能力架構。業務能力架構應根據企業特性進行設計，不同類型的企業，其業務性質和內容可能存在極大差異，比如科研業務，研發目標和結果具有不確定性和一定程度的隨機性，那么，在設計業務架構時，應考慮業務架構應該支持這種特性。業務架構藍圖設計是應用架構藍圖設計的基礎，包括業務能力及流程，主要考慮以下四個方面內容。

戰略驅動。業務架構設計必須以戰略目標的實現為指導思想，業務架構要符合業務戰略，支撐戰略目標的達成；業務架構要清晰反映并支撐公司戰略目標，適應未來的業務發展；業務架構要能承載公司管控要求，并將管控要求最終體現在業務流程中。

能力地圖。業務能力的覆蓋要滿足全面實現戰略目標的要求，在梳理業務能力過程中，需要對戰略目標進行細分，對其相關的業務能力，逐一進行分析和優化，以形成業務能力架構。業務架構要體現業務本質，是對業務能力全覆蓋、無遺漏、清晰的表達；業務架構要支持業務能力的統一管理，支持對業務能力的差距分析，從而實現業務能力的改進和提升。

流程優化。流程反映業務本質，端到端貫通。業務流程的輸入、輸出是數字化承載的信息，支撐沿著業務流的數字化應用架構和信息架構的設計與集成貫通，指導業務流程和數字化的建設方向。

價值創造。業務架構設計要有利于價值創造過程的協同和業務集成運作，有利于價值創造的端到端業務流程效率提升；業務架構不是對業務職能的劃分，在實現價值創造的目標及過程中，要破除部門壁壘，防止形成業務孤島；防止局部優化帶來的整體效率降低；業務架構規劃要具有一定的前瞻性，以確保架構的相對穩定性；要隨著業務的發展定期審視業務架構，持續改進。

2.3 進行數據架構設計，實施數據集成和數據治理，形成數據資產，為應用提供高質量數據

2.3.1 進行數據架構設計，構建數據治理體系

對現有數據管理體系、數據資源、數據技術平臺以及數據應用的現狀進行詳細調研后，根據業務架構需求和能力差距，依據數據治理方法論和業務架構設計，識別出關鍵數據對象，進行數據資產目錄設計，包括主題域、業務對象、邏輯實體、屬性等，通過對數據進行編目、分類、索引，建立元數據管理系統，以便快速定位和查找所需的數據資源；然后對數據進行分類和數據標準進行定義，明確數據標準的適用范圍，建立統一的數據業務術語數據庫，認證數據源等相關內容；通過對數據進行數據關系和影響分析，能夠分析數據流向，實現數據監控和可視化，確定數據分布；最終建立數據模型，包括概念模型和邏輯模型，形成企業數據架構。

數據應用和分析結果的準確性，取決于數據的質量和算法。因此，在數據治理過程中，需要制定數據規范相關管理制度，包括元數據、數據架構、數據質量、融合數據、數據指標、數據安全等規范和管理辦法，明確組織機構和職責，對于數據產生、審核、共享方式等進行責任的分工和劃分；明確數據質量監控和檢測流程，對于發現的數據質量問題，應迅速制訂質量改進方案并發布實施，構建數據管理保障機制。

2.3.2 數據集成及數據湖的建立

數據集成是把散落在各個系統中的數據進行統一采集，對結構化數據與非結構化數據進行數據清洗過濾，數據統一入湖，主要包括如下數據。

科研儀器設備數據：通過儀器設備接口或者相關計算機獲取數據，通過定制開發的程序，自動提取；對于目前無法自動采集的數據，考慮加裝傳感器或者用圖像識別等方式，實現相關數據的采集。

研發和管理過程數據：在研發過程中，各種研發平臺和信息系統產生的數據，如仿真建模數據、項目管理數據、實驗室數據、物資設備、研發費用數據等，這些數據通常以結構化和非結構化方式，存儲在服務器中，可以根據不同的專業領域，將數據進行分類采集。

工業生產試驗數據：研發的新技術或者新工藝，在生產線試產和生產的過程中，可以通過現場MES 系統，把試產和生產過程中數據及時、完整地采集，通過數據中臺或者接口將數據采集入湖。

第三方數據：合作伙伴、客戶、設備或者服務供應商、第三方平臺等協同應用系統的數據，包括上位應用系統中的審批數據、生產廠礦的產品生產過程相關數據、研發過程的對外協同數據、外部檢驗檢測設備的數據、科研成果轉化孵化推介數據等。

2.3.3 設計數據應用場景

圍繞科研項目、分析檢測、物資、財經、人力等方面的應用，運用數據分析、大數據技術，挖掘數據價值，進行數據需求開發、數據資產運營、數據底座運營、數據服務等運營機制設計，實現業務能力的可視、可控、預測、統計等功能，主要應用場景根據業務需要進行創建，如科研項目進度可視及預警、實驗數據展示、財務經營數據可視等。

2.4 構建數字化研發和管理賦能平臺，持續開展業務應用系統的設計、開發和優化

基于業務架構藍圖設計和數據架構設計成果，進行應用架構藍圖設計，主要是將業務架構能力進行平臺化，可以參照以下原則性策略：成熟應用優先、平臺化、服務化、主干貫通、分層解耦、高內聚、低耦合、用戶體驗驅動。通過平臺賦能，推動數字化轉型落地應用。

2.4.1 研發業務數字化

在設計方面，將數字化建模、數字化驗證、數字化研發和數字化制造相結合，把數字觀念落地到每個研發過程，實現“敏捷”科研，高效、數據化、規范化是追求的目標。在產品設計和工藝開發方面，通過CAI（Computer Aided Innovation，計算機輔助創新）形成產品概念模型和產品特性，通過CAD（Computer Aided Design，計算機輔助設計）和CAE（Computer Aided Engineering，計算機輔助工程）來設計優化產品，進行理論計算、方案設計和思路驗證，產品工藝的初步設計可以通過這種模擬環境進行，不斷通過數字化的建模和驗證，實現數字化研發，減少現場試驗次數，縮短開發周期。在建模和工藝參數都比較明確的情況下，再展開現場試驗或者工業試驗，現場試驗根據模擬的參數范圍和實驗要求進行試驗，通過現場的MES（Manufacturing Execution System，制造執行系統）收集試驗數據，將工藝相關的技術參數返回給科研人員，同時，科研人員結合試驗樣品檢測結果，繼續在仿真平臺上進行模擬。綜合現場試驗數據、仿真數據、檢驗結果數據，結合歷史數據，以及收集到的外部數據，就可以進行人工數據分析或者基于大數據的數據分析，調整工藝參數或者研發思路，實現科研從“試錯法”到“驗證法”的轉變。

2.4.2 協同數字化

通過平臺賦能，讓研發過程“可視化”，項目團隊做好市場情報收集、采購、項目溝通、質量管理、預算執行等工作，與其他科研機構、生產單位、終端用戶協同研發，充分調動分布在各個領域、擅長不同技術方向的專業人才，共享智力、共享資源，成為提升科技研發效率的“推進器”。建立健全科研情報采集、加工、處理、發布的應用系統，增進項目團隊對于外部研發資源情況的了解；通過數據自動化采集和處理應用、數據分析應用，能大幅提高科研人員對于數據收集、加工和處理的速度和準確性，提高數據處理能力和效率，提高產品質量；在數據共享方面，通過融入國家“開放科學共享”平臺，促進科學資源的共享管理，促進項目協作。在對外協作和成果轉化應用方面，通過“市場+技術驅動”，利用第三方平臺，發布對外轉化和孵化成果，促進成果的工程化應用，提高科技成果轉化率。

2.4.3 管理業務數字化

在研發過程管理方面，從項目可行性研究、項目申報、項目立項、過程管理、項目結題、知識產權管理、成果申報，到項目的資源管理、項目其他事項管理，都圍繞提高管理效能及制度合規性，制定適合企業自身發展的管理流程。通過對研發和管理業務的詳細梳理和優化，實現業務的規范化、標準化。同時，根據管理需要，將研發管理流程中需要上級或者決策層注意的數據，在數據填報中進行體現，便于形成管理報表數據，或者為大數據應用提供數據源。管理數據的應用，主要體現在普通管理層可以通過對項目數據的分析，提供大量的統計圖表數據，對項目的進度、質量、費用進行全面的預判，對研發過程進行管控，為項目相關決策提供參考；企業戰略管理層，通過對項目整體情況分析，提出研發方向建議，調整研發資源配置，對未來研發預算進行預測，以便提前進行謀劃和布局，做好對研發領域戰略方向引領的分析、戰略執行效果評估、戰略方向的調整及執行偏差處理等。通過流程的優化調整，使得各個層面的效率更高、更透明，更數據化和可控。通過相關應用，賦能管理變革，讓數據“多跑路”，讓報表“自動化”，實現科研管理從“管理型”到“服務型”轉變。

2.4.4 應用平臺實施建議

在選擇開發平臺時，建議采用敏捷開發模式，基于供應商提供的工作流引擎和建模引擎來搭建平臺，系統能夠根據需要由自己的運維團隊靈活變更，而不需要供應商再次深度介入；當相關信息技術進步并產生較大變化時，平臺可以隨著軟件供應商技術的更新而不斷進行迭代，無須掌握全部技術細節。在供應商方面，應選擇實力較強的合作伙伴進行長期合作，保持平臺的穩定性和延續性。

2.5 探索建立知識管理體系，建立統一的知識管理平臺和學習平臺

從學習型組織的創建、知識管理文化建立、共享協同理念等企業文化建設入手，建立健全知識管理組織機構，建立企業知識管理制度，建立知識開放共享機制，約束與激勵機制，培養知識管理專業人員，建立知識采集、創建、審核、應用、交流流程，形成一套管理體系，才能更好地實現知識的傳承和利用。

在知識管理應用方面，建立相應平臺，實現對研發知識、信息資源、行業資訊、經濟管理知識等相關知識全過程管理，加強信息技術、信息資源與科研工作的深度融合，通過專家問答、經驗分享、知識社區等將企業隱性知識顯性化，形成領域的知識資產；建立知識分享和學習平臺，運用大數據、語義分析等工具，讓科研人員可以廣泛、全面、及時、便捷地獲取相關信息，快速了解企業管理要求和專業知識；建立企業學院，加強對員工的培訓與考核，使員工掌握那些必須掌握的專業知識。

2.6 數字化轉型中專業人才的培養

在數字化建設初期，在引入第三方優勢資源進行數字化轉型規劃設計的同時，通過外部引進和內部培養等方式，加強企業人才隊伍建設，讓IT 人員全程參與企業數字化建設，學習其先進理論和技術，領悟數字化轉型的實質及實施要點，培養企業數字化轉型人才，支持后期企業的數字化系統管理運維、大數據應用開發、業務流程優化等相關工作。

2.7 信息安全和知識產權風險防范

在信息分級分類上，通過組織權限管理、數據授權、隱私保護、數據加密等手段，構建和完善知識產權共享體系。在網絡安全方面，采用內網與外網的物理隔離和數據交換，對數據存儲位置有清晰界定，定期對系統漏洞、風險進行修復和評估。在物理安全方面，采用基于虛擬化或者私有云的架構，定期做好數據備份和異地容災，提高系統可用性和應對數據風險的能力。

3 結 論

數字化轉型是國家戰略，也是企業通過數據變革實現可持續發展的重要手段。本文介紹了數字化轉型的主要實施路徑和策略，為推動傳統行業數字化轉型提供借鑒與參考。企業應充分利用新一代信息技術，增強企業戰略執行能力，增強企業對環境變化的適應能力，優化企業內部管理流程，開發利用數據資產，為企業高質量發展提供強勁動能。