传统科研企业数字化转型实施路径探讨

谢兴勇，谭 飞，黄启益

（攀钢集团攀枝花钢铁研究院有限公司，四川 攀枝花 617000）

0 引 言

随着新一代信息技术的迅速发展和落地应用，数据成为企业重要生产要素之一。“数字产业化、产业数字化”，推动数字经济与实体经济的深度融合发展，优化产业结构，改造升级传统产业，培育新兴产业，支撑经济高质量发展，是以习近平同志为核心的党中央作出的重大决策。

参考中国科学院相关研究文献，全球科研信息化即将进入“一体化阶段（数字化）”，科研对象、过程等与信息化方法技术等融为一体，所有创新主体，必须参与全球科研竞争与协作的大环境，创新方法、创新对象、创新模式等方面也将高度依赖物联网、移动互联网、大容量宽带通信、大数据、智能计算等技术工具和协同环境。大数据驱动科研范式变革，科学研究呈现出数据密集和数据驱动的特点，开放创新、集成创新成为科研新的发展趋势，多主体、跨空间、泛资源协作模式成为企业创新重要形态。面对越来越强的市场竞争压力，以及新冠肺炎疫情的影响，企业迫切利用数字化转型优化管理和业务运营，打通产品设计、生产规划、工艺过程、生产实施和技术服务在内的整个产品生命周期的数据流，缩短产品开发周期，降本增效，更快速地响应市场，构建更好的质量管理体系。

1 传统科研企业在数字化转型过程中面临的挑战

1.1 信息系统缺乏整体规划，无法满足企业发展战略需求

IT 人员接受行政指令性任务，根据管理和科研需要，进行“烟囱式”系统开发，开发周期长，建成时间跨度大，系统开发语言多种多样，版本不一，随着业务应用不断增加，系统之间的交互和协同越来越差，甚至有的系统无法进行交互，系统维护困难，存在信息孤岛。信息系统建设缺乏立项和变更流程，部分信息系统建成后不符合业务实际情况，或者业务变化频繁，造成系统可操作性差、数据量极小，线上线下同时运行，甚至有的系统都没有投入正式运行，造成IT 资源和人力资源浪费。

1.2 没有实现数据打通和数据集成，缺乏数据标准，存在数据可信问题

科研人员在科研活动中，进行理论计算、制订试验方案、开展实验室试验或者现场试验产生的各种数据，一部分通过信息系统进行记录，但缺乏相关标准和规范。此外，还有手工记录和处理的试验数据，设备产生的原始数据、从生产线的管理系统中获得的现场数据、仿真计算数据等都没有进入内部信息系统进行管理。从管理数据方面来看，企业战略规划、人员绩效、详细研发进度、各类技术开发等宏观数据，往往没有结构化、规范化。由于这些原因，从各个信息系统获取的数据在准确性、及时性、完整性、相关性上都不同程度存在问题，并且有的数据之间还存在数据孤岛，数据的质量难以得到保证，无法应用于科技研发，也不能支撑管理层或者决策层的统计需求和大数据应用。

1.3 平台对业务支撑能力不足，协同性差，制约研发效率和管理效率

科研人员采用传统的“试错法”来确定产品工艺性能参数，需要不断开展实验室或者现场试验，再通过检测试验结果，来确定工艺参数，运用这种方式产品和工艺研制周期长，试验成本高，且可能存在一定安全风险。在这个过程中，科研团队内部协同、科研资源的获取、科研数据处理都严重依赖信息系统处理效率，而存在孤岛的系统，往往需要科研人员在多个系统之间重复录入，多次向管理人员提供相关汇报材料。在产品研发过程中，缺乏动态的市场和技术等情报信息支撑，对于需求规模、同类产品等了解不够，往往因生产成本较高、质量问题造成转化率较低。同样，因为缺乏相关信息系统支持，对外协作困难，外部资源利用少，设备和技术人员的知识共享往往局限于企业内部或者集团内部。管理人员对科研项目进展、成本、风险、质量等方面的情况掌握困难，需要花费大量精力在内部沟通、协调等，决策层提供的相关统计数据，对项目服务能力不足。

1.4 企业知识难以有效传承

作为科研企业最重要的智力资产，大量科研数据和文档随着科研人员退休、离职、调动和设备的更换、损坏而消失，并没有得到完整、有效的收集；科技研发过程中研发人员很多宝贵的经验，并没有得到显性化，因此也无法收集和应用。由于相关数据和知识的规范化程度低、缺乏内容审核机制、缺乏知识共享机制等一系列问题，造成知识利用困难。

1.5 数字化人才在质量和数量上都严重缺乏

由于外部市场IT 人才薪酬水平远远高于企业现有人员水平，人才流失严重，人才引进困难，造成开发运维团队规模越来越小。随着业务应用不断增加，开发运维人员疲于对各种应用“打补丁”，没有精力系统性思考企业数字化转型问题，反过来，由于信息系统方面存在支撑不足、体验差等各种问题，造成科研及管理人员对IT 团队观感不佳，IT 团队获得资源的难度更大，无法对平台进行有效提升，形成恶性循环。

2 数字化转型实施路径与策略

2.1 明确企业战略目标，构建数字化转型顶层蓝图规划

2.1.1 基于调研分析现状和识别能力差距，制定企业数字化转型的蓝图规划

参考“企业数字化成熟度模型”，企业数字化转型应包含5 个关键过程，19 个一级指标和63 个二级指标，从数字化顶层设计、生态布局和赋能体系的建立和应用集成，逐步完成数字化转型过程。

根据企业业务的现状、需求和愿景目标，从战略解决、业务变革转型两个方面进行战略和业务流分析，结合在科研项目、分析检测、实验设备、人财物等各个业务领域的应用情况，识别对数字化转型目标的需求。通过对组织机构、管理体系、数据技术平台、数据应用场景现状等情况进行调研，识别管理体系成熟程度、数据管理组织现状，梳理各业务领域相关数据的积累、数据技术平台支撑情况、应用场景的痛点与需求。

通过数据应用现状和需求分析，识别应用场景目前存在的需求和差距，例如，科研项目进度可视预警、实验数据展示分析、试验设备状态监控、生产线数据的获取与分析等。结合业界数据管理、大数据技术发展趋势，以及访谈调研和根因分析，总结目前数据管理体系、数据资源、数据技术平台以及数据应用的现状、需求和差距，分析和识别出完成战略目标所欠缺的能力，提出企业数字化转型顶层规划。数字化转型必须围绕特定的企业发展目标进行，数据的获取、业务流程的改进，都是围绕这个特定目标而开展的，也会随着目标的变化发生变化。因此，数字化转型需要随着企业目标方向，开展持续变革，持续对数字化整体架构设计进行完善。

2.1.2 整体规划、分步实施，决策层强力支持和全员参与

制定整体规划，有利于在宏观上统一企业总体战略目标；分步实施，可以根据需要选择最容易产生效果和最优先具备实施条件的模块进行实施。这样，当取得明显效果时，能够减轻整个项目实施的压力。

数字化转型对原有架构体系会产生极大冲击，对利益相关方产生严重影响。只有得到决策层强有力的支持，才能快速推进和实施。一方面，数字化转型会重塑每个岗位的工作内容，甚至会因为数字化转型，导致岗位的消亡和诞生。另一方面，全体员工深度参与数字化转型，对相关工作流程和思路有清晰的认知，能够提升工作效率，因此，数字化转型需要全员参与。

2.2 开展业务能力调研与优化补全，设计业务能力构架蓝图

根据企业数字化转型顶层蓝图规划，分析分解达成战略目标所需要的业务能力，设计相应的业务能力架构。业务能力架构应根据企业特性进行设计，不同类型的企业，其业务性质和内容可能存在极大差异，比如科研业务，研发目标和结果具有不确定性和一定程度的随机性，那么，在设计业务架构时，应考虑业务架构应该支持这种特性。业务架构蓝图设计是应用架构蓝图设计的基础，包括业务能力及流程，主要考虑以下四个方面内容。

战略驱动。业务架构设计必须以战略目标的实现为指导思想，业务架构要符合业务战略，支撑战略目标的达成；业务架构要清晰反映并支撑公司战略目标，适应未来的业务发展；业务架构要能承载公司管控要求，并将管控要求最终体现在业务流程中。

能力地图。业务能力的覆盖要满足全面实现战略目标的要求，在梳理业务能力过程中，需要对战略目标进行细分，对其相关的业务能力，逐一进行分析和优化，以形成业务能力架构。业务架构要体现业务本质，是对业务能力全覆盖、无遗漏、清晰的表达；业务架构要支持业务能力的统一管理，支持对业务能力的差距分析，从而实现业务能力的改进和提升。

流程优化。流程反映业务本质，端到端贯通。业务流程的输入、输出是数字化承载的信息，支撑沿着业务流的数字化应用架构和信息架构的设计与集成贯通，指导业务流程和数字化的建设方向。

价值创造。业务架构设计要有利于价值创造过程的协同和业务集成运作，有利于价值创造的端到端业务流程效率提升；业务架构不是对业务职能的划分，在实现价值创造的目标及过程中，要破除部门壁垒，防止形成业务孤岛；防止局部优化带来的整体效率降低；业务架构规划要具有一定的前瞻性，以确保架构的相对稳定性；要随着业务的发展定期审视业务架构，持续改进。

2.3 进行数据架构设计，实施数据集成和数据治理，形成数据资产，为应用提供高质量数据

2.3.1 进行数据架构设计，构建数据治理体系

对现有数据管理体系、数据资源、数据技术平台以及数据应用的现状进行详细调研后，根据业务架构需求和能力差距，依据数据治理方法论和业务架构设计，识别出关键数据对象，进行数据资产目录设计，包括主题域、业务对象、逻辑实体、属性等，通过对数据进行编目、分类、索引，建立元数据管理系统，以便快速定位和查找所需的数据资源；然后对数据进行分类和数据标准进行定义，明确数据标准的适用范围，建立统一的数据业务术语数据库，认证数据源等相关内容；通过对数据进行数据关系和影响分析，能够分析数据流向，实现数据监控和可视化，确定数据分布；最终建立数据模型，包括概念模型和逻辑模型，形成企业数据架构。

数据应用和分析结果的准确性，取决于数据的质量和算法。因此，在数据治理过程中，需要制定数据规范相关管理制度，包括元数据、数据架构、数据质量、融合数据、数据指标、数据安全等规范和管理办法，明确组织机构和职责，对于数据产生、审核、共享方式等进行责任的分工和划分；明确数据质量监控和检测流程，对于发现的数据质量问题，应迅速制订质量改进方案并发布实施，构建数据管理保障机制。

2.3.2 数据集成及数据湖的建立

数据集成是把散落在各个系统中的数据进行统一采集，对结构化数据与非结构化数据进行数据清洗过滤，数据统一入湖，主要包括如下数据。

科研仪器设备数据：通过仪器设备接口或者相关计算机获取数据，通过定制开发的程序，自动提取；对于目前无法自动采集的数据，考虑加装传感器或者用图像识别等方式，实现相关数据的采集。

研发和管理过程数据：在研发过程中，各种研发平台和信息系统产生的数据，如仿真建模数据、项目管理数据、实验室数据、物资设备、研发费用数据等，这些数据通常以结构化和非结构化方式，存储在服务器中，可以根据不同的专业领域，将数据进行分类采集。

工业生产试验数据：研发的新技术或者新工艺，在生产线试产和生产的过程中，可以通过现场MES 系统，把试产和生产过程中数据及时、完整地采集，通过数据中台或者接口将数据采集入湖。

第三方数据：合作伙伴、客户、设备或者服务供应商、第三方平台等协同应用系统的数据，包括上位应用系统中的审批数据、生产厂矿的产品生产过程相关数据、研发过程的对外协同数据、外部检验检测设备的数据、科研成果转化孵化推介数据等。

2.3.3 设计数据应用场景

围绕科研项目、分析检测、物资、财经、人力等方面的应用，运用数据分析、大数据技术，挖掘数据价值，进行数据需求开发、数据资产运营、数据底座运营、数据服务等运营机制设计，实现业务能力的可视、可控、预测、统计等功能，主要应用场景根据业务需要进行创建，如科研项目进度可视及预警、实验数据展示、财务经营数据可视等。

2.4 构建数字化研发和管理赋能平台，持续开展业务应用系统的设计、开发和优化

基于业务架构蓝图设计和数据架构设计成果，进行应用架构蓝图设计，主要是将业务架构能力进行平台化，可以参照以下原则性策略：成熟应用优先、平台化、服务化、主干贯通、分层解耦、高内聚、低耦合、用户体验驱动。通过平台赋能，推动数字化转型落地应用。

2.4.1 研发业务数字化

在设计方面，将数字化建模、数字化验证、数字化研发和数字化制造相结合，把数字观念落地到每个研发过程，实现“敏捷”科研，高效、数据化、规范化是追求的目标。在产品设计和工艺开发方面，通过CAI（Computer Aided Innovation，计算机辅助创新）形成产品概念模型和产品特性，通过CAD（Computer Aided Design，计算机辅助设计）和CAE（Computer Aided Engineering，计算机辅助工程）来设计优化产品，进行理论计算、方案设计和思路验证，产品工艺的初步设计可以通过这种模拟环境进行，不断通过数字化的建模和验证，实现数字化研发，减少现场试验次数，缩短开发周期。在建模和工艺参数都比较明确的情况下，再展开现场试验或者工业试验，现场试验根据模拟的参数范围和实验要求进行试验，通过现场的MES（Manufacturing Execution System，制造执行系统）收集试验数据，将工艺相关的技术参数返回给科研人员，同时，科研人员结合试验样品检测结果，继续在仿真平台上进行模拟。综合现场试验数据、仿真数据、检验结果数据，结合历史数据，以及收集到的外部数据，就可以进行人工数据分析或者基于大数据的数据分析，调整工艺参数或者研发思路，实现科研从“试错法”到“验证法”的转变。

2.4.2 协同数字化

通过平台赋能，让研发过程“可视化”，项目团队做好市场情报收集、采购、项目沟通、质量管理、预算执行等工作，与其他科研机构、生产单位、终端用户协同研发，充分调动分布在各个领域、擅长不同技术方向的专业人才，共享智力、共享资源，成为提升科技研发效率的“推进器”。建立健全科研情报采集、加工、处理、发布的应用系统，增进项目团队对于外部研发资源情况的了解；通过数据自动化采集和处理应用、数据分析应用，能大幅提高科研人员对于数据收集、加工和处理的速度和准确性，提高数据处理能力和效率，提高产品质量；在数据共享方面，通过融入国家“开放科学共享”平台，促进科学资源的共享管理，促进项目协作。在对外协作和成果转化应用方面，通过“市场+技术驱动”，利用第三方平台，发布对外转化和孵化成果，促进成果的工程化应用，提高科技成果转化率。

2.4.3 管理业务数字化

在研发过程管理方面，从项目可行性研究、项目申报、项目立项、过程管理、项目结题、知识产权管理、成果申报，到项目的资源管理、项目其他事项管理，都围绕提高管理效能及制度合规性，制定适合企业自身发展的管理流程。通过对研发和管理业务的详细梳理和优化，实现业务的规范化、标准化。同时，根据管理需要，将研发管理流程中需要上级或者决策层注意的数据，在数据填报中进行体现，便于形成管理报表数据，或者为大数据应用提供数据源。管理数据的应用，主要体现在普通管理层可以通过对项目数据的分析，提供大量的统计图表数据，对项目的进度、质量、费用进行全面的预判，对研发过程进行管控，为项目相关决策提供参考；企业战略管理层，通过对项目整体情况分析，提出研发方向建议，调整研发资源配置，对未来研发预算进行预测，以便提前进行谋划和布局，做好对研发领域战略方向引领的分析、战略执行效果评估、战略方向的调整及执行偏差处理等。通过流程的优化调整，使得各个层面的效率更高、更透明，更数据化和可控。通过相关应用，赋能管理变革，让数据“多跑路”，让报表“自动化”，实现科研管理从“管理型”到“服务型”转变。

2.4.4 应用平台实施建议

在选择开发平台时，建议采用敏捷开发模式，基于供应商提供的工作流引擎和建模引擎来搭建平台，系统能够根据需要由自己的运维团队灵活变更，而不需要供应商再次深度介入；当相关信息技术进步并产生较大变化时，平台可以随着软件供应商技术的更新而不断进行迭代，无须掌握全部技术细节。在供应商方面，应选择实力较强的合作伙伴进行长期合作，保持平台的稳定性和延续性。

2.5 探索建立知识管理体系，建立统一的知识管理平台和学习平台

从学习型组织的创建、知识管理文化建立、共享协同理念等企业文化建设入手，建立健全知识管理组织机构，建立企业知识管理制度，建立知识开放共享机制，约束与激励机制，培养知识管理专业人员，建立知识采集、创建、审核、应用、交流流程，形成一套管理体系，才能更好地实现知识的传承和利用。

在知识管理应用方面，建立相应平台，实现对研发知识、信息资源、行业资讯、经济管理知识等相关知识全过程管理，加强信息技术、信息资源与科研工作的深度融合，通过专家问答、经验分享、知识社区等将企业隐性知识显性化，形成领域的知识资产；建立知识分享和学习平台，运用大数据、语义分析等工具，让科研人员可以广泛、全面、及时、便捷地获取相关信息，快速了解企业管理要求和专业知识；建立企业学院，加强对员工的培训与考核，使员工掌握那些必须掌握的专业知识。

2.6 数字化转型中专业人才的培养

在数字化建设初期，在引入第三方优势资源进行数字化转型规划设计的同时，通过外部引进和内部培养等方式，加强企业人才队伍建设，让IT 人员全程参与企业数字化建设，学习其先进理论和技术，领悟数字化转型的实质及实施要点，培养企业数字化转型人才，支持后期企业的数字化系统管理运维、大数据应用开发、业务流程优化等相关工作。

2.7 信息安全和知识产权风险防范

在信息分级分类上，通过组织权限管理、数据授权、隐私保护、数据加密等手段，构建和完善知识产权共享体系。在网络安全方面，采用内网与外网的物理隔离和数据交换，对数据存储位置有清晰界定，定期对系统漏洞、风险进行修复和评估。在物理安全方面，采用基于虚拟化或者私有云的架构，定期做好数据备份和异地容灾，提高系统可用性和应对数据风险的能力。

3 结 论

数字化转型是国家战略，也是企业通过数据变革实现可持续发展的重要手段。本文介绍了数字化转型的主要实施路径和策略，为推动传统行业数字化转型提供借鉴与参考。企业应充分利用新一代信息技术，增强企业战略执行能力，增强企业对环境变化的适应能力，优化企业内部管理流程，开发利用数据资产，为企业高质量发展提供强劲动能。