自動化然後工業4.0?

工業4.0的建置是否都必須要先投入大筆資金做自動化建置？很多工業4.0的討論都是在於如何導入自動化、機器人，這些自動化的投資金額相當龐大，也就讓許多企業繼續停、看、聽，而不敢毅然決然投入。然而自動化是否一定是工業4.0的必要與充分條件呢？我認為那並不一定。

之前也討論過「分析」之於工業4.0的重要性，如果以分析能力成熟度來看，工業4.0是要做到「幾近」即時的決策，機器與機器之間 (M2M)、上層與底層 (top floor to shop floor)之間的決策速度極快，然後可以增加企業的反應與作業速度。

自動化的邏輯是：在工作現場如果是「人」，那麼在訊息的回饋以及行動的執行都要經過「人」來執行，因此就沒有機器人或自動化設備那麼快速。但是機器人、自動化應該是協助「人」來進行作業，而且有些步驟還是需要「人工」來執行，甚至「人工」是增加產品附加價值的部分。(不是常有標榜人工縫製、人工打造的產品，而且賣得比較貴嗎？)

在BMW這個工廠裡，除了引進機器人取代危險、笨重的作業，在部分作業還是由人透過機器人、甚至完全人工來執行

BMW，德國工業4.0的震撼

另外哈雷機車可以接受客製化，並在一天內交車，也充分實現工業4.0的概念，但是許多製程還是以人工進行

哈雷機車製造

因此我認為如果可以先用一些輔助設備(例如電子看板、MES透過現場電腦monitor顯示作業指示等方式) 來協助人作業，至少把分析能力與速度推進到較先進的分析作業模式，這樣也可以視為工業4.0的實施。

也就是先以建置分析能力，強化決策速度，企業在此就可以先實現一些商業利益，然後再繼續投資置換現場自動化的硬體，而不需要在一開始就須投入大幅的資本。

再者，在建置分析能力時，也會慢慢發現資料的不足，然後去思考如何透過自動化、物聯網技術來收集相關資料，這樣也可以找出自動化建置的順序，讓投資更能有針對性。誠如阿里巴巴副總裁車品覺先生在「大數據的關鍵思考」裏說的：

”作為一名與數據打交道十幾年的人，我深深知道從「看」到「用」，在從」用」到「養」的營運數據，本身就是複雜的過程，也許目前我們最應該做的，是暫時忘記大數據的概念。行勝於言，只有具備實際效果的數據才是正道。" - 車品覺

也就是由用找到不足(開始分析使用)，再去新增收集的數據(新增自動化的部份)，這樣才能提早實現工業4.0的效益。

你要的是什麼樣的工業4.0？

工業4.0，最近已經被濫用到快要退流行了，每個企業都說「我們在看工業4.0」、「我們要做工業4.0」，甚至還有服務業說它們要應用工業4.0。但到底企業們知道它們要的是什麼嗎？

工業4.0比較像是一個框架，主要是透過資訊系統與實際生產環境、供應鏈的整合，讓客戶與供應商得以快速協作。而其中是透過物聯網、大數據分析新技術以及原本大家熟悉的商業應用系統來實現。所以有些人講的應該是：「大數據分析」應用，而不是工業4.0。

其次，因為工業4.0是一個框架，並沒有具體實現在某特定的議題或業務應用，端看該企業要實現的商業價值。

有些公司要透過工業4.0架構來實現客製化訂製服務、有些要透過工業4.0架構增加生產排程的彈性，讓生產線得以任意改變設置來符合訂單需求而不會犧牲生產效率...每個公司有其面對的業務挑戰、極於想要解決的業務問題，並無法一視同仁來套用。

因此比較實際的是先定義「業務場景」，business scenario，然後再來看如何建置這樣的架構。收集什麼資料、如何收集、想要獲得的資訊、分析的模型...

如果沒有先定義情境，就像失去方向卻又要往特地目標前進，最後可能在原地打轉或是走錯方向。

因此在決定要運用工業4.0的框架時，還是先確定自己所需要的商業情境，然後再一步步來實現這個架構。

怎麼到工業4.0?

工業4.0被大家視為一個可能的救命丹，也有許多公司研究、想要做，但是到底該怎麼做？我嘗試著提出一個方法。

首先，企業應該先要問問自己一個問題：「為什麼要做工業4.0？」

工業4.0有很多層次以及可以達到的境界。第一個層次是提高效率與節能 (主要是來自智能工廠的建置)，第二層則是提高客戶服務 (因為Internet of Service加上智能供應鏈)，第三層次則為新業務模式的產生 (如service-based的收費模式)。

每個企業所處的商業環境與其競爭模式並不相同，做工業4.0的目的應該也有所不同，不能一概而論。如果只是抄襲而來，這未必能夠達到所想像的效果。因此如何確認實行工業4.0的目的是一開始就要確認的。

可以根據BCG所提出的策略色盤 (strategy palette)來檢視自己企業的策略，而根據所在環境將工業4.0的目標對準競爭的要素。

如，身處Renewal環境的企業，就可以思考透過工業4.0來找出新的商業模式，重新建立競爭優勢。

確認工業4.0的目標後，其次則是去思考工業4.0三個維度上，企業目前所欠缺的部份，而訂定執行計畫。

我認為工業4.0倡議三個維度的整合：生命週期 (systems life cycle)、商業與作業 (information technology and operation technology)以及產業生態鏈 (ecosystem)。生命週期看的是產品由構思、開發到服務所有的活動；商業與作業整合則是由接受客戶規格、設計、計畫、生產(IT)與工廠配置、製造(OT)等整合；最後則是與上下游整體產業生態鏈的串連。而這三者都是基於資料整合與智能分析來實現。

目前台灣的客戶大多在談OT部分的建置：機器人、自動化等，甚少去看IT/OT整合，更少去思考其他兩個維度。

因此要訂定工業4.0的執行計畫，我認為應該由此三個維度來出發思考，才是全面工業4.0的思維。

最後，我提出一個大致的roadmap，或許是有興趣執行工業4.0企業可以思考的。

第一階段是獨立的應用系統建置 (information silos)，建立工業4.0的基礎，包括目前大家看的機器人、IoT等；對於沒有IT (SCM, CRM, SRM)的企業則應該考慮建置這些系統，因為這些系統是企業未來與客戶、供應商以及整個生態鏈接軌的接口。

第二階段則是價值鏈的整合，將IT/OT的資料整個串接起來，確認整體企業業務活動與資訊的一條鞭串連。

第三階段則是開始加入智能，根據企業分析需求建置分析模型來進一步enable IT/OT以及對外(internet of service)的有效整合。

這些事情都做到，才能達到工業4.0的最終目標。

達爾文與魔鬼

這是一篇哈佛商業的文章，我覺得這是我今年看到最好的文章。

由科學到科技，再到商品化，才能讓企業賺到錢。但是商品會有生命週期，在越來越多的競爭者進入後就會慢慢成熟；而新的科技發展後，商品也會因為舊科技被取代而逐漸走到末期，這個原理大家大概都知道。

而近年來「創新」被每一個企業當做口號來講 (雖然並不是每一家都在創新)，但是企業真的有創新的策略、具體作法? 大概很少。

扯個題外話，我有個感覺是：「公司的口號大概就是該公司最缺乏的東西」，例如：「安全第一」，大概就是這個工地常有工安問題、「品質第一」大概就是這公司品質常有問題，「團結和諧」就表示這裡鬥的很兇。

回到這篇文章，它講的是在不同的生命週期，對於商品的「創新」應該有不同的重點。

例如：在產品處於生命週期末期，開始衰退的時候，再去搞產品創新或是應用創新，大概是徒勞無功的；反而是要追求商業模型或是整個產業結構的創新才有效益。例如：智慧型手機開始興起時，它慢慢的侵蝕了傻瓜數位相機的市場，但是很多數位相機廠商還是拼命在產品上加上更多的功能 (我還看過在數位相機上加入可以聽mp3的功能，不過是有誰會想要拿個數位相機來聽音樂呀！)，但是還是沒有辦法挽回數位相機慢慢消失的市場。

而我們常常講的破壞性創新，則是比較適合產品一開始引進的時候。最有名的例子當然就是加州水果公司了，它引進的iPhone、iPad都是透過新科技的運用而製造出新的市場。

不過因為現在產品生命週期越來越短，企業如何即時的調整創新策略與重點則是一個很大的挑戰。而舊產品的企業要如何面對產品的衰退，也更是一個困難。

台灣過去在PC供應鏈上取得很大的成功，因為WinTel架構，讓台灣發展出電腦完整的供應鏈生態，包括上游的晶圓、面板、記憶體、被動元件、PCB板，到主機板、周邊零件、代工組裝。台灣基本上是在生命週期的成長期時透過「流程創新」 (process innovation，而且是專注於製造、接單流程的創新) 來取得這個成功。但是對於更前期的破壞性創新、應用創新與產品創新，其實是沒有投入的；對於成熟期後所需要的體驗創新、行銷創新、業務模式創新更是沒有經驗。

由HTC的例子就可以看到這個問題，初期在產品創新、流程創新，HTC是取得一些領先的，例如它比蘋果更早一步推出觸控手機。但是當產品漸漸走到生命週期的下一個階段，在體驗、行銷部份的缺點就慢慢漏餡了，慢慢的被競爭對手拉開差距。相對的，小米在智慧手機中期才切入，而它就專注於體驗、行銷模式的不同來取得市場。

另一個例子是當初Wii的推出，工研院也說到那些技術它都有，但是我們就沒有能夠轉換成應用創新，而只停留在技術研究階段。

我們一直說台灣處於悶經濟狀態，而我們是不是應該看一下這個部分，是不是我們都還是只看「流程創新」而不知道去看其他的重點呢？


https://hbr.org/2004/07/darwin-and-the-demon-innovating-within-established-enterprises

台灣談工業4.0缺乏的一塊

工業4.0在這半年裡變成一個顯學，以這個題目辦的研討會幾乎都是場場爆滿，許多公司都在想如何搭上這個熱潮。

去參加了一些研討會，聽一些自稱工業4.0公司的報告，我的感覺還是兩類：一、名詞解釋，就是還是解釋什麼是工業4.0，內容是什麼等等；二、賣自動化硬體，把自家產品與工業4.0扯上關係。一位朋友聽到隔壁參加的聽眾就說：「做工業4.0，幾萬塊就有了」，可見我們大多數人對這個題目還是有很多誤解。

個人認為，根據德國提出的定義，其中縱向包括兩大塊：智能工廠以及智能供應鏈；而橫向則是由研發、行銷...一直到服務這個價值鏈，就是SysLM (system lifecycle management)。

以縱向來看，一般人所熟知的「工業4.0」僅僅涵蓋了智能工廠，更嚴格的說，僅僅只是工廠自動化，根本還沒說到「智」。再者，還有另一塊「智能供應鏈」，幾乎沒有人提。「智能製造」與「智能供應鏈」如何整合更是缺乏討論。

在YouTube上有個BMW自動生產線的影片，一般人可能只看到那些令人稱奇的機器人，但我更驚訝的是它可以混合不同車型、不同顏色。據我所知，顏色的更換是必須有一些繁複的過程來確保生產線可以生產下一個不同的顏色；而這個工廠居然可以這樣混線，勢必是透過一些排程工具來優化。

缺乏智能供應鏈的體系，工業4.0是不能實現的。一個再自動、再智能的工廠還是要處理客戶訂單、計畫、排程的；如果沒有辦法即時處理客戶訂單，工廠的效率還是會損失，而無法充分發揮其效能。

我認為工業4.0對智能供應鏈著墨不多，但是這可能是因為此議題是在工業3.0的時代就應被建置完成的。而4.0就是怎麼進一步把智能工廠與供應鏈串起來，提供客戶更好的服務。

從橫向來看，研發到服務的閉環(closed loop)，也是一個少為人討論的議題。4.0主張要提供客戶完整的服務，必須是整體生命週期。企業在這些功能之間的串連也有很多改善的空間。

台灣許多公司是OEM、ODM型態，因此處理最後服務的部分都是被動式、不得不的雞肋。因此在品牌經營上，延續這樣的思維，有時造成消費者不愉悅的體驗，而讓品牌形象受損。

因此我認為，真的要進行工業4.0還是要有縱向與橫向的同步進行、整體計畫，如此才能完整建立真正工業4.0的企業。

報表，重要但不太被重視的「重點」

幾乎所有的IT專案都會有報表需求，但是通常負責導入的顧問公司不太會注重；他們把報表視為勞力的坑洞，就是投入時間、人力就可以做出來的，沒有太多技術成分。

但實際上，許多專案執行完畢後，高階主管們卻是無感，心裏難免有：「蛤，花了幾千萬，怎麼什麼都沒看到？」這樣的感覺。

報表是呈現面，把系統的資訊呈現出來，讓不同階層的使用者可以查詢他想看到的資訊。因此對於不了解系統內那些高深技術的人，報表是他與系統唯一的交集。相對的，對於使用者而言，他們也要了解其重要性，而在專案規劃時留下足夠的時間與成本來處理報表需求。因此我認為報表的設計需要更多的注意與心思，而不是僅僅「you say then I deliver」的勞力密集工作。

不過，報表討厭的地方就是每個人有他習慣、喜歡的look&feel，難以有一個標準格式滿足所有人的需求。再者，不同情況下，需要不同的資料呈現方式，也不是一個固定、標準格式可以全面滿足的。

所幸的是近年來，資訊科技的進步，已經可以提供簡易的系統，讓使用者可以拖、拉資料欄位來產生他們想要看到的格式（就像excel樞紐分析表的拖拉），大幅降低過去仰賴資訊部門開發新報表的情況。

不過許多狀況下，使用者還是會用系統把資料弄到最接近最終格式的「半成品」然後再透過excel加工。原因有很多，例如需要繪圖、貼到powerpoint，甚至於資料要先「美化」一下。有些客戶或是IT人員就抱怨「使用者不用」，而我認為認為這有幾個面向去思考：

首先：系統是否夠容易上手、容易使用？最大的競爭者並非不同BI(business intelligence，商業智慧)的套裝軟件，而是excel。系統是否像excel一樣容易上手？另外就是系統是否跟excel一樣快？ (很不幸的，常常要跟excel比) 如果沒有比較簡單、比較快，那保證user會繼續用excel

其二：系統是不是容易查詢、處理資料。很多BI工作的問題在於user無法自己處理新報表 (檢視、顯示資料的格式、方式)，都要透過IT部門來處理。有些公司使用者必須提IT需求單、簽核，然後IT估工時、開發、測試。但是這些user往往都是那當下要資料 (通常是要回覆老闆的問題)，等到IT開發後，大概都是蚊子館的候選人了。

其三：資料是否串連。有些公司因為業務一路成長的過程慢慢建立一些系統 (legacy systems)，來符合一些特定業務需求。隨著時間演進，這些系統多多少少也各司其職、各有各的資料，然而既有報表都是提供一些總體性、一般性的彙整資訊，而user要查詢某個問題的細節時，可能就要登入這些不同系統查詢不同的資料，然後才能串起來、找到原因。

這些問題都是報表相關作業非常的問題，但是卻很少被公司所重視。為什麼？簡單一句話：C/P值。老闆覺得花一筆錢去幫作業人員處理報表一點都不值得，就算他自己要看績效指標、戰情室，他也沒有感受到痛苦，因為作業人員每天用excel幫他處理好了，然後上傳到系統或是放在PPT、excel給他看。

這樣有什麼不好？

如果商業環境穩定、企業變化不大，那還好，就繼續這樣也不會有太大的問題。但是現在的商業環境變化極大，就如前面提過「天下武功、唯快不破」，誰能夠掌握速度就能掌握優勢。如果每天才能更新一次報表資訊，那麼比起另一個每12小時可以更新一次的同業，哪個有機會？

再看大一點的格局，如果在一個生態系統(ecosystem)中，舉手機為例好了，消費者的購買決策、訊息需求是非常即時的，所以銷售通路的庫存更新也是要很即時，才能提供消費者第一時間的庫存資訊、確定交貨；而品牌公司更需要這些即時資訊確定後續庫存、生產的計畫；代工組裝廠就要能夠即時提供資訊；零件供應商也要跟上這個速度；這樣整個生態系統才能快速反應消費者的需求。要打入這個生態系統，那企業就要能夠跟上這個速度，否則就變成瓶頸、甚至被淘汰。

因此，我認為企業應該好好看看這個議題，因為它不亞於任何需求而且它跟企業的競爭力息息相關。

Data, the most essential element in Industry 4.0

In previous blog, I made the argument that decision-making is the core of Industry 4.0 and I would like to discuss more about “data”, the most essential element of Industry 4.0

In order to make decisions, we will examine many different data, for example, when we want to decide how much to make, we check the sales history, we check open orders, we check inventory, WIP…internal data and also refer some external data such as market status, competitor information…so that we can make the decision of “how much to make”. Without data, we cannot do any analysis and hardly make good decisions. Therefore, I believe data is the most essential element for decision-making and Industry 4.0.

Some might ask, Why automation? Why IoT? Well, I will say, that is the way we collect data. In old days, we relied on operators to input transaction data in transactional systems (MES, ERP…) to record activities (data of activities). But are the data real-time? are the data reliable? If all the data are automatically fed into system via these automation systems, users can expect more real-time, reliable data. Before IoT, some of the data are not available or hard to be obtained, for example, logistics information such as truck movement. This information can be updated only when truck arrives and the driver reports his duty. With IoT, more and more “things” can be connected, people can get more data for making decisions. Because of range of data availability, the quality of decision, speed of decisions can all be improved. When decisions are made, the instructions (actions) also need to be sent to execution and again how the instructions are sent is also improved due to automation and IoT.

Because of data drive all decisions, I think how to manage data, use data, analyze data is the key to success for Industry 4.0. If enterprise wants to be “Industry 4.0”, they need to think about how they will do with data.

If the enterprise does not have the capability to collect, store data, it needs to start with the capability to collect/store data related its activities. And it needs to think what kind of data is required to support their business decisions.

Enterprise which has data needs to think about how they can analyze the data, build its analytics capability (from descriptive to prescriptive). This part is a process of evolution, needs to be adjusted, calibrated with more and more data collected, more and more results obtained.

No matter which stage the enterprise is, what capability the enterprise has, the common and fundamental part is to have a good data platform to hold, store data and support analytics. The platform shall take transactions, integrate with automation, work with IoT, support Big Data, collaborate with Cloud…

So, want to go “Industry 4.0”? Think about the data first, think about data platform first.

Decision-Making, it's what Industry 4.0 is all about

What is Industry 4.0? Is it "smart factory'? Buying robots, automating production...is that what makes the enterprise "Industry 4.0"? Let me take a step back.

Enterprise makes all kinds of decisions during its operations: How much to sell? How much to make? What to sell? To whom to sell? Where to store? How to make?....all kind of decision and all kinds of actions followed.

To my point of view, Industry 4.0 is merely talking about how to make decisions related to productions fast and in the way applying new technologies such as IoT, Big Data (Analytics), Cloud. But in the end of day, it still comes to "Decisions".

With data collected and analyzed in real time fashion, machines can self-decide what to do next. For example, here comes a lot and machine reads its RFID to know the following operation required for this lot, (make decisions) download process recipe, start the operation (take actions). So, I think Industry 4.0 is all about how to automate the decision process without or with limited human input to improve production efficiency, reduce energy consumption, improve working environment.

Data, analysis, decisions, actions are the steps for enterprise to manage its daily operations. Because of maturity of the enterprise, enterprise might have different levels of human input during the analysis step.

If enterprise can only get "what was happening" from their data, they need high level of human input to make decisions. From my experience, production planners download production reports, manipulate those data in Excel then decide the next production plan. So, lots of human input here. This is "descriptive analytics", very basic.

Some enterprise are able to present "why did it happen" using some business intelligence tools. They can know the root cause then decide what to do next. For example, planners drill down the reports and find out one of the machines is the bottleneck, causes WIP to pile up. Planners can then decide how to offload and make sure orders still meet the due date. Less human input then stage one, this is "diagnostic analytics".

Applying some statistical models, enterprise can find out "what will happen" so they can decide to take some actions before it happens. Planners forecast incoming demand by looking into forecast numbers generated from historical data and decide the master production schedule accordingly. This is "predictive analytics".

Three stages need human inputs to make decisions, most of the time, by "experience". Therefore, it could be less efficient and hinder the responsiveness.

If some sort of "intelligence" can be applied to make decisions for human, then it can greatly improve efficiency. This is "prescriptive analytics" and is what Industry 4.0 aims for. However, there are still 2 levels of this stage, one is the "intelligence" only helps human to make decisions (decision support). For example, advanced planning system generates production plan via the data but planners still need to make final decisions for execution. The next step is really what Industry 4.0 talking about: automate decision making. Just like Jarvis in Iron Man movies, it can make the suits based on input from Tony Stark (closed color, materials) without Stark oversees the production processes.

Back to my argument, Industry 4.0 is talking about making production-related decisions in better way, faster way and automates decisions where it's possible and efficient. Therefore, to start with Industry 4.0, enterprise needs to think about how their decisions will be made then lay out the plan to enable the decision processes.

My view to Industry 4.0

Industry 4.0 is a hot topic recently in Asia following latest China’s “Made in China 2025” initiative (http://news.xinhuanet.com/english/2015-05/19/c_134252230.htm). Germany starts this idea to retain its manufacturing leading position by applying information technology further in manufacturing. It is not only simply to “automate” manufacturing, but add the secret ingredient, intelligence, into manufacturing.

Industry 3.0 includes Computer Integrated Manufacturing (CIM) and enterprise business applications such as ERP, CRM, SRM and SCM. Following the rapid development and wide use of computers, enterprise is able to enjoy the operation efficiency improvement, quality management, cost control…with data from shop floor, enterprise and even across enterprises. Early 2000, SCM was the hype at that time and enterprises were talking about collaboration, data exchange, supply chain visibility. Companies like Wal-Mart, Dell grew rapidly because of adaption of SCM in their business models. OBMs from US, Europe could offload capital-intensive manufacturing to Asia, Taiwan, China and south Asia by integrating supply chain information through business applications. On the other hand, manufacturing in US, Europe lost the competitorion edge because of cost, and German thinks about how to move manufacturing back to Europe. Furthermore, Industry 4.0 not only aims to improve operational efficiency, reduce cost, but also energy usage (consume energy, material more efficiently and intelligent), operation safety (adapt automation, robots with self-detect intelligence in hazardous environment or operations).

I would say that Industry 4.0 is more like a strategic framework about how to get manufacturing in Europe as competitive as Asia. Industry 4.0 is built upon few key technology inventions: internet of things, cloud and big data.

Internet of Things
In the age of Industry 3.0, shop floor automation is limited to the technology to interact with SCADA, PLC…(Level 1 and Level 2 from ISA-95 standard). MES (manufacturing execution system) needs to develop communication with Level 1/2 devices which requires vast effort. Only industries of semiconductor, TFT-LCD…are able to enter “full automation” because of standardized protocol defined by SEMI (semiconductor equipment and material international). However, IoT is going to make the change. With IoT technology, MES could communicate with Level 1/2 much easier, which could close the automation gap quickly.

Cloud
Using cloud technology, information is easier to be shared and accessed by interested parties. Cloud enables further collaboration among supply chain partners with low set up cost comparing with data exchange approaches used in Industry 3.0 age which might be only available for large enterprises. With Cloud, the small/mid size companies could hook up to the platform to enjoy the benefit with very low cost/effort and faster and this could enable global visibility across the supply chain.

Big Data
This is the jewel in the crown. IoT and Cloud bring the mass data (big data) from sensors, PLC…and analytics is applied to extract intelligence from these data. For example, production planners could use optimization models to analyze material and/or capacity constraints and derive next best actions to cope with these constraints. Another example is to analyze sales history, inventory levels across the supply chain and decide how much to be produced, what to be produced. And the material purchase orders could automatically triggered and sent to suppliers based on shop floor production schedule.

Another key point of Industry 4.0 is to de-centrailize decisions to shop floor,“execution autonomy”. Comparing with Industry 3.0 where data are integrated, analyzed centrally and decisions are sent to shop floor for execution. Execution autonomy means an event in shop floor triggers analytics and decision is made locally to respond to the specific event. Therefore, there is some “analytics” to support execution which does not require sending data back, analyzing, sending decisions to shop floor, shop floor can respond faster and even without human involvement.

Leveraging these three key technologies, concept of Industry 4.0 can be realized and implemented. But is it so easy to be “Industry 4.0” simply adapting these three technologies? The answer is obviously “No”.

Because of many enterprise puts their focus on business applications, ERP, CRM, SRM, SCM in Industry 3.0 age, they turn their heads to execution automation, sensors, SCADA, robots, “factory automation” per se. Some hardware vendors (such as industrial computers, sensor makers, robot vendors) promote their products by claiming to enable Industry 4.0. Even with some level of analytics on top of factory automation, it reaches only “smart factory” not completely Industry 4.0.

We think the key to Industry 4.0 is IT/OT integration (http://www.gartner.com/it-glossary/it-ot-integration). IT (information technology) means all business applications from Industry 3.0 (ERP, CRM, SRM, SCM) which facilitates enterprise business operations internally and externally. OT (operation technology), no the other hand, includes SCADA, PLC, MES… related to manufacturing execution. Without IT/OT integration, enterprise cannot benefit from Industry 4.0 transformation.

Some enterprises have highly automated factories which rely on very few operators to keep factories working after “automating the factory”. However, customers’ orders are not directly linked to production. Planners need to work on Excel spreadsheets or adapt Advanced Planning Solution to come up with master production schedule (MPS) based on customer orders/demands then release to factories for production. Here is the gap between IT and OT, and enterprise is not really “Industry 4.0”.

To better understanding of the concept of IT/OT integration, let’s take the example of BMW Z4 manufacturing. National Geography produced a film to introduce the making of BMW Z4. Consumers are able to select any color of leather seats and body color in the dealer site. The sales order (demand signal) will be sent to the factory and factory schedules the production based on material and capacity availability. With BOM (bill of materials) explosion, request for seats of specific color will be sent to suppliers with the time of request (when the production reaches the stage of seat assembly). Along the engine assembly, body painting, assembly, requirement of seat will be updated to the seat supplier to synchronize the production of seats/car. In this example, IT (order configuration, response, supplier collaboration) is fully integrated with OT (shop floor execution status/schedule) so that BMW can provide high customer service to its consumers.

Many enterprises ask the question: “How can I know if I am already Industry 4.0?” or “How is my maturity of Industry 4.0?” This is not an easy answer, nor standard one. We think Industry 4.0 is a strategic framework but there is no clear stick yard yet.

With Industry 4.0, enterprise can not only improve current operations but also has the possibility to innovate new business models. By applying Industry 4.0, it can make some impossible become possible, and this could introduce new service models, new business approaches.

IoT, Cloud, Big Data alone have been the source of business model innovation. For example, Trane changes their business model by charging their clients with operational hours of air conditioners. It analyzes data of the equipment availability and keeps to maintain high service level to be profitable. Another example is Royce Rolls charges its client by operational hours of aircraft engines instead of selling engines. (http://bluecanyonpartners.com/taking-flight-how-data-is-being-used-to-create-new-business-models-and-drive-profitable-growth/) With Industry 4.0 of integrating three elements, enterprises are able to develop more innovative models.

After framing new business models, enterprise can then identity the gap between as-is state and to-be state: does factory need to be 100% fully automated? What kind of data should be collected? via what kind of sensors? What intelligence needs to be extracted to support business model? How to link customer service to manufacturing shop floor? Not only CIO, but CEO, COO, CFO all need to think about this to achieve desired state. The most interesting part of Industry 4.0 is to bring customer requirement directly into manufacturing execution and promise back to the customer, it requires integration and collaboration inside and outside enterprise. Without seeing the big picture, enterprise will not receive the full benefit of Industry 4.0.

Some colleagues ask me: “If industry 4.0 is just another bubble?” I will say, We believe there will be a long journey ahead for Industry 4.0. And the journey is full of uncertainty, but also all kinds of potential and possibility.

Computex 2015 Taipei 高峰論壇 「雲端跨界‧智慧物聯」－軟硬整合關鍵下一步

昨天參加了今年Computex Taipei的高峰論壇，聽施振榮等幾位業界高階主管談物聯網 (Internet of Things, IoT)，在場的聽眾們大概都是期待他們幾位提出幾個明確的方向，讓台灣高科技產業能夠有所依歸。如果是想聽到這樣「簡單的答案」，那應該是失望的；但是如果是由「了解趨勢與方向」出發，個人覺得還是很有收穫的。

第一，物聯網時代的新理念

施振榮大聲疾呼他所倡議的「王道哲學」，也就是「永續經營」、「為人類創造價值」、「利益平衡」。說起來好像有點玄，但這與近來流行的一個名詞，「B型企業」，我認為是不謀而合的。施振榮唾棄美式企業「贏者全拿」 (winner takes all)的思維，他認為東方王道精神才是未來的主流思想。

因為物聯網所帶來的革命會產生zero margin cost，因此未來競爭不再是「零和」，而在於如何創造更多價值 (create value)。透過新的科技，將可以為消費者創造更多價值，但是未必相對的收取更多的費用，甚至還是持續「免費」。因此過去大家爭取自身利益最大化的「零和」模式將不再存在，因為原來就是「零」。

第二，未來高科技產業必須轉型的方向

施振榮開宗明義提出台灣高科技應該由「硬體」思維轉型到「硬體」+ 「軟體」 + 「服務」，才能走出現在的低潮。

這個想法跟我的觀察一致，過去台灣善於 「cost down」，接單然後想辦法透過經濟規模降低製造成本來賺取利潤，但是國外品牌則是善於 「create value」，如Apple打造整個ecosystem，同時提供硬體、軟體與服務，提高消費者黏著度，提供更多價值。台灣目前還是期待某品牌能夠推出一個「device」橫掃千軍，然後台灣可以接到代工的訂單。

但是目前物聯網的發展都是以某個應用情境 (user scenario)為主，為了要呈現這樣的應用情境，除了硬體外，都必須搭配相關的軟體來提供對應的服務；而其中硬體勢必要能夠非常低成本、可靠，但是又必須要與軟體相互搭配 (software-defined hardware)，因此台灣高科技對於這一點是不能夠再以過去的思維來操作。

第三，積極投入、創業精神、業務模式

ARM的副總裁Ian Drew，提到目前物聯網給了學生、年輕人、創業家許許多多的機會；施振榮也說，物聯網是給年輕人的機會，而不應該是由他這樣70多歲的人在推，因為他沒有心力與體力了。聯發科的行銷長也提到當他們提供年輕學生這些科技時，他們可以發揮創意、設計出很多令人驚艷的應用。

因為物聯網這些機會，基於過去電子製造的經驗與環境，台灣其實有許多的機會。教育、創投等可以積極推動創業，讓年輕一代積極投入這些運用，為台灣開創一個新的局面。而現在就像70年代電腦興起一樣，百家爭鳴，有著許許多多的機會，對於年輕一代正是大好機會。如果還是期待政府有所作為，或是僅想進去一個企業當個朝九晚五的上班族，那台灣的未來堪慮。

但是不可諱言的是，目前物聯網運用的商業模式仍待開發、創造。在zero margin cost的情境下，已經沒有辦法像過去那麼直接的透過買賣軟、硬體來收取費用。Google提供很多有趣的服務，而且是免費的服務，他們沒有對消費者收取費用，但是藉由對於消費者一些分析來對廣告商收取費用。諸如此類的商業模式創新將成為物聯網時代各家企業或新創團隊最大的挑戰，也是成功的關鍵。


物聯網將在許多面向帶來革命，或許不是現在或是幾年內，但是我認為這是一個必然。在工業上會帶來革命 (工業4.0)、在金融業會帶來革命 (bank 3.0)、在智慧城市、智慧家庭、零售...等等都會慢慢的改變。台灣將在這一波浪潮下走到哪裡？那就看大家先在心態上怎麼調整了。

資訊技術導入的思維

最近接觸兩個不同的公司，一個是所謂高科技產業，另一個是傳統產業，他們都在思考導入新的資訊技術，但是他們背後的思維與過程卻是一個有趣的經驗。
這個傳統產業認真思考最近很夯的工業4.0，整個公司由董事長、總經理、副總、協理整個動起來，甚至找了很多學界顧問來認真研究這個議題。內部整個認真研究，確認全公司的awareness、讓大家覺得這是一件要做的事情，凝聚共識。

另一個高科技公司則是希望要改善客戶服務，董事長就把事情交辦下來，然後變成了一個IT專案，不同部門之間又有不同想法，長官們就只下下指導棋，平時就丟給第一線人員去執行專案；甚而有些人員認為這是vendor的責任，vendor必須提出建議、把系統建置好，出了問題就是vendor要處理、負責。

結果是可以預期的。

「科技始終來自人性」，資訊科技是為了滿足業務需求而被發展出來的，而資訊科技的運用也應該是要基於業務目標而來思考的。不同層級的人員有著不同的業務需求，老闆希望公司持續賺錢，作業人員希望作業方便簡化，各有所需。採用新科技技術前，應該要讓上到下全體能夠有一個完整的認知與目標，在提出需求時，時時回到初衷，檢視是否合於當初的目標，這樣才能夠持續推動前進。

而對於vendor也要思考其技術、功能的瓶頸，並誠實以對。只要方向不變，業務需求則會繼續存在，即時短期內閃避了一些無法處理的需求，但是使用者的需求並不會消失，因此即使新系統上線，使用者仍有未被滿足的需求存在，對他們而言，新系統就是「不好用」、就是「沒效益」。

因此不僅僅是使用者方面要思考導入的目的、方法，vendor也要思考如何來「幫助」使用者，這樣才能在一個有建設性的環境下推動新資訊技術的導入。

資訊與製造

台灣的高科技製造業在PC產業的崩壞之後就落入一個低潮，至今很多企業還是在期待下一個device的出現，然後能夠去拿到那個代工的單。問題是：這樣的形態還能發生？又有哪個device可以像PC這樣有這麼久的榮景？

台灣企業擅長的是去接一張單，透過大量製造、成本控制而能夠由其中賺取利潤。而在售價下滑與原物料價格上漲的趨勢下，之間的獲利空間越來越小。利潤都被品牌公司拿去，代工業者僅能期待品牌「賜予」微薄的利潤。

走向品牌是一個選項，而維持代工呢？我覺得，必須要能夠更智慧的製造才有機會再降低成本。

首先，客製化是必然的趨勢，因此過去因大量製造得以控制的成本會因為客製化減少的批量而不復存在。

其次，更有效率的製造，節能、低成本的製造將是必要條件；透過節能而更有效率的製造才能夠再進一步降低成本。因為能源、天然資源的成本將逐漸上升，可以更有效率生產的業者就會有著成本的優勢。

最後，製造將慢慢移動到消費者附近。過去世界工廠這樣的概念將因為運籌成本而慢慢式微。因為節能、低耗、低污染，製造可以搬遷到靠近消費者的地方，除了縮短運送時間，同時也更能夠支援客製化的需求。

這些需求都需要更高的管理智能，而個人覺得這也是工業4.0概念興起的原因之一，所以台灣應該要好好思考這個概念。

過去很多業者把IT當成成本，而在成本縮減至上主義之下，能夠不花錢就不花錢。有些公司花大錢投入IT建置時，還可能淪為其他友廠嘲諷的對象。而企業主也認為與其花錢搞IT，還不如弄技術、買設備。

但是「智慧製造」這件事情如果是必然的話，則IT就會變成必然，因為有IT才有智慧。透過IT技術，能夠管理散佈更廣的製造所、透過IT，可以提供更即時的決策、透過IT，才能夠即時連接消費者與製造、透過IT，可以更有效的使用資源，更加節能。我相信，IT將成為未來企業競爭力的來源之一；尤其在製造能力差異不大之下，能夠運用IT工具提昇效率的企業就能夠勝出。

大數據與供應鏈

最近大數據變成一個顯學，企業們都在談，而許多廠商紛紛提出許多案例，想要抓取這個商機。在一個研討會遇到一個客戶，他問了一個問題，我相信也可能是很多人的疑問：大數據好像都是用在消費者、零售業務上，跟供應鏈有啥關係？

其實供應鏈上對於「分析」的運用應該是很早的，而且也是必要的。以最熟悉的生產計畫來說，規劃人員會將供需資料下載到試算表（如excel)，然後進行試算，推算出計畫。在這裡面就是有許多的分析。接下來APS的導入更能夠協助規劃人員進行更大規模、更快速的分析與計算。

在不遠的未來，藉由更快速的計算速度、更多的考慮因素，結合新的分析模型，電腦將可以提供更多、更正確的分析與情境規劃，進而協助改善供應鏈規劃的品質。

其他如需求規劃、採購價格分析等等業務也都會慢慢的採用更好、更精準的分析。而無法跟上這個腳步的企業將會慢慢的被邊緣化。

正如「再見，平庸世代」(the average is over)這本書所闡述的，做到一般將不再有機會，只有精進才能繼續維持競爭力。

因此我認為供應鏈管理者對於「大數據分析」應該積極研究並且推展，重點並不是著重於「大數據」，而是「分析」，在精進分析能力後，會逐漸發現還有哪些資料可以提升分析品質，逐漸加入這些資料，這樣才是有效運用大數據分析於供應鏈管理上。

準備好再動?

清朝文學家彭端淑的作品：

「蜀之鄙有二僧，其一貧，其一富。貧者語於富者曰：『吾欲之南海，何如？』富者曰：『子何恃而往？』曰：『吾一瓶一缽足矣。』富者曰：『吾數年來欲買舟而下，猶未能也。子何恃而往？』越明年，貧者自南海還，以告富者，富者有慚色。」

「快」已經是現在企業必要的能力，但是對於很多新東西、新科技，許多企業的態度都是「先研究清楚、準備好再來動」，講穿了就是以拖待變。先讓其他勇士往前衝，確定沒事了再跟上，充分發揮「老二哲學」。

衡量自我能力是否完備當然是必要的，但是如果是執著在一些枝微末節或是只想規避風險，那麼只是無謂的等待。昨天聽清大簡禎富教授分享他從事大數據分析的經驗，他提到許多使用者都執著於成果必須能夠有非常大的成效，就像是直接挖出999純金的金條；但是許多情況下，僅能夠挖出一些小金塊，而且這些金塊還需要精鍊，但雖然僅是這些小金塊，也比原來的狀況有所進展了。

個人的經驗中，許多企業對於導入資訊應用系統都有類似的思維，使用者斤斤計較一些枝微末節，例如：報表格式、使用介面...等，但是對於這些應用是否可以有效提昇作業效能則不去了解。更甚者是，當老闆問他們的意見時，他們就是籠統的一句：不能符合我們的需求。

就像那個富有的僧人，他還要等待所有細節都搞定才要行動。然而現在企業環境變化之快，又如何能夠在此變動的環境下確定所有細節都能搞定？

因此企業必須理解這些行動對整體企業運營的效益，如果是正面，就應該儘快積極行動，就如對岸常說的「摸著石頭過河」，邊做邊修正。否則就算窮極心力費時擬定完美計畫，企業環境也已經變化，計畫也不再適用了。

Big Data Driven Supply Chain Management - Chapter 6: Impact on "Move"

Move也就是運籌 (logistics)，是供應鏈管理領域分析應用最多的部份，如果是工業工程的朋友就知道，在運籌領域的分析運用就是我們在大二、大三念的Operation Research (作業研究)。

運籌的目的是遞送完美訂單 (perfect order)，而所謂的完美訂單是滿足四大條件：
完整 (complete): 所有的物品都按照需求數量交付
準時 (on time): 訂單在客戶要求的時間準時送達，依照客戶定義的on time delivery送達
準確 (accurate): 所有文件都完整檢附，如送貨單據、發票
完整的狀況 (perfect condition): 訂單的配置正確、沒有損壞、正確的安裝

這裡面有一個句子很有意思，「依照客戶定義的on time delivery送達」 (using the customer’s definition of on-time delivery)。我遇過一些企業內部定義了OTD這個KPI，他們自己有自己的定義，因為這些KPI會影響他們的績效獎金，所以輜銖必究，甚至有點寬鬆。但是這種面對客戶的績效，最終是要由客戶來評斷的，即使內部自評是100分，但如果客戶不買單，那也還是白搭，不是嗎？

運籌相關的成本很高，包含倉庫的設置、運送車隊的建立...，因此專業的第三方物流服務者因而興起，而許多企業也樂得將這部分外包出去。但雖然不需要背負運籌管理的問題，關於客戶是否準時拿到貨品、物料是否即時送達工廠...等移動還是與運籌即時相關，因此企業還是需要承擔一部分的管理。

因為RFID、GPS等技術的普及與成本下降，運籌的資訊已經愈來愈能夠即時取得了，並且透過這些資訊的分析運用，企業得以大幅改善運籌效率，包括更即時掌握訂單狀況、庫存消耗以及在途等資料，更精確的預估庫存需求進行捕貨。目前台灣便利商店是透過更頻繁的補貨頻率來應付精準度低的問題，但中大型賣場則是透過庫存來因應。如果可以強化相關資料收集、分析，仍然有改善的空間。

PCHome有名的24小時購物是一個提高客戶服務水準的方法，但是為了達到24小時送達，需要投入許多資金來達成這麼高的客服目標，如果要更有效率，則需要更多的資料收集與分析：哪些物品需要24小時送達? 消費者喜歡打折或是24小時送達？這些問題都可以透過更精準的分群 (micro-segmentation)來進行資料分析，依照產品、客戶、市場來設計不同的運送方案。

因為台灣幅員較小，運籌通常比較不受重視，但是對於倉庫管理、庫存管理等議題仍是很重要的管理議題。另外前幾年推動製造服務化時，在服務上很關鍵的逆向運籌 (reverse logistics)也是企業可以關注的部份。逆向運籌不同與一般正向物流，有更多的機會需要追蹤到個別物件 (individual items)，並且需要結合其他服務相關的檢核機制，如保固期、購買地點等，因此複雜度往往更高。而且逆向運籌通常會更直接影響消費者體驗，因為當消費者退、換貨或維修時，消費者對於服務時間更敏感；一次不佳的經驗可能就會影響消費者未來的消費決策。

分析在Move上已經有許多的實踐經驗，而更多的數據可能為企業帶來更精準的預測與決策支援，而Move不能僅僅看運籌端，而更需要與Sell、Make一起考慮，才能收到綜效。

Big Data Driven Supply Chain Management - Chapter 5: Impact on “Make”

“Make”製造，這大概是台灣最熟悉的領域，其實「分析」在這方面的運用也是最多的，由工廠排程、供給規劃、需求規劃、庫存規劃、良率分析、品質改善等等，都是分析的運用實例。

除了這些方面以外，作者提到三個部分，前面兩者是「研發」、「服務」。作者提到許多公司透過互聯網 (internet)與客戶、供應商協作來開發新產品或是提供客戶需要的服務。透過網路上開放平台來收集客戶反應，並分析得到哪些功能吸引客戶，是主要的原理。

我覺得最令人興奮的部份其實是第三點，「數位工廠」 (digital factory)，也就是最近台灣很夯的「工業4.0」。數位工廠的可能性是來自於新科技的發展以及普及的感應器 (sensors)。

IBM的研究裡面曾提出三大新科技會改變製造模式：3D列印技術、可任意配置化 (confiurgable)的機器人以及開放源硬體設計 (open source hardware)。因為機器人成本逐漸降低並且可以任意配置改變功能，因此生產線可以因為生產需求任意調整改變來符合最有效率的生產需求。

而日益增加的感應器安裝在生產線上，隨時將生產資訊即時傳回來，讓管理者能夠即時掌控生廠狀況，並且可以透過即時分析對於任何變動決定最佳的因應行動。

因為新科技讓工廠可以任意配置變化；又有感應器佈滿生產線，就像神經可以隨時感知任何變動，整個實體工廠可以被數位化，並且呈現在模擬系統上，讓管理者可以尚未佈署實體生產線前就可以模擬工廠運作狀況，並且對於生產效率、成本、能源耗用等進行優化，然後再更改機器人配置完成佈署。這也就是工業4.0裡所提的physical-cyber system (PCS)。

除此之外，作者也提到「協作」的重要性與必要性。過去在供應鏈管理上就一直強調協作的重要性，而因為物聯網技術的逐漸普及，強化點對點以及橫向的溝通，所以資料的分享、協同作業會越來越即時、方便。例如：汽車組裝廠接受客製化訂單後，可以即時將所需要的物料資訊傳給零件提供商，零件提供商則視需求時間即時將零件送到組裝廠。零件組裝廠與汽車製造商共同分享需求資訊，進行分析、決定庫存計畫....等等，都是因為資訊的分享而可以更大幅度的協同作業。

除了以上這些運用以外，作者在最後提到產銷規劃 (sales & operational planning, S&OP)。產銷規劃是極度透過資料分析來完成的流程，並且需要來自不同功能部門、甚至供應鏈夥伴的資料來進行分析、模擬才能有效完成的。目前許多台灣公司「號稱」的產銷規劃其實是在「協調」，也就是討論製造與銷售之間的不一致，雙方期待能夠達到各自想要的結果，而不是真正放眼於整體產銷狀況而以達到公司整體目標為主。正因為產銷規劃需要整體產、銷狀況，因此它需要許多資料，並且進行適當的整理與統合，讓規劃人員可以進行分析。例如：各點的銷售資料必須以地區階層、客戶群組、產品等進行整理，才能夠掌握不同地區、客戶對於不同產品的需求狀況並進行有效的預測。因此個人認為一個公司在於make分析能力的成熟度可以直接由它S&OP的流程就可以看得出來。

總的來說，「分析」在make方面並不是新議題，只是有更多、更即時的資料了，而如何有效運用這些資訊，則是企業未來決勝的關鍵了。

天下武功，無堅不破，唯快不破

火雲邪神說：「天下武功，無堅不破，唯快不破」，小米雷軍也講「天下武功，唯快不破」期望創業者動作要快。我認為所有企業都一樣，應該要追求「速度」，把「速度」視為最高的競爭策略。為什麼？

為了追求速度，企業不會腦滿腸肥，一定會盡量精實；為了追求速度，企業會決策果決；為了追求速度，企業會保有最高的彈性。而這種種特質都是成功企業的特質。

賈柏斯希望蘋果保有創業精神，他認為這是維持蘋果競爭力最重要的工作，因此決策都是由幾個主管拍板，並且因為組織扁平可以快速執行。

許多企業在成長後，組織逐漸膨脹，工程師要問小主管、小主管要問經理、經理要問處長、處長要問協理...一層一層上去，加上揣摩上意，常常搞出一些令人無法理解的事情。當工程師在組織的階梯慢慢爬上去後，除了持續向上管理外，向下官威也慢慢的培養出來，所以就整個變了調。

流程上也是如此，原本簡單的流程因為要卡控一些細節所以加上了管制點，然後又發現一些原本沒有想到的點，就又要加上新的管制流程，逐漸的疊床架屋，搞到流程相當複雜，員工花在因應流程上的時間比實際在有附加價值的工作上要少。

系統也是如此，使用者提了需求就加上一些客製程式，另一個使用者提了另外的需求就再加；甚至加上其他系統來符合新需求，慢慢的整個企業應用系統變成一個大怪物，沒有人敢動它，因為改的好，是應該的，改壞了，誰要扛這個責任？所以即使系統效能不好、使用者使用不方便、沒有辦法即時提供需要的資訊，那就還是撐著吧。

所以組織、流程、系統上都因為一些事情，讓企業犧牲了「速度」，這對嗎？因此我認為，企業應該持續追求速度，只問是不是能夠更快，才能真正解決問題。導入這個系統，是不是能夠更快？流程該如何改善才能更簡單？組織的設計如何才能讓決策、執行更快？持續思考這些事情，才能為企業持續強化競爭力。

我們就只能代工？

剛剛看到一則新聞，緯創、仁寶成為Apple供應鏈的一員，讓我又在思考最近跟朋友的一些討論。

台灣過去以代工模式在PC供應鏈上佔了重要的地位，而在移動裝置、智能手機興起後，整個PC供應鏈崩壞，造成這些企業不知所措。而手機的霸主蘋果、三星就是大家要爭取代工的對象了。但，台灣只能代工？

如果我跟你提議一個business model,然後說要投入1000萬，你會怎麼問？

應該很多人的答案是：會賺錢嗎？什麼時候會開始賺錢？我們大多數的人應該會很在意ROI，很在意什麼時候可以把本賺回來、然後開始賺錢。

會有人問這個business model是否可以持久、可以創造新的模式讓競爭者不會進來？短期之內即使不賺錢，但是持續堅持這個所堅信的business model終究可以賺錢？

以前我聽過一位公司的大股東說：幹嘛搞品牌，又花錢又不一定賺錢，就幫人家代工就好了呀。我想這就是典型代工思維，只想弄個生產線，然後幫歐美大廠打工，今天幫這家打工、明天換另外一家。這些歐美品牌大廠賺走了智慧財，而我們只能賺辛苦血汗錢。大學的老師說，致富的shortest path是到交清念研究所，然後去台積賺股票，而現在可能多一個選擇是鴻海。但是就只有這樣？

現在因為雲端、社群這些架構興起，比之前「.com」的年代帶來更多機會，而且可以用更少的資金、甚至網路集資來獲得資金創業。為什麼我們不能跳脫代工思維，然後試試看以不同的business model來賺錢？我們是否能夠勇敢去試試看自己相信的事情，即使沒有如預期成功，但也有勇氣去經歷失敗並從中學習？

Chapter 4: Impact on “Sell”

作者在前面提過供應鏈的四大作業，Sell, Make, Move and Buy，在本書的第二大段就是一一解釋大數據分析如何影響這四大作業，並透過一些案例提供讀者參考。

作者認為銷售 (sell) 對於供應鏈的影響在於行銷 (marketing)，透過大數據分析來得知顧客的喜惡並預測顧客的行為。行銷負責將企業組織與外部客戶連接起來，要將整體供應鏈的價值 (value) 提供給顧客，因此對於供應鏈的影響極大。

在台灣很多企業對於marketing與sales並分不清楚，許多企業的行銷就是辦辦活動、印印傳單、或是負責做give-away，抑或是跟sales一樣跑客戶，並沒有真正發揮作者提到行銷的功能。或許也是因為台灣OEM/ODM的代工型態，行銷沒有受到重視。

以前企業主要是以一般消費大眾為主 (average customer) 來設計運作模式，透過大量生產降低成本並滿足一般的消費者。但是今日的消費者越來越精 (knowledgable)，他們需要更好的品質、更低的價格、更快的交貨速度，因此企業必須思考如何提供更高的客戶服務以及ㄧ對一的客製化服務，這些需求對供應鏈造成極大的改變。

由行銷的定義來看，就是要如何處理四P：

Product (產品)：透過大數據分析了解客戶喜好以及可能一同購買的商品 (bundle sale) 以提高交互銷售 (cross selling) 機會，更甚者可以對消費者建議令他驚艷的產品。
Price (價格)：定價的重要性不必多說，而對於不同市場區隔、不同消費族群應該有不同的定價策略來提高企業獲利。大數據分析可以提供更細的市場分析資料，協助制定價格。
Place (地點)：除了過去多層架構的配銷管道 (distribution channel) 外，未來直送到客戶手上 (direct-to-consumer) 將會慢慢的變成最重要的銷售管道。而如何管理庫存，確認即時滿足客戶需求是大數據分析可以運用的範疇。
Promotion (推銷)：推銷就是要增加產品曝光率與需求度。大數據分析在這一部分已經有許多運用案例，也就是透過分析來進行目標行銷 (targeted promotion)。

在處理這四P時，作者提到幾個比較重要的大數據分析運用：

市場區隔 (market segment)
區域行銷 (location-based marketing)
多渠道行銷 (multi-channel marketing)
消費者情感分析 (sentiment analysis)
店內行為分析 (in-store behavior analysis)
商品規劃與定價 (merchandising, assortment & price optimization)
這些應用基本上都是想要了解「每一個消費者的真正行為」。過去因為資料量不足、IT技術的限制，對於消費行為分析都僅止於「群組」，消費族群、產品族群、區域...，但是因為行動裝置、透過信用卡資訊...等方式所得到的大量數據可能讓企業有機會將消費行為細到「個人」、「SKU」、「單店」這樣的模式。透過了解個人、SKU、單店的消費行為，企業得以更針對性、透過適當的管道進行行銷活動，來提高消費者轉換率。

所以這些sell相關大數據分析的運用都是因為更多數據而可以進行更細緻的分析資訊。企業可以進行更細部的市場區隔 (micro-segmentation)，並且根據location-based資訊來進行區域行銷；例如：北部跟南部的消費習慣與行為肯定不太一樣，在中元節進行行銷時，就可以考慮不同的祭拜習慣推出不同的促銷活動，並且選擇e-mail或是傳統紙本廣告模式來傳送訊息。

正如阿里巴巴副總裁車正覺先生在「大數據的關鍵思考」書裡所提到，如何將前端數據 (消費者行為) 與業務數據 (後端供應鏈運作)結合，讓企業可以在sell這個lever上透過大數據分析得到insight，以供後續make, move, buy來運作，才是真正大數據在sell上運用的最主要目的。而商品規劃與定價就是最直接的部分。

透過大數據分析 (如季節、熱門關鍵字搜尋、店鋪位置...等) ，動態調整商品組合 (assortment) ，並且調整售價來提高產品流動率與獲利率；並且基於店內行為分析找到熱區，然後將熱門、主打商品陳列在熱區，讓消費者容易取得。而這些assortment的決策必須與後面庫存規劃結合，確保有效供給不會斷貨。這樣就是發揮大數據分析在sell上的效益。

台灣製造業很多是電子代工，過去都是被動根據客戶需求來生產，因為身處於供應鏈上游，對於下游狀況沒有辦法掌握，所以就受到長鞭效應的影響，在砍單、急單循環中受苦。但是如果可以思考透過更進一步的數據收集，將分析延伸到供應鏈的更下游，獲取真正消費者需求變動，可以改善這個狀況。例如：如果OBM新產品的評價很好，而且帶動銷售狀況，那麼對於此一OBM的預測應該可以較樂觀；反之評價不佳時，則是否應該較保守？透過大數據分析技術改善需求感知 (demand sensing)的能力，是台灣代工型態可以思考的方向。

Chapter 3: Barriers to Implementation (2)

除了人才、技術、流程一般系統導入常見的問題以外，作者還提到實施大數據分析的另外三個障礙：

分析的停滯 (analysis paralysis):
雖然企業了解導入大數據分析的優點，但是對於如何使用、如何導入並不完全了解。因此無法真的透過大數據分析來改善它們供應鏈的運作，也就造成運用上的停滯，也就是沒有收到效益。作者把常見的狀況分成四大類。

大海撈針：沒有整體規劃，隨意選擇主題運用「分析」，希望能夠獲得效益。
孤島式的優化：針對單一問題進行優化，只考慮單點問題，而非整體供應鏈系統優化
過度衡量細節：希望衡量所有細節，制定太多的衡量指標，而無法透過專注的主要績效指標來衡量分析的效益
動作停滯：企業無法決定導入分析的行動，淪為紙上談兵而終究一事無成。

過多的資料 (drowning  in data):
供應鏈上有太多的資料收集進來：由POS、網站、內部交易系統....等，而企業無法透過分析工具有效將資料轉化為資訊。高階主管無法主導轉型為「分析導向」的企業、沒有適當的人才、流程無法配合等因素，所以企業空有大量資料卻無法有效利用。


失焦的衡量指標 (misaligned metrics):
企業透過績效指標來衡量其運作績效，但是績效指標的設計與架構是否有效的與企業策略、客戶服務的目標相連接卻是很多企業遇到的問題。在供應鏈運作上，我也看過公司過度注重庫存水位，而對於準時交貨這個部分失去了競爭力。成功運用大數據分析前，必須確認整體績效的衡量架構，著重於流程改善的績效指標 (如訂單滿足率) 而非功能組織的績效指標 (如庫存水準、採購成本)。如此才能透過大數據分析來驅動流程效率改善。

這些障礙都是作者在這本書裡面嘗試要去回答的問題，不過總而言之，她認為還要要有總體的概念，將供應鏈視為一個「系統」，尋求整體的解決方案才能得到大數據分析的效益。

Chapter 3: Barriers to Implementation (1-2)

大數據分析目前是一個熱門的題目，但是不是每一個企業都可以實際得到大數據分析的效益，則是存在很多的先決條件。

首先是「為什麼」。企業為什麼要導入大數據分析的技術，而期望達到的效益是什麼？

如果把企業放到一個三角形裡，並且依照技術層級分開，上層是所謂的高科技產業，如半導體、光電，中間則是手機、電腦等電子產品那些，而所謂的傳統產業佔三角形的下半部。

對於這些新技術的接受度，反而是三角形下半部的那些企業會相對比較開放。因為那些企業是處於一個相對競爭更為激烈的環境，而這些技術如果運用得宜則可以為他們帶來突破與創新。

所以我們看到Zara、Walmart這些公司，他們無法以技術取得競爭優勢，但是透過大數據分析來運作他們的供應鏈，讓他們得以在此取得優勢。而相對的，上層的企業則將資源專注於技術上，期望透過技術的領先持續其競爭優勢，對於運用大數據於供應鏈上，則較不是那麼的急迫。

也曾經看到企業在暴露於更嚴峻的競爭環境後，才急就章的想要仿效對手引進大數據分析的技術，卻又因為缺乏整體規劃以其競爭策略整合，而無法獲得效益。

因此正如作者所說的，企業高階領導人必須要有其危機感 (sense of urgency)，並且承諾持續推動，不僅僅只是推動變革轉型，也要將「分析」置入公司文化中，才能夠得到成效。這也就是我所講的「為什麼」。

其次則是「人」。在傳統產業裡即使企業領導人可以了解大數據分析可以帶來的效益、並積極推動，但要找到大數據分析這樣的專業人才，相對於高科技業，卻不是那麼容易。因此作者提到未來所謂第三方分析服務提供者 (3rd party analytic service) 的需求，但是對於這一點個人是有點疑慮。

每一個企業都有其運作的細節，而對於分析的需求就會有所不同，因此由外者提供分析服務會有其限制，因為外來者是必須要更多時間了解運作細節才能建立有效的分析模型並進行初步驗證，而企業未必能夠有耐心與預算支撐這樣的進度。相對的，當外來者能夠掌握細節建立、驗證並修正分析模型時，相信企業應該也會想挖角了。因此，如何找到人、培養人將是企業欲發展分析能力的一大問題。

最後是技術或是工具。台灣的型態都是由解決方案提供者 (solution provider) 來教育市場，然後部分企業就開始進行。但是這些企業是否能夠由解決方案提供商得到最好的建議或是最適合的工具？當然解決方案提供者會追求自己最大利益，而不是企業的。因此企業是不是能夠得到它所需要工具，就還是一個可議的點。

再者，應用系統 (application) 都是有一個預先定義的腳本 (scenario) 或流程架構來設計出來的。如果企業流程無法修改 (re-engineer the process)，則使用這樣的系統則有削足適履的狀況。如果企業堅持其作業流程，則只能尋求透過軟體元件或是全部客製開發的方式，這又會有系統開發管理 (需求確認、範疇控制...等) 的問題，而且又會回到「人」的問題，使用者是否有能力提出正確、完整的需求？

以上是我針對作者提出 「科技」、「人員」、「流程」三大阻礙的看法，請各位不吝指教。

Chapter 3: Barriers to Implementation (1)

作者在前面的兩章說明了大數據對於未來供應鏈的重要性，但是許多企業還是無法由大數據得到效益。在這一章，她提出幾個挑戰以及障礙。

在挑戰方面，作者提到在一次訪談時，雖然將近八成的高階主管肯定大數據是未來的趨勢，並且有將近七成的受訪者計畫導入，但是仍有八成以上的高階主管對於導入成本與效益是有很大的疑慮。主要的疑慮來自於下面幾項：

1. 資料與資訊：企業是否已經具有好的業務流程，並且有基礎架構將分析的結果運用於決策上。不然無法收集到所需要的資料，也無法有效運用大數據分析的結果，得到效益。
2. 由客戶服務出發的業務驅動因子：大數據分析的效益很大部分是來自於提昇對客戶的服務水準，但是有很多企業是著重於改善作業效率，如何將改善作業效率與客戶服務連接起來是採用大數據之前要思考的。
3. 如何整合獨立的資訊系統：過去導入複雜的資訊系統產生了許多獨立的資訊系統 (silos)，如CRM, SRM等。而大數據分析需要整合所有的資訊來進行分析，因此如何將這些資訊孤島連接起來將是最大的挑戰。
4. 產銷規劃 (sales & operations planning)：之前我也稍微提過產銷規劃的重要性，而作者更提到S&OP過程中需要整合許多的資訊、進行分析，作為決策的依據，因此執行S&OP的能力某種程度反應了該企業對於數據分析的能力。回應到第一點，如果沒有辦法有相關流程來運用分析結果，自然無法得到效益。

作者提到這四點挑戰，然後她歸納成三大障礙，看來很像老生常談，但是這也是為什麼許多企業過去在導入資訊技術失敗的原因。如果企業無法體認這三障礙並且想辦法克服，對於大數據運用大概也僅於趕流行而無法得到效益。這三個障礙適用於所有的資訊技術：

• 科技、技術、系統 (technology)
• 人員 (people)
• 流程 (process)

科技：

• 系統升級 (upgrade system)：為了引進大數據分析，無庸置疑的是企業需要對資訊技術進行升級，但是企業必須先就自己的需求出發，然後仔細盤點既有的資訊系統，然後找到不足的地方，導入適合的系統。

• 舊系統 (legacy system)：舊系統是最常見的障礙。過去為了解決一些業務問題會建置資訊系統，而一段時間下來就產生了許多獨立存在的系統，互相之間也沒有整合溝通。因此導入資料分析的系統時，就會因為這些根本架構的問題無法得到原本期望的效益，進而讓企業更懷疑所謂大數據的效益而更猶豫於相關投資。

• 資料的取得：供應鏈上的活動產生大量的資料，而大部分的組織並無法取得他們決策所需的資訊。作者提到：「可用的資訊」將成為重要的競爭資產。幾年前，我們也提過所謂「供應鏈可視度」，也就是即時提供所需的資訊。大部分的企業到目前為止還是有取得這些即時資訊的困難。如果將供應鏈延伸到供應鏈夥伴，則取得資訊更是困難。台灣在代工的架構下，僅僅因為下游客戶的需求，被動提供資訊，卻鮮少主要要求上游提供資訊，自然也就無法進行分析取得決策所需要的資訊。除了收集自己所產生的資料、要求供應鏈夥伴提供外，還有些資訊必須向外購買，例如市場資訊，未來購買資料應該也會慢慢被接受。

人員：

• 高階主管的認同：企業領導者無法了解分析可以為企業帶來的競爭力，所以相關IT投資被視為鉅額成本，企業領導者不願意投入。除非領導者具有願景，了解分析可以帶來的優勢，主導變革轉型，將企業帶向「分析導向企業」，否則不可能獲得成功。

• 分析人員：企業缺乏分析人才 (talent)。作者認為招募、訓練或是與學校合作都是方法，但是企業必須推動以「分析結果」為決策依據的文化，讓所有員工了解分析對於日常作業的相關性，進而主動了解、學習相關分析技術，才能真正轉化整個組織。

• 文化：組織必須認同「分析」導向的作法，整個組織員工都有此信念，支持、持續這樣的改革。而其中企業領導者必須扮演重要的領頭角色。

流程：

• 充分利用資訊系統進行業務決策：許多公司為了因應這股風潮，大筆投資於IT系統，並且雇用分析專家，但是如果缺乏業務流程來串連，終究還是會以失敗收尾。過去在導入APS的經驗裡，常常發現作業人員不願意信任IT系統，還是以自己的「經驗」來進行決策，並非將IT系統整合於業務流程中，以IT系統支援業務決策。相似的心態也會讓大數據分析的導入失敗。因為「人」與「系統」相互獨立，系統無法幫助人進行業務活動，將淪為一個可有可無的工具。

• 整合業務流程：分析的效益來自於跨不同業務功能的整體分析，在供應鏈上S&OP就是一個最典型的整合業務，它需要銷售、研發、行銷、生產、採購等跨部門的整合分析與決策。如果各業務功能部門獨立運作，以傳統接力賽型態來作業，自然就無法發揮整合分析的成效。

• 激勵 (incentive)：人類的本能都是抗拒任何的改變，所以只有設計相關的激勵方案才能讓員工願意擁抱改變。

第三章待續...

Chapter 2: Transforming Supply Chain

雖然作者還是把供應鏈分成買 (buy)、做 (make)、運 (move)以及賣 (sell)四大功能，但是她仍強調供應鏈不是一段段的流程，是一個「系統」，所以必須要以整體優化的角度來看，否則是無法得到綜效。

供應鏈策略是主導供應鏈運作的規劃 (可以參考我之前討論供應鏈策略的部份)，作者認為供應鏈策略應該跟兩個部分連結：供應鏈網絡設計 (supply chian network)以及資訊科技策略(information technology, IT)。

所謂供應鏈網絡設計是指實體供應鏈 (工廠、配銷中心...)的設計與規劃，在所有供應鏈的教科書也都會講這塊，但是可能因為台灣幅員小，這部份並不是很受重視，加上代工的型態為主，很多企業也都是以客戶為主，逐客戶而居。

供應鏈管理最主要的部份就是資訊，所以如何有效收集、分析資訊是供應鏈管理相當重要的課題 (再講一次：但是不是僅僅只是APS而已)。蘋果CEO Tim Cook在掌管Apple供應鏈時，他最早做的事情就是進行資訊整合，讓他能夠即時掌握供應鏈資訊。加上大數據後，有更多的資訊必須去收集、分析、解讀，因此如何運用IT是供應鏈管理成功的必要條件。

因為供應鏈是一個系統，所以僅專注於任何一個業務功能是無法得到成效，必須將整體系統端到端 (from sourcing to sell) 整體思考，才能得到大數據的成效。其次，過去的技術讓我們僅僅能進行有限的分析，所以才有aggregated planning的發展，但是透過大數據分析的技術，企業可以將過去分析的模型與方法drill down到SKU (stock keeping unit)、到單獨客戶 (individual customer)層級，得到更好的決策依據。而相對的，正因為是整體跨buy, make, move, sell系統的活動，其資料量非常龐大，也正好是大數據的範疇。在領先企業，如Amazon、P&G等等公司都是透過大數據應用管理整體供應鏈，才打造出領先的能力。

總結來說，只有體認供應鏈是一個「系統」，以整體概念來思考規劃大數據分析應用，才能真正得到供應鏈轉型的成效。

後話：

前幾年曾研究過系統動態 (system dynamic)這個概念，簡單的說主要概念就是因為一個系統裡因為時間的遞延，所以因果 (cause-effect)不是立即呈現，所以如果沒有辦法以一個動態系統的概念來思考，對於系統的改善是沒有效果的。例如：公司想要降低庫存，所以就去檢討庫存水位，而規劃人員、採購就會改變行為模式，專注於物料採購，一段時間後，可能慢慢把庫存降低了，但是或許造成訂單延遲交貨、斷線等結果。供應鏈裡面有名的長鞭效應 (bullwhip effect)其實也是系統動態的著名例子。

系統動態這個觀念可以用來解釋很多問題，如經濟、政治...有興趣的人可以去看看。幾年前有一本書叫「第五項修煉」，其實也是說明系統動態的概念。

讀書心得 Big Data Driven Supply Chain Management: Chapter 1 Game Changer

新的競爭已然來到，沒有辦法跟上這個潮流的企業會逐漸落後，而由市場上消失。新的競爭是來自於大數據，但並僅僅是大數據而已，而是大數據加上分析所產生的商業智慧 (intelligence)。

其實過去企業也進行不同的分析，但是過去的資料量受限於技術數量有限，但是因為移動裝置的普及、雲端服務、摩爾定律所說明的電腦運算能力成本的降低，大幅提昇資料量 (變成big data)，所以可以透過相同分析所得到的資訊更多了，所以企業可以更好的進行決策，因此能夠透過大數據分析改善決策品質的企業將比它的競爭者有更好的優勢。

其次，現在由B2B逐漸轉成B2B2C，因此直接對消費者的行銷 (shopper marketing) 會愈來愈重要，因為能夠掌握消費者的企業會有更高的優勢。這不是只是品牌公司才需要的，配銷、零售也需要知道消費者喜好 (看Amazon就知道了)，而台灣ODM/OEM這些企業也都要掌握它客戶產品的狀況，不然就會繼續在砍單、急單中循環。但是消費者的資訊何其多，自然就是要透過大數據分析的能力，才能得到其中的智慧。

台灣的企業有多少已經有所體認？我們是不是能夠扮演推動這個趨勢的力量？還是要等到大陸或其他競爭國家造成我們競爭力落後才能夠感受到威脅？

工業4.0下的供應鏈運作

前一篇稍稍談了一下工業4.0、物聯網、大數據以及供應鏈，就讓我天馬行空一下想像一下在這樣情境下供應鏈的運作會變成如何。

所有的生產線都是多工並且可以彈性調整生產作業，因此生產途程 (routing)也不需要預先定義，而物料表 (BOM)也沒有固定的幾個選擇而已。

在長期規劃時，透過市場資訊、消費者行為變化，預估需求趨勢，並且根據企業的策略目標進行產能、物料的準備。同時根據需求趨勢變化、市場供需狀況，進行定價分析，以提出一個最好的價格。對於採購成本，則是根據物料採購趨勢，預估採購價格變化，進行彈性採購來降低物料成本。

當客戶下單時，根據客戶需求立即進行分析，根據目前產能負荷、機台能力等選擇最適合的生產途程，同時也根據需求立即展出物料需求並與庫存進行確認，如果目前庫存不足以滿足數量，則選擇最符合需求的供應商向它下採購單。然後根據這些結果回覆客戶預計交期。

當進行生產時，根據目前生產狀況與進度，確認下一站工序的相關資源，選擇適合的機台安排生產；如果生產狀況發生意外，則立刻進行替代方案的分析與選擇，期望維持對於客戶的供給承諾。

未來透過物聯網即時收集資訊，以及其他來源的資訊整合 (社群、internet、是市場資訊)、大數據分析、江河運算等技術，企業的供應鏈變成一個變形蟲似的運作，隨時根據「資訊分析」變化，來適應外界所有的變化，公司應該會像Stark一樣透過一個控制中心，監控所有活動，並且透過即時分析，由電腦建議行動方案。這個未來應該不遠了，只是哪個企業會是先行者？

我認為先行者將大幅拉開競爭優勢，而且讓追隨者無法跟上，這樣的數位革命下，me2的思維與作法應該沒有辦法超越，甚至連打平都很費力。因為整體的精髓都在分析能力，而分析能力並不是一個可以複製的能力，因為所有企業的情境都不同，相同的分析模式並無法直接套用在不同企業，必須進行一些修正與調整，而這並非可以「複製」的。就像火工頭陀僅能學到外功，而內功是無法靠觀察複製而來的。

工業4.0、物聯網、大數據與供應鏈管理

天下雜誌最近提到由德國所提出的工業4.0概念，個人的解讀就是工廠運作是透過生產線的即時資料回饋立即進行調整、修正，讓整體生產效率最佳。

工業4.0需要透過物聯網的技術來實現，也就是所有的東西都要能夠互相連結：機台要回復生產參數以及生產過程的變化、檢驗機台要回復檢驗結果、輸送帶要回復運送狀況...等等，因此這些「東西」 (things) 都透過網路將資訊大量傳回來。而這些資料透過大數據分析的技術進行分析，以得到可執行的行動方案，然後再指示、修正生產線繼續生產。

在工業4.0下，人將由「操作者」逐漸變成「監督者」，監督生產線的狀況而僅僅在需要的時候介入調整，否則生產線將可以自主作業。

再者，因為產業變化、技術進步、個人化需求增加，在工業1.0, 2.0時所追求的經濟生產批量可能會逐漸變小，而慢慢的變成批量=1的生產型態。透過資料分析可能提早預估批量變化，彈性調整批量，甚至以1為單位來生產。

在這樣的作業型態下，供應鏈管理將天翻地覆，過去我們所熟悉的管理模式將不再適用。以前透過交易資料 (transaction data) 進行分析、規劃而管理的模式將被改變，工業4.0時代將以立即的資訊進行江河運算 (stream computing)，而即時透過現況立即反應。因此當一筆交易資料 (如生產工單) 收集進來時，生產線可能都已經經過數次的修正與改變了；而供應鏈規劃更不再是透過交易資料來進行批量式規劃 (batch planning) ，而是隨時隨地根據生產線變化即時調整反應，也就是由「週期性規劃」變成「即時反應」了。未來在工業4.0後，無法做到sense & respond的供應鏈將會居於劣勢了。

巨量資料與供應鏈管理

因為物聯網等科技的發展，未來幾乎所有的物件都可以將現況的資訊即時上傳到雲端，例如：運送的卡車目前的位置、倉庫庫存的即時資訊、生產機台目前的狀態與產出...所以未來整體供應鏈上的資訊將會是愈來愈即時，但是也愈來愈巨量。

因此過去以批次化進行規劃、決策的模式將不會再繼續，而且會慢慢被淘汰；我相信取而代之的將是一種適應化 (adaptive) 的模式，也就是根據巨量資料分析的結果並參考使用者預先設計的邏輯調適供應鏈運作，以達到滿足客戶需求的目的。未來使用者的主要工作將會是調整適應邏輯讓整體運作效率最高，而非像現在一樣是根據規劃結果進行判斷、決策，然後再執行。

不過困難的是，這樣的分析與適應可能需要跨企業才能發揮最大的綜效。因此水平分工的產業型態比較起垂直整合完整的大型企業來看，後者在於整體供應鏈適應調整的機制與速度可能會比前者較有優勢。前者可能因為商業競爭考量，不願意分享部分資訊，因此在分析時會因為缺乏某些資訊造成偏頗，而採取不夠周全的對應方式。

如果要能夠真正統合供應鏈上的資訊，達到以巨量資料分析打造適應化供應鏈，可能需要先將需要統合的資訊標準化，整合供應鏈的所有成員提供相對的資訊，然後將分析結果、適應的邏輯都能夠透明公開提供給這些成員查詢，並且讓所有成員能夠分享到好處。

這可能是一個烏托邦式的想法，但是相信未來應該會有企業或產業會慢慢的往這個方向前進。