1. 课程导入与全景认知

在制造企业推进数字化时，最常见的困境不是“没有工具”，而是“工具很多、方向不清”。设备联网做了、MES上线了、报表也做了，但管理层仍然无法回答三个问题：我们现在到底处在什么水平？下一步最该做什么？投入之后如何判断是否有效？这正是本课程要解决的核心问题——用成熟度评估建立现状坐标，用路线设计建立行动路径。

一、工厂数字化到底指什么

工厂数字化不是“把纸质表单变成电子表单”，也不是“买一套系统”。它指的是：以产品、工艺、设备、物料、人员、质量、能源等制造要素为对象，把原本依赖经验、口头传递和纸质记录的信息，转化为可采集、可传输、可计算、可追溯的数据，并让这些数据反过来驱动生产决策与执行优化。

理解这个概念，需要区分三个层次：

• 数字化（Digitization）：把模拟信息转成数字信息，例如设备加装传感器、工单从纸单变为电子工单。
• 数字化运营（Digitalization）：用数字信息重构流程，例如排产从人工经验变为基于产能与交期的约束计算。
• 数字化转型（Digital Transformation）：改变业务模式与组织能力，例如从批量制造转向按订单柔性混线生产。

很多工厂停留在第一层，误以为上了系统就是转型。判断标准很简单：数据是否真正参与了决策。如果采集的数据只用于存档和看板展示，没有进入排产、质量判定、设备维护或成本核算的闭环，那么数字化的价值就还没有释放。

二、成熟度评估的价值：把“感觉”变成“坐标”

成熟度评估的本质，是用一套结构化模型给工厂的数字化水平定位。它回答的不是“好不好”，而是“在哪一级、缺什么、下一步往哪走”。

以常见的五级成熟度模型为例，可以这样理解：

评估的价值体现在三个方面：第一，对齐认知，让管理层、IT、生产、质量对“我们现在在哪”形成一致判断；第二，识别短板，避免在已经达标的维度重复投入；第三，支撑投资排序，把有限预算投向对业务目标影响最大的环节。

三、路线设计的基本逻辑：从目标倒推，而非从工具正推

路线设计的常见错误是“从工具出发”：听说数字孪生好就上数字孪生，听说AI质检热就上AI质检。正确的逻辑是从业务目标出发，倒推能力缺口，再匹配技术手段。

基本逻辑可以概括为四步：

1. 定目标：明确要改善的业务指标，例如交付周期缩短20%、不良率下降15%、设备综合效率提升10%。
2. 评现状：用成熟度模型评估当前等级，找出制约目标达成的关键短板。
3. 排路径：把差距拆解为可执行的项目，按依赖关系和投入产出排序。
4. 设验证：为每个阶段设定可观测的验收指标，避免“上了系统但没效果”。

这里有一个关键原则：先补基础，再做智能。如果设备数据采集不完整、主数据不统一、工单流转还靠人工，直接上AI排产或预测维护，往往因为输入数据质量差而失败。路线设计要尊重技术依赖关系。

四、本节知识结构全景

下图把本节的核心概念组织为一张关系图：左侧是数字化的三个层次，中间是成熟度评估的定位作用，右侧是路线设计的四步逻辑，底部是贯穿全课程的任务主线——评估现状、识别差距、设计路线、验证效果。

五、课程任务说明：你将完成什么

本课程不是概念科普，而是一条可执行的路线设计训练。学完后，你需要能够独立完成以下任务：

• 任务一：现状评估。选择一个真实或模拟工厂，按成熟度模型对设备层、执行层、管理层、协同层四个维度打分，输出雷达图与短板清单。
• 任务二：差距分析。把短板与业务目标对齐，判断哪些差距是“必须补的基础”，哪些是“可以后置的优化”。
• 任务三：路线设计。输出一份分阶段路线图，包含阶段目标、关键项目、依赖关系、预算区间与验收指标。
• 任务四：效果验证。为每个阶段设定可观测指标，例如数据采集覆盖率、工单电子化率、排产响应时间、不良率变化。

为了让你对后续内容有整体预期，这里给出一个简化的示例。假设某离散制造工厂当前处于L2，目标是两年内将交付周期缩短20%。评估发现：设备数据采集覆盖率仅40%，工单仍以纸质流转，质量数据分散在Excel中。那么路线设计的第一步不是上AI排产，而是先完成关键设备联网与工单电子化，把数据基础补到L3水平，再进入排产优化与质量预警。这个判断过程，就是本课程要训练的核心能力。

接下来的章节将沿着“评估—差距—路线—验证”这条主线展开，每一节都会给出可操作的方法、参数示例和判断依据。你需要带着自己工厂的真实问题来学，边学边填，最终形成一份属于你自己的数字化路线图。