产销平衡或者说产销均衡一直是永恒的难题，产销平衡的颗粒度到什么层级才更实际?不同能力结构的企业各不相同。只有在公司级的大运营视角下才能见到端倪。大视角之下，将超越部门及岗位利益，依靠市场一线与现场一线的数据来进行驱动。

这在离散制造业里面将显得更加实际。

现代的制造系统中会实时产生海量数据，这些数据来自制造系统中的各个环节，比如供应、入料安检、计划排产、成品优劣检测等等。合理的应用这些数据，可以使各环节及整体生产效率极大提升。同时来自下游的数据，不管是B还是C，都为企业带来更多的触感，积极升级产品，更加适应用户需求。这样的创新更是不易。

一、数据驱动首先来需要可靠的数据采集体系

现在的市场竞争，已经不允许企业从容不迫地来做积累、萃取、建模，升级认知，持续锻造核心竞争力。我们看到不少之前鲜亮的工业企业，慢慢老化并被淘汰，从这个维度来看，就是自身的持续创生能力一路落后于市场的结果。

更多的工业企业在寻求“智造”之路。长期坚持在装备自动化方面进行持续创新的工业企业也尝到了不少甜头，随着网络通信能力、物联网设备的成本红利放大，工业企业在管理信息化进入一个新的平台期之后，有条件在装备信息化和产品信息化方面进行更大更有效的投入。

装备信息化是一个自动化与智能化的过程，有利于有效采集生产现成的数据，而产品的信息化则是一个产品社会化的过程，让产品在使用或者消耗过程中的数据得以回馈。比如一些装备类企业为自己的产品加上传感设备，方便远程运维。有些快销品企业通过社交活动采集消费者在采购、消费过程中的行为数据等等。

而这数据采集体系的起点就是通过ERP系统充分采集人的商业行为数据，通过MES系统采集更多的设备状态、工业作业数据。这两者的数据同时以订单为主线进行标签化。

采集工作首先是在全场景中进行数据汲取，之后是基于企业的商业目的去构造数据池。

二、数据和业务的正向反馈路径设计是数据驱动的成功关键

数据的统计分析不是目的，直接和业务进行互动才是重要目的。

比如，白酒企业的“连续性发酵过程”是在装甑之前就开始的，或者说是被定义好的，直到窖池发酵。即便是在装坛之后的数十年，也在延续这个过程。

这个“连续性发酵过程”的机理模型要复杂得多。由于这个过程的不可逆特性，即便发现可以优化的地方，也无法干预当前过程，只能将“经验”用于新的过程。

这样的生产现场工业大数据积累，已经坚持数年之久。这个积累的过程，也是一个“连续性发酵过程”，对其智能制造段位的提升，提供不竭动力。

在自动化充分地被重视并得到较大规模的发展之后，传统的企业信息化其实已经进入准数字化和数字化阶段，并直接涌现出支持智能化的良好土壤。

比如某光伏企业的产品出厂合格率现在是100%，远远超过六西格玛的极限。根本原因就是对于在制品良品率异动因素的及时干预，这个干预完全来自于实时的数据采集、基于模型的场景预判以及积极的干预。

这一切的产生实际上都来自于对企业经营行为过程尤其是生产加工过程关键数据甚至是全量数据的积极获取。使得“企业大脑”在更多的数据触觉支撑下刺激更多的“神经元”相互联通，以至于涌现出诸多新的可能，以前许多“不可能”成为常态，企业经营进入新的境界。

三、尊重暗知识的存在，进一步升级企业，让数据在更高层面上驱动企业

消费互联网中消费者数据、卖场数据、运营数据的采集、建模、分析给零售企业的客户旅程、复购以及拉新等方面带来的变化，激发了工业企业希望在工业互联网中探究工业数据威力的欲望。

硅谷风险投资公司CEGVentures创始合伙人王维嘉先生在最近出版的著作《暗知识》一书中说，一直以来人类的知识有两类：“暗知识”和“默知识”。名知识就是那些可以用文字或者公式清晰描述和表达出来的知识，默知识则是个人在感觉上能把握但无法清晰描述和表达的知识。今天，人工智能，突然发现了海量的、人类既无法感受又无法描述和表达的“暗知识”--隐藏在海量数据中的相关性，或者万事万物间隐蔽关系。这些暗知识可以让我们突然掌握不可思议的“魔力”，能够做很多过去无法想象的事情。

在企业拥有越来越多数据的时候，我们探索和掌握暗知识的路径究竟是什么?这可能是需要解决的一个新的问题。从企业发展角度看，这个问题的迫切性是越早越好。

制造业里，基于ERP和MES，通过有效的数据采集、融合、建模、反馈等手段，构建企业新的数据体系，已经成为当务之急。