标题 数转之路任重道远，更需厚育人才，策马扬鞭。 企业简介 东风本田发动机有限公司（以下简称东风本田）是由东风汽车公司和本田技研工业株式会社共同投资，于1998年7月1日创建的合资企业，与广汽本田汽车有限公司（以下简称广汽本田）共同构成新的广州轿车项目。东风本田负责开发、生产、销售轿车用的发动机及其零部件，并提供相应的售后服务，产品主要用于广汽本田生产的系列乘用车型，同时还向东风本田汽车有限公司供应缸体、缸盖、传动轴等零部件。 凭借卓越的表现，东风本田连续十多年排名“中国机械500强”前30位，获“中央企业先进集体”、“中国汽车零部件百强企业”等光荣称号；在发展的同时积极履行企业社会责任，获“广州市纳税信用等级A级纳税人”、“黄埔区纳税先进企业”、“广州市和谐劳动关系AAA级企业”、“广东省清洁生产企业”、“安全生产标准化企业”等社会和地方政府的表彰和认证。 1 管理需求和挑战（介绍背景，为什么需要培养数字人才？） 数字化转型——企业发展的必答题 与数字原生企业不同，非数字原生企业在成立之时，基本都是以物理世界为中心来构建的。绝大部分企业在创建的时候，是围绕生产、流通、服务等具体的经济活动展开的，天然缺乏以软件和数据为核心的数字世界入口，这也就造型就了非数字原生企业与数字原生企业之间的显著差异。所以在数字化转型过程中，非数字化原生企业面临更大的挑战。东风本田发动机公司（以下简称为DHEC）也是非数字原生企业，在回答数字化转型的这道必答题上，正面临着艰难的抉择。 在数字化技术逐步成熟的情况下，全球经济形式、汽车产业结构发生巨大变化，从商品形态、产业结构、商业模式和竞合关系方面推进数字化转型。数字化技术逐步成熟，全球已开始数字化转型的探索。站在2021年的起点上，回顾DHEC的现状，此时基本完成了业务的信息化建设，正式迈入数字化转型阶段，为此将以“数据，创造价值”为出发点，围绕“持续改善，向高目标挑战”、“数据驱动，业务创新”和“全员参与”行动方针开展数据化转型工作。 数字化人才培养——DHEC数字化转型的必答题 “数字化转型”是国家战略要求，习近平总书记多次强调，要抓住产业数字化、数字产业化赋予的机遇，推动数字经济和实体经济的深度融合。汽车行业的数字化转型是生存与发展的必经之路，为企业提高质量、降本增效提供核心动力。东本发动机在十四五规划中明确了“数字化转型”的顶层战略规划，制定了实现“3个先进”（先进的供应链管理、先进的制造运营、先进的质量控制）、“3个100%”（数据100%采集、100%真实、100%有效应用）的理想姿态目标，全力实现全价值链的数字化转型业务优化变革，向QCD最佳实践工厂持续奋进。 按照数字化转型应用架构的规划设计，东本发动机目前稳步推进数字化主价值链各系统平台构筑： 为实现采购、生产、销售、财务之间的有效协同，加强内控管理，实现公司成本金额逐年优化。19年导入SAP财务业务一体化信息平台，并不断迭代优化。在生产领域，19年至今逐步导入搭建MOM生产协同平台一期、二期、三期，实现生产进度、设备TPM管理、生产防错、库存消耗、人员和OEE管理的可视化及分析应用，通过OTD流程端到端的集成，持续提升生产体质，提升全员劳动生产率。同时，21年开始立项启动QMS品质管理系统平台的分期建设，集成品质相关系统的全领域品质数据，实现品质的全过程管理，深度挖掘预防品质问题发生的“潜力”，实现流向整车不良率逐年下降。回顾过去，东风本田发动机取得阶段性的数字化转型成果，然而同时也在数字化转型的过程中遇到了困难：在公司已完成信息化阶段，信息化过程中产生了大量业务数据，但是在传统的报表模式下，不管是受限于IT资源还是业务逻辑的复杂性，数据的自动化基本只能做到管理层（或者说一些大数上面），其他的场景大多通过提供明细报表的模式让用户自行导出加工，更进一步一些业务突破的项目也少有人涉足。这些业务突破点可以通过数据分析来进行优化的，但是公司内部面临着缺少熟悉业务的数据化分析人才进行运用，数据分析人才严重不足的痛点 分类 公司级 部门级 小组级 场景一：业绩目标监控 IT一般会做成看板、大屏 专人定期统计数据 专人定期统计数据 场景二：业务管理看板 专人定期统计数据 专人定期统计数据 不分析 场景三：业务突破专题 不分析 不分析 不分析 这也是非数字化原生企业面临的普遍痛点，缺乏完善的自助分析体系，缺少数字化人才支撑，难以支持数字化规划的落地，数字化转型无法快速推进。该如何培养数字化人才，是数字化转型的关键。只有把这道必答题做好了，才能促进DHEC顺利转型。 2 培养方案（介绍数字人才的培养方案，可以包含组织框架、人才画像、培养路径等部分） 2.1.做好数字化转型的人才培养规划 以企划管理科（含IT部门）统筹，，承接数字化建设战略中的岗位锚定，围绕能力标准、人才盘点、培养体系、培养规划、培养输出 五大环节，进行东风本田发动机“特色”数字人才培养。 数字化人才培养整体规划 在开展数字化元年系列活动，以促进业务改善为主旨，强化员工的数据分析技能，培养数字化人才，提要业务效率。 基于数字化转型的需求，制定了中长期人才队伍建设规划。 2.2. 推进数字化转型的人才培养实际 1）定标准：数字化人才能力标准制定 东本发动机在进行人才标准制定时，重点考虑以下： 年份 2023年 2024年 关注点 如何有效盘点现有数字化人才技能提升分布情况？ 如何定向编制新年度人才培养计划？ 如何快速PDCA数字化转速在工场QCD贡献？ 如何充分发挥现有人才承接新的挑战任务？   如何总结数字化转型学习到的技能，形成知识库 对业务进行梳理、对大数据采集分析，结合业务需求建立数字化技能树模型 第一步：根据业务领域范畴，梳理出包括通识类、数据管理及应用、虚实交互三大维度的数字化能力需求点，建立人才培养模型。 第二步：通过RPA网页爬取内部与数字化技能相关的数据， 第三步：对数字化技能相关的数据进行数据分析与处理，提取出关键词，明确技能要点。 第四步：建立技能树模型V1.0，将数据转化成知识，并将业务数据进行关键词匹配 2）数字化能力评估 使用FineBI来构建东风本田发动机自身的数字化技能人才矩阵，基于之前制定好的数字能力，进行全员数字化能力分析，并给出排名和得分。 构建数字化人才能力画像，从数据挖掘到可视化呈现整理情况 3）建立数字化人才培养体系 依据70-20-10理论，以“培训（学+分享）+实践（挑战）”结合的方式，加强数字化能力： 结合70-20-10模型，加权平均构建量化指标，保证科学数字人才培养，提高培养效率。 同时，借助MOM系统推进经验，以低代码＆FineBI双轮驱动模式构建平台，搭建了专属的知识管理平台，保证在培训中落地的优秀成果以及培训后员工自主开发的课题能够实现知识共享和复制推广应用。 4）数字人才具体培养内容：2021-2023年间，每年都主要围绕数字化意识宣传，数字化技能基础培训，以及大赛活动开展数字人才的培养工作。该培养工作由公司总经理发起，企划管理科负责方案规划与设计，IT部门负责环境相关底层支持。同时帆软提供负责课程培训、辅导，及赛事策划与宣传相关的支持。 以2023年培养工作为例： a) 主题学习：数字化工具培训+数字化思维管理培训 主题学习框架： 东本各部门员工热情投入其中。在课堂上，学员们聚焦知识，充分与讲师互动；课堂下，认真完成课后作业，学用结合。通过完成率和成绩PK看板，各部门可以随时关注进展，相互比拼，不断学习、不断创新，公司上下学习BI氛围浓厚。 学习成果：课程参与人数505人，结业率超过60%。 b）分享：课题推进+部门指导发表+数字化应用大赛 各部门成立BI课题组，将数据分析思维引入（线上+线下辅导答疑），将沉淀下来的课题在部门内部发表。各个部门积极报名课题，有87组，共344人。 数字化应用大赛：入围数据分析大赛课题（共入围14个课题组，59人） 为了为帮助大家更好地掌握 BI技能、主动思考如何将BI运用到一线工作场景中，公司特别组织举办BI数据分析大赛，激发了内部的数据分析热情。经过前期各小组答辩、评委评选，最终入围14个课题组、59人。 优秀作品：   3 典型成果（按照发现问题—解决过程—创造价值的逻辑，介绍几个由数字人才取得的典型成果） 3.1 场景一：设备故障预测系统 （1）痛点：基于公司IOT规划已采集机床数据开发负载分析看板未能满足。采集自主性差，依赖于厂家，精度无法自主调整。采集精度低：部分数据特征模糊，BI工具响应时间长：实时数据的刷新需要数秒，无法反控设备，更适用于数据可视化。 （2）解决过程： 在数据分析大赛中，“勇闯天涯“小组采取自主搭建边缘处理平台，基于“工艺技术+AI算法”开发“设备故障预测系统”。 平台应用架构——数据准备：基于加工工艺分析选择合适的数据字段对数据进行预处理 平台应用架构——数据应用矩阵：数据分析原理与工艺原理相结合，针对各类异常情况形成反控措施。 数据应用——KNN算法实现道具状态判断：运用并优化KNN算法实现工具加工状态的有效诊断 （3）场景价值： 本次在机床建立边缘计算应用技术框架结合高级算法搭建可靠的设备故障预测平台实现刀具故障和寿命分析，预测故障防止批量加工不良； 课题提供了一个工业数据从“数采-分析-决策-反控”全闭环应用的典型的自立化案例，为数据分析在设备全生命周期管理的应用提供技术平台和方法论。 3.2 场景二：基于FineBI和Python的日生产情况信息推送 （1）痛点：①过往每日人工收集生产达成数据和维护通报的工作流程；过往需要人工对现有的部品供应风险进行判断；②获取信息的来源单一，指标不全面。仅通过MOM系统以及EXCEL表中生产计划量、生产实绩量、累计差异量等较为单薄数据源进行判断，对于后续生产供应情况进行相关判断有所欠缺。③过往推送信息重复单一。 每日对于信息进行推送重复机械，过往以文字信息体现结果。 （2）解决过程： 利用系统内实时数据与自建数据库结合相应规则自动生成相应达成管理报表，同时利用Python将生产日报进行自动监控及推送。 ①利用FineBI实现日生产情况及库存的可视化（达成情况+供应预警）； ②利用Python每日定点自动推送（微信+邮件）； ③利用Python实现每日生产情况的本地存储、实现数据追溯； ④利用数据结果指导后续工作的开展。 （3）场景价值： 生产异常判断耗时减少约500h/年；生产信息传递耗时减少约150h/年；通过小业务场景实践来加深对4A架构的理解，由小及大，开展现有业务数字化提效 1.掌握部分IT开发工具和方法（PYTHON/SQL/FineBI等），构筑数字化应用场景，精简业务、提升效率。 2.通过深入理解业务流程、规则以及数据来源，以自主开发的模式进一步增强了人员对业务数据分析以及现有业务的理解。 3.以小项目的形式，将原有对业务认识和经验与数字化技能相融合，在业务得到改善提升的同时促进团队互相学习，共同成长。 3.3 场景三：基于KNN算法的电缸故障预测模型 （1）痛点：电缸故障突发，影响产线OEE；电缸价格不断上涨，到货周期波动大，对备件安全库存要求高，两金占用比例高；压装产生的NG件去向无法跟踪，没有闭环管理，品质不良流出风险高。 （2）解决过程： 电缸数据采集：电缸每次压装形成1000点行程*压力曲线； 特征提取：从压装数据提取特征参数：标准差、方差、最大值、最小值、极值差、均值、求和； 机器学习算法--KNN模型：将压装特征参数，导入KNN算法中，建立故障预测分析模型 电缸故障预测：利用模型预测电缸故障、功能失效趋势，报警并自动报修 OEE提升：故障提前预测，避免生产过程停线；备件库存降低：电缸全生命周期监控，决策备件申购；品质向上：零件压装结果记录绑定，与MOM联动，行程品质闭环管理。 （3）场景价值： 库存下降（0库存）：模型提前预测电缸失效趋势并预警，在电缸功能失效前进行备件申购，做到备件库存最优。 故障下降，OEE提升：改模型在2023年成功预判出两次电缸丝杠磨损异常，至少避免了480分钟的生产停线时间。 品质闭环管理：利用数据库、MOM和BI等工具，记录电缸压装结果并与工件二维码绑定，完善过点履历，形成闭环管理。 数字化转型：对数字化工具的应用和数字孪生理念的探索，提升数字化转型的信心与决心，助力公司高质量转型与发展 4 总结与展望 4.1.自2021年-2023年期间，在全公司营造了数据驱动文化，培养了自主分析工具人才近1000人次，数据应用人才近100人次，员工不仅能够学会如何正确使用数据工具发掘数据价值，还能拓宽数据运用思路，在QCDMSE各个环节遇到新的问题时，能够通过数据的合理运用而获得新的解决思路，用数字化为公司赋能。 2023年和帆软携手进行了7场数据分析的相关培训，覆盖了17个部门，产出87个课题，其中在大赛中落地了14个优秀的课题，实现高层领导对数据价值充分挖掘，直接实现降本增效的期望；同时也让基层业务实现精力的解放，时间不再浪费在无意义的做报表上。 4.2.未来将会持续以数字化应用活动为基本载体，开展数字化人才培养。 风劲潮涌，自当扬帆破浪；任重道远，更需策马扬鞭。展望2024及以后，东本发动机将在公司经营层的带领下，继续坚持数字化转型战略，夯实数字人才底座，继续保持一往无前的奋斗姿态，永不懈怠的精神状态，转型突破，赶超跨越，合力推动公司高质量发展再上新台阶。