制造业是国民经济的主体,其重要性不言而喻。就2023年而言,虽然全球经济增长面临压力,但制造业在技术创新、数字化转型和可持续发展方面都取得了重要的进展。
Infor是全球领先的行业专属商业云软件提供商,为包括工业制造、汽车、分销、食品与饮料等重点行业提供完整的解决方案。Infor的任务关键型企业级应用和服务帮助全球175个国家和地区的60,000多家客户获得可持续的运营优势,在数字化转型中快速实现投资回报。
以下是Infor关于2024年制造业的分析与预测。
1、业务再平衡仍将是一项挑战——在过去四年里,制造业高管人员一直在努力应对新冠疫情及其余波。不难理解,高管们希望在努力重新平衡业务时,能够看到一些恢复正常的迹象。
关于供应链表现、劳动力市场和生产能力的大部分重要指标都在逐渐回归到疫情爆发之前的轨迹。然而,到了2024年,通胀、财政支出削减和地缘政治不稳定等问题将依然会困扰经济的发展。加大对软件和其他数字技术的投资将有助于抵御2024年的波动性、不确定性、复杂性和模糊性(VUCA)。
各大制造商将加快投资步伐,通过提升其智能制造水平来确保长期盈利能力。在2024年的两大主要主题将包括:继续实施智能工厂计划,以实现有针对性的业务目标;利用数字技术提高供应链的可见性、生产能力以及增强与供应商、合作伙伴和消费者的联系。
2、人工智能将成为优化供应链和库存的关键——在全球范围内,根据企业采用的库存管理理念,供应链管理方法大致可以分为即时制(just-in-time)和防备制(just-in-case)两种。企业通常会根据市场环境和实际运营情况在这两种方法之间做出选择。就像过去二十年所经历的那样,在市场较为平稳的情况下,各大企业会倾向于优化库存成本,因此“即时制”受到青睐。但近年来,企业为了应对疫情导致的供应短缺,开始转而采用“防备制”库存管理方式,并增加库存以应对突发事件。
然而,这种方法导致了存储空间的不足和仓库租金的上涨。由于意识到这种VUCA环境将长期存在,越来越多的制造商将转向由数据驱动的敏捷管理方法,根据实时情况进行灵活调整。
为了平衡库存成本和风险,预计明年制造商将增加对人工智能增强型供应链管理解决方案的投资。能够预测需求和风险、考虑供应商可靠性和敏捷性以及顾及跨大陆运输风险的供应链管理解决方案将成为制造商主导和致胜市场的关键因素。
3、自动化技术将解决仓库管理的瓶颈问题——在过去几年里,制造业正步入一种防患于未然的超速运转状态。各种产品同时迎来交货高峰期,导致港口和仓库拥堵不堪,甚至一些地区还爆发了战争。制造业一直在谨慎应对供应链的牛鞭效应。2023年的重点是在增加库存和消除干扰风险之间找到平衡。仓库利用率和租金最易受到这种牛鞭效应的影响。虽然近期仓库空置率有所下降,但租金仍然处于历史高位。
鉴于房地产价格上涨和利率上升,2024年仓库容量将朝着合理化方向发展。利用自动化技术优化仓储容量将成为重点。仓库管理系统(WMS)有助于优化货物运输速度、减少错误、提高劳动效率以及优化仓库存储,因此有望发挥关键作用。随着客户对供应链灵活性、透明度和生产能力的要求不断增加,2024年WMS与其他供应链解决方案的整合将会加速。
4、人工智能将助力工业4.0——目前,人工智能已成为工业4.0转型的核心,被广泛认为是重新定义制造业边界的最重要工具。无论如何,2023年已被称为“生成式人工智能之年”。生成式人工智能的成熟速度让整个行业都感到惊讶。2024年,生成式人工智能相关用例将趋于成熟,而且生成式人工智能还将与传统预测式人工智能相协同,在更多领域内进一步提高生产能力。
目前有四种用例最有可能走向成熟并得到更广泛的采用,包括:
5、生态系统将成为中心——过去几年以来,以生态系统为中心的理念日益获得认同,而且预计在2024年这一趋势将更为凸显。数字生态系统的类型多种多样。有些类型是通过合作伙伴的数量来定义,而有些类型则是根据其提供的服务来定义。所有的生态系统都具备以下四个特点:共生、以客户为中心、可扩展、重点明确(这一点最为重要)。
总之,2024年制造业将依靠工业4.0和人工智能技术继续发展,以应对VUCA环境带来的挑战。这种转变不仅旨在提高生产能力,更重要的是推动创新、可持续发展,并将人类创造力与技术实力相结合,打造更美好的未来。制造业需要积极拥抱技术和创新领域的进步,以应对当前的挑战,并在未来几十年中实现更大的发展和成功。
关于作者:
鹿崇,Infor大中华区商业咨询高级总监
鹿崇先生毕业于清华大学管理信息系统专业,现任Infor大中华区商业咨询高级总监,在企业应用软件领域有超过20年的实战经验。鹿崇先生自2003年1月加入Infor至今,加入Infor之前,鹿崇先生曾在KPWOOD公司任系统工程师、SSA上海公司任职商业顾问,还曾在迅达电梯担任过项目负责人。
好文章,需要你的鼓励
在他看来,企业对AI的恐惧源自未知,而破解未知的钥匙,就藏在“AI平台+开源”这个看似简单的公式里。
斯坦福和魁北克研究团队首创"超新星事件数据集",通过让AI分析历史事件和科学发现来测试其"性格"。研究发现不同AI模型确实表现出独特而稳定的思维偏好:有些注重成就结果,有些关注情感关系,有些偏向综合分析。这项突破性研究为AI评估开辟了新方向,对改善人机协作和AI工具选择具有重要意义。
Pure Storage发布企业数据云(EDC),整合其现有产品组合,提供增强的数据存储可见性和基于策略的简化管理。EDC集成了Purity存储操作系统、Fusion资源管理、Pure1舰队管理和Evergreen消费模式等架构元素,提供类云存储管理环境。该方案支持声明式策略驱动管理,让客户专注业务成果而非基础设施管理。同时发布高性能闪存阵列和300TB直接闪存模块,并与Rubrik合作提供网络安全防护能力。
威斯康星大学研究团队提出"生成-筛选-排序"策略,通过结合快速筛选器和智能奖励模型,在AI代码验证中实现了11.65倍速度提升,准确率仅下降8.33%。该方法先用弱验证器移除明显错误代码,再用神经网络模型精确排序,有效解决了传统方法在速度与准确性之间的两难选择,为实用化AI编程助手铺平了道路。