訊能集思希望：通過JarviX依托數據分析全流程技術與AI模擬參數組合技術，實現對產品：全周期的可追溯性+全鏈路的實時反饋。

汽車產業背景：地獄級難度的數字化轉型

數字化定義與智能化技術，在不同行業與產品上的側重點是不同的：

有些是側重模擬仿真，好確定最佳的設計方案；有些是側重數據收集、動態追蹤，好時刻監測本體的狀況；有些則是側重孿生體自己的智能決策，好在沒有人工參與的情況下，及時處理突發狀況。

而今天我們要討論的汽車產品，其特點恰好都需要實現以上三個側重面。當然，這也加重了汽車產業自身數字化智能化難度，甚至可以說地獄級的難度。

以往我們提過在數字化的切入點選擇上，由於不同的情境所達成的效益差別很大，訊能集思認為數字化轉型的切入點選擇上，最值得切入就集中在業務價值鏈上，因為其與行業痛點、公司戰略密切相關，如零售業的切入點一般是在營銷和渠道端，制造業一般是在供應鏈端。

但汽車產業如此高難度，且信息量越來越覆雜的趨勢下，又該如何入手轉型升級呢？

答案也簡單，就是從數據入手。

以APS系統為例，一般針對大規模生產場景所設計，默認機床、注塑機、沖壓機等設備擁有無限產能，規劃層次一般只有主計劃和作業兩層。

而汽車的工廠生產場景具有多品種（多品牌）、小批量、個性定制的特點，產能得有限制。

同時有些汽車廠商習慣於在采購鋼板、銅管、塑料粒子等原材料後，對其層層加工生產出原料，所以就要求新一代的APS得實時同步各類供應商的計劃，滿足其排程多達十幾層的多樣需求。

由此自然要求在數字化底層的數據分析能力上，要有更夯實的基礎與更強力的表現。

那問題來了，有判斷標準嗎？

實現產品的可追溯性+實時反饋

近年來企業數字化轉型失敗率仍在80%以上，結合JarviX在眾多部署案例中，總結出一些經驗。

訊能集思認為系統需要做到：能夠采集到有價值的數據，找到數據之間的關聯，且還能夠快速地分析出有效信息，最後才是用有效信息來實現實時的預測、預警、監控、協同、調度、決策、指揮共7項職能。

為了確保這個目標的落實，我們數據分析全流程平台JarviX相應地設計了五大數智化應用，包括完整記錄分析架構、自動推薦分析建議、快速獲得優化解、快速建立知識庫、團隊共享知識庫。

但這些都是並不容易做到的事情，因為回到現實數據的掌控中，不少企業從轉型之初首先容易陷入兩個誤區：

1.收集誤區：眉毛胡子一把抓，不管數據有用沒用先全都拿過來再說；

2.使用誤區：坐在數據的金山喊窮，其實很多非數字原生企業有大量豐富的數據，但恰恰缺少通過有效的數據治理，來實現數智化。

怎麼解決呢？

訊能集思希望為未來智能制造定義新規範：通過JarviX依托的數據分析全流程技術與AI模擬參數組合技術，實現對產品：全周期的可追溯性+全鏈路的實時反饋。

賦能汽車產業智慧化、滿足數據化運營管理需求

汽車產品本身就是一個技術密集型的產品，隨著國內新能源汽車市占率進一步的提升，其同時更是在智能制造大背景下極有潛力的產品，對它進行數字化是非常必要的。

基於此，JarviX首先會串聯產品的原料階段、制造階段、運行階段所在的各系統數據，來實現從供應鏈到產品使用的全周期可追溯性。

在這個過程中，原料的需求指標與實際性能指標需要形成對應和覆蓋關系，零部件信息及供應商信息都會被一一記錄，ERP內的完整數據也會導入；

在制造階段，MSE上的產線信息（資料紀錄、工序紀錄、良率紀錄）以及相應的零部件都要與該汽車形成匹配關系，細節如關鍵位置的螺絲堅固力矩、油水加注量等也需要記錄；

最後在運行階段，通過實時采集關鍵部件的數據，以及銷售端與使用端產生的數據，從而反饋汽車的運行狀態到JarviX，做到汽車運行的實時監控，從數據中發現風險，形成預測預警，幫助客戶回到原料與制造階段，在根因上快速找到制程關鍵並且改善。

從 7 項職能來說，預測主要是結合市場信息、行業需求及工廠產能情況，進行銷售預測，智能指導生產備料。
在發現產能緊張或者物料缺口時，需要能夠智能預警、提醒干預。對於生產過程的物料匹配問題或生產不良問題，

需要做到智能監控和預警，出現異常及時通知管理員。

同時汽車整車的生產制造常見會有三種生產模式（混性生產模式、加工車間模式、批量生產模式），這就需要系統能根據工單情況自

動進行排產、配料、操作指引切換、監測點切換等工作。
還需要根據前後端物流情況及產線各工位運行負荷，自動調整生產節奏，減少庫存同時提升響應速度。

以上為JarviX賦能汽車產業架構過程。

就企業數字化解決方案而言，無論何處入手、如何實施，都是需要至始至終都圍繞著數據分析生命周期，重點關注解決問題的速度和可解釋的價值，也正因如此我們選擇了先串聯全流程的系統，實現企業全生命周期的數據分析，實現產品全周期的可追溯性+全鏈路的實時反饋，並以此支撐起企業的數智化，讓決策AI更智能，真正切實幫助到客戶。

當然，數據的采集與治理也僅僅是數字化的第一步，我們的下一步是全周期的數據分析中找到最佳實踐，有了新進度，會繼續跟各位更新。

【延伸閱讀 | 帶您深入了解各產業解決方案】人工智慧科技基金會執行長溫怡玲：AI沒有完全正確的成功方程式

【聯繫我們 | 帶您體驗企業無痛快速轉型升級 】如何快速導入低代碼數據平台顛覆傳統企業數據流程，解決企業轉型面臨的效率、成本和價值等問題，提升企業的決策水準。