01 高瞻远瞩：搭乘制造业高质量发展快车
在当今全球经济格局中，制造业的发展态势犹如晴雨表，反映着一个国家的综合实力。上个月月初，我们曾深入剖析灯塔工厂这一先进制造业典范，从行业分布的多元性、发展意义的深远性，到具体入选案例成功背后的关键因素，都进行了细致解读。今天，让我们聚焦其中一组关键数据：2023年全球最新灯塔工厂榜单里，有50座中国工厂荣耀入选，再次稳居世界第一。
再对比另一组权威数据，2022年我国制造业增加值成功突破40万亿人民币大关，在GDP中的占比高达33.2%，并且连续十三年位列全球榜首（数据源自中国工业和信息化部）。这两组数据背后，蕴含着丰富且值得深入探究的信息。
一方面，制造业增加值突破40万亿，无疑彰显了我国制造业规模之“大”。然而，“大而不强”的问题却如影随形。传统制造业在高端基础设备方面，长期依赖进口，核心技术掌握在他国手中；高端人才的匮乏，使得创新动力不足；高端技术的滞后，导致产业层次难以提升。技术创新水平与世界先进水平存在差距，产品质量和效益亟待提高。同时，工厂用地成本的增加、劳工成本的上升以及原材料价格的不断波动，都像一道道难以逾越的关卡，让企业在发展道路上举步维艰。
另一方面，中国灯塔工厂数量的稳步增长，恰似一颗璀璨的启明星，照亮了我国制造业从“大而不强”迈向“大且强”的前行之路。在新一代信息技术的浪潮下，大数据、云计算、人工智能、数字孪生等新兴技术，如同神奇的画笔，引领着制造业的转型变革。它们重塑了数据流、业务流与工作流，使制造业数字化转型不断深化。转型的基础在不断夯实，范围在持续拓展，程度也在逐步提升。
制造业作为提升我国综合竞争力的核心力量，扎实推进其在量与质两个维度上向世界前列冲刺，是我国未来经济发展的重要支撑。制造业数字化转型已不再是可选项，而是企业、行业乃至国家民族实现进一步发展的必然要求。
从更宏观的层面来看，数字经济是驱动经济高质量发展的重要引擎，质量管理则是企业发展壮大的关键核心。质量管理数字化，成为企业经营变革、实现效率与效益高速跃迁的现实选择。它就像一把金钥匙，为企业打开了通往更高发展阶段的大门。
02 殊途同归：传统与数字原生型企业的现实选择
回顾制造业的发展历程，产业革命与技术革命始终交织共进。自工业4.0概念被提出以来，我们仿佛看到数字技术如潺潺溪流，正渗透进制造业发展的每一个角落。工厂内部似乎构建起了一套先进的制造体系，既能满足客户的多样化需求，又能优化内部制造流程。智能制造仿佛是一场风暴，颠覆了传统的制造模式。
然而，当我们将视角从行业的宏观层面逐渐聚焦到一线工厂时，却会惊讶地发现，现实并非如想象中那般美好。大部分一线工厂仍处于起步探索阶段。
许多企业依旧保留着古老传统的工作习惯。在车间里，纸质表单靠人工流转，审批流程繁琐冗长，就像一条被堵塞的河道，难以顺畅通行。在成堆的纸张和复杂的Excel表格中，想要做好报表分析，犹如在茫茫大海中寻找针一般困难。
我们可以看到，检验员在产线上忙碌得像勤劳的小蜜蜂，频繁地填写着纸质检验表单。填好后仔细核对，然后上交主管审核。那堆积如山的纸质表单，就像漂泊的浮萍，随着产品在各个工站间流转。一旦出现不合格品，检验人员就得紧急填写异常问题单，然后在多个部门之间来回奔波，在海量的表单中搜寻相关的质量信息数据。此时，产线陷入了两难境地，停止生产会造成损失，继续生产也可能带来更大的风险，生产节拍被严重打乱。
质量管理数字化的核心在于质量数据的有效利用。从MES到QMS，都是对质量数据进行系统性管理的尝试。就像打开一扇通往未知世界的门，将质量数据的盲区一一打通。
我们可以将“质量数据黑匣子”理解为不可知的质量黑色地带。数字化系统就像一位严谨的管家，能够减少人为参与带来的不可避免的错误，规范数据录入，用客观的系统取代主观的判断，并与不同系统对接，提高效率。如果将其视为全量信息数据，那么聚合产品研发、生产制造、不合格品处理等产品全生命周期的质量数据，就显得尤为重要。只有保证这些数据能够便捷流通、高效利用，才能真正发挥质量数据的价值。
对于传统企业而言，数字化的主要需求在于将线下业务向线上业务转型，导入数字化系统或软件，打破相互割裂的流程孤岛。而对于那些在初创时期就开始耕耘数字化概念的数字原生型企业来说，他们面临的问题更加具体和精细。随着企业从初创期、探索期发展到发展期和扩张期，内部数据逐渐沉淀，业务和组织架构也日趋成熟。
无论是传统企业还是数字原生型企业，要实现成长，就必须处理好质量信息数据，做好系统连通底层信息的工作。打通数据壁垒、衔接底层数据、挖掘数据价值，让数据成为决策的有力支撑，这是两类企业殊途同归的现实选择。
03 系统工程：精细化管理产品质量数据
在众多质量数据中，制造质量数据犹如一颗耀眼的明珠，对企业运营有着最直观的助益。产品质量直接决定着企业的核心竞争力，在日益复杂的商业竞争中，产品质量波动带来的后果愈发难以控制。因此，对影响制造过程质量的因素进行监控分析，显得尤为重要。制造质量数据管理应运而生，它通过采集过程因素数据和检验检测数据，对人机料法环测信息进行分析，帮助企业识别产品的缺陷和薄弱环节。
本期案例为大家带来的是N公司的制造过程质量数据管理案例。N公司可以被定位为“介于传统企业和数字原生型企业之间的中间公司”。它采用了一些数字化手段，但应用程度有限；也进行过数字化改造尝试，但效果不尽如人意。
经过诊断，我们发现N公司的主要问题集中在质量数据方面。其质量数据收集不完整，存储分散，可利用性低。这并非N公司独有的问题，而是很多生产企业当下共同面临的难题。
一方面，质量数据收集的完整性较差，很多时候只是为了完成任务而收集，主要围绕生产任务展开，忽视了质量分析的重要性。这导致很多影响质量的因素没有得到应有的关注。另一方面，存在数据孤岛现象，制造质量数据分散存储在不同的业务部门，而且在管理数据时，使用了两种以上的分类编目方法，使得对数据定义难以达成一致。各个环节的数据存在断档，难以实现集成和共享。
由于对相关实施经验的信赖，N公司前期的调研选型工作推进得十分迅速。在启动大会上，N公司大领导表示，我们是他们听到的第一家能把每个场景都讲清楚的服务商。
制造业质量管理数字化是一项系统性工程。在这个过程中，很多企业盲目追求大而全的解决方案，一些服务商也用华丽的话术掩盖捆绑销售的事实。企业往往在吃尽苦头后才发现，有些功能根本用不上，白白浪费了大量资金。还有些企业拥有大量数据，却依然无法做好改善工作。这是因为质量不仅仅是一个结果数据，仅依靠结果数据进行改善是远远不够的。生产制造流程千差万别，我们需要对过程信息进行更精细、更高效的管理。
以检验环节为例，很多中上层决策者可能并不了解，检验环节的效率提升空间远超想象。全面数字化检验的效果优于数字化检验，而数字化检验又优于人力检验。N公司有3个生产基地分布在不同城市，有时会使用同一批次的来料。PQM检验模块中的检验规则是动态的，能够根据企业在不同阶段、不同业务的需求，灵活调整检验标准。此外，检验计划和任务在系统内自动创建，并会自动指派和提醒任务人。
当然，做好单个环节是QMS/PQM应具备的基础实力。质量数据能否反哺分析改善，关键在于能否解决实际问题。例如，当产品性能出现质量问题时，我们需要追溯到具体的制造过程因素。PQM的全景追溯能力，能够基于工单追踪检验信息、不合格品处理信息、异常分析信息、制造信息等全量人机料法环测信息。在单件质量成本很高的情况下，它能迅速定位问题所在批次及具体点，及时处理召回，避免更大损失的产生。
尽管我们与N公司的合作才刚刚起步，但无论是前期沟通还是项目交付部署阶段，双方都保持着融洽友好的交流。团队成员为了共同的目标齐心协力。当专业的人相遇，必将开创出更美好的未来。我们期待与更多的企业携手共进。