数据要素治理 | 如何解锁制造业数据的价值？

编者按：

此前，本公号发表过的关于数据要素治理的相关文章包括：

今天和大家分享的首发于【数据信任与治理】公众号的一篇WEF报告编译。

如何解锁制造业数据的价值？（上）
如何解锁制造业数据的价值？（下）

欢迎大家关注该公众号。

本文编译自波士顿咨询公司（Boston Consulting Group）与世界经济论坛（World Economic Forum）近期联合发布的报告《如何解锁制造业数据的价值？》（Share to Gain: Unlocking Data Value in Manufacturing）。为保证阅读的流畅性，本文对脚注及正文内容有删减。

摘要

像高级分析法和人工智能这样的新兴技术正改变着世界生产制造的形式，也为工业、社会和环境创造了新的机会。因而数据和公司有效的数据管理能力是至关重要的。虽然制造商在数据管理这一领域进展迅猛，但是大部分制造商都只关注公司内部的数据，难以实现投资回报的最大化和推动大规模地创新。但通过在各公司之间共享数据，制造商们能“释放”数据的附加价值并加速创新。根据最佳实务范例，仅通过专注于优化制造流程，共享数据的潜在估值就超过1000亿美元。真正的数据大师会通过使用共享数据改进现有的解决方案，并实施在没有数据共享的前提下不可能实现的方案。

如何解锁制造业数据的价值？

在制造业中数据分析主要在以下五个方面提供价值：

–促进资产优化。例如通过整合来自同一类型机器的众多用户的数据，制造商可以改进算法从而实现预测性维护。因此，数据共享可以通过增加机器的可用时间和提升产品质量来优化资产绩效，同时实现所有利益攸关方的共赢。这对于那些想要加强分析算法算力但缺少数据量的制造商来说尤为重要。

–沿价值链跟踪产品。通过价值链一端到另一端的可视化，制造商可以快速应对突发事件，削减库存。尽管制造商已经沿供应链跟踪产品，但他们必须协作、共享数据并利用通用系统来建立真正的端到端可视化。

–沿价值链跟踪生产工艺条件。通过获取价值链上连续且完整的数据记录，制造商能够逐渐信任彼此且更有效地遵守严格的监管要求。这使他们能够确保供应商会遵循一致同意的生产流程，而供应商也可以将这些记录作为证据在质量保证争议中使用。食品和制药行业的公司已经在建立数据联盟来实现上述好处了。

–交换数字化的产品特征。共享产品外形和构成的数据使制造商能够同步和优化相关的生产过程。产品的数字孪生（digital product twin）在供应商和原始设备制造商（original equipment Manufacturer，OEM）之间共享，其作用如帮助减少自动处理零件所需的来料检验或地形测量。

–核实原产地。客户对其产品来源透明度的要求越来越高，他们希望核实产品的真伪。为此制造商需要提高其供货的加工地点和方式以及产品的真伪的透明度。因而一些公司已经联合起来使用区块链进行协作。

为成功进行数据共享的合作，利益攸关方需要很好地了解如何共同提升价值。在五个确定的主要领域或应用领域中，有三个促进成功的因素：

–数据共享的明确价值主张和理论依据

–互利的协议

–使用安全的技术和通用的标准。

开始的关键是找到共享数据提供明确价值的正确应用，并在共享数据的合作伙伴之间建立信任。本白皮书为帮助制造商在充分参与数据共享之前启动流程而提出了一个五步框架：

1. 了解要通过数据共享应对的业务挑战；

2. 开发应对业务挑战的具体应用；

3. 评估和选择可行的应用；

4. 确定和评估每个应用的合作伙伴；

5. 明确数据共享的合适方案。

在确定数据共享应用的优先级时，需要审查价值主张、风险、数据的可得性和质量。还需要进行评估，从而确定合适的合作伙伴，并了解所有利益攸关方是否在组织和基础设施方面已经准备充分。最后需要讨论合适的方案、共享机制、补偿模式和必要的技术架构等方面。

选择适当的技术和使用通用标准有助于克服数据共享的主要障碍，如互操作性问题和风险。新技术和推动全行业的标准化及适用共同参考架构大有前景，因而应得到进一步的鼓励。

这本文是制造业实现数据共享新征途中的一个起点。它旨在促进新工具、新政策和新商业模式的发展，以帮助制造商释放价值并建立一个极富创新的系统。如果制造环境中所有的利益攸关方都共同努力，解决由数据共享所引发的重大政策性的、标准化的和技术层面的问题，就能获得成功。这项涉及数据共享、合作模式、有关技术和数据共享标准的工作将引领该领域进一步对话。“塑造未来先进制造和生产的世界经济论坛平台”（The World Economic Forum Platform for Shaping the Future of Advanced Manufacturing and Production）为讨论和发展旨在促进制造业和价值链之间数据共享的新合作提供了独特的数据空间。

1.简介

高级分析技术和人工智能（AI）正在改变制造界。随着数据在其工厂和供应链中变得越来越重要，大多数制造商已经在其公司内部应用这些新兴技术。然而，制造商可以超越自己场所的限制，通过利用在全价值链环节和全公司共享的数据来获取更多价值。真正的数字专家不仅应用自己的数据，而且还通过共享数据和应用新的数据来改进现有的应用，而这如果没有数据共享是不可能实现的（见图1）。

据估计，仅在运用数据改进工序方面（见图2），企业在数据共享的五个关键领域所能创造的总价值就超过1000亿美元。为了充分发挥数据共享的潜能，制造商需要了解数据共享背后的机制以及使数据共享成功的因素。

制造商如何才能开始释放这种潜力？

为了回答这个问题，本文第二节更详细地研究了可以从跨公司数据共享中获益或赚取利润的应用领域。基于这一研究，第三节介绍了这些应用的常见模式，如合作模式，以及数据共享的成功因素和障碍。第四节介绍了一个框架，以便制造商选择应用、确定合作伙伴并与他们协商数据合作的理想方案。最后，第五节概述了成功进行数据共享的关键性因素：技术的选择、共同标准的采用、信任的建立以及法律和监管规则的确定。

2.探究制造业的数据共享领域

制造业中数据共享的五个应用领域曾用于说明数据共享的潜力及其背后的机制。在第一个被探讨的领域中，数据共享为现有的高级分析和人工智能提供了更一步的解决方案。对于其他领域，数据共享使这些应用领域成为可能。

促进资产优化。领先的制造商已经在使用高级分析技术和人工智能来预测机器故障、提高质量和性能。制造商可以使用机器数据来开发预测算法并增加机器的可用时间。生产者还可以通过分析数据来减少与质量和能源与水电消耗有关的问题。

在技术层面上，要实现上述效果需要找到不同的工艺参数和理想的性能或希望避免的故障事故之间的联系。随着故障实例或对故障描述的增加，该算法可以更好地预测未来会发生的故障事故或精准找到故障出现的原因。

面临什么挑战？

首先，为了构建一个能够有效提供有价值见解的强大预测算法，公司需要大量的数据，其中包括许多机器意外故障的实例。从长远来看，基于不充分的数据构建的预测算法是无效的。然而，机器发生意外故障的数据本身是很少的。因此，大多数制造商没有足够多的与机器故障有关的数据——小型制造商则更少。

其次，要成功优化工艺参数就要结合来源不同的和使用不同传感器的机器的数据，以便算法能够了解影响工艺结果的所有因素。然而，即使在同一公司内，这也可能是一个挑战。为了阐明这一点，下面将引用计算机数控（computer numerical control，CNC）机器和切削工具生产商的实例。现今，加工中心使用嵌入式传感器来监测加工过程中的各个方面（如振动或碰撞风险）。将这些数据与其他机器控制数据和产品设计结合起来，可以使供应商提出更有效的切削路径、切削工具或工艺参数。然而，由于产生数据的不同系统之间的互操作性问题或可访问性问题（如访问机器、传感器或设计数据），要实现这方面的合作是很难的。

数据共享有什么好处？

在以上两种情况下，数据共享提供了一个解决方案。一家公司可以从其他公司获得有关机器故障模式的数据，并将其输入预测算法，该算法可以从不同的故障模式中“学习”。法拉克（FANUC）作为自动控制装置的制造商，利用其自动控制装置的数据提供了一个预防性维护的解决方案。为此，它与思科（Cisco）合作建立了一个数据库，他们的客户可以在其中安全地分享其故障数据。通过使用这些数据，法拉克可以了解其所有客户的故障模式，并为其客户延长机器的可用时间和提供更好的预测性维护服务。

这一机制是如何运行的？

为了实现上述两种应用目的，最可行的选择似乎是制造商与第三方（如机器供应商或服务提供商）合作，整合、清洗和分析数据。这是因为，数据共享安排必然可能涉及到有直接竞争的关系同行业的公司。此外，第三方可以提供所需的专业知识以及促进数据共享关系（见图3）。

具体应用中，第三方可以是像DataProphet这样的公司，它承诺整合不同来源的数据，并使用机器学习来减少品质瑕疵和废品。这一工作也可以由机器供应商完成，他们承诺通过数据共享改进他们提供的服务。与一些机器和设备供应商合作的制造商可能更愿意选择这种方式来建立长期合作。

在上述安排中，重要的是要保证数据共享结构和第三方是安全的。由于缺乏评估解决方案供应商的技术能力的标准，制造商可能更愿意与已经建立关系的机器供应商合作。

此外，要整合源于不同系统的数据，并由多个利益相关方提供对其数据的访问权限，需要各方解决诸如互操作性和数据所有权等问题，还需要他们分享数据共享带来的益处。

沿着价值链跟踪产品。通过跟踪供应链中的产品和部件，制造商可以确保在需要的时候能够得到他们所需要的材料。这种可视性便于让制造商改善他们的生产计划，减少库存量，并更快地对供应链中的意外事件作出反应。

跟踪供应链中的产品和部件的做法很可靠。公司已经可以通过使用（在产品或包装物上放置的）射频识别（radio-frequency identification，RFID）标签和精心设置的扫描系统，跟踪其运营中的部件的位置和数量。

面临什么挑战？

虽然跟踪产品是有用的，但它没有真正实现端到端的可视性。为了实现端到端的可视性，供应链中的所有供应商必须将他们的数据整合到一个共享系统中，并使用共同的标准来进行供应链交易。这种可视性将便于其减少安全缓冲库存量，并作为发货方或接收方应对突发事件，所有供应链参与方都能因此获益。额外的好处还包括减少运输过程中的零件丢失，减少调研费用，减少生产中断和优化运输。

数据共享有什么好处？

通过使用端到端的共用共享系统，供应链参与者可以在供应链层面上实现某些交易的自动化。例如，如果发生生产中断，制造商可以自动替换供应商并替换使用的资源。此外，监测资源消耗数量的能力使公司能够在其供应链内实现自动补货（见图4）。

这一机制是如何运行的？

汽车行业的领军公司已经开始合作，通过使用如AutoSphere这样的解决方案实现端到端的跟踪，AutoSphere是一家名为Surgere的公司建立的汽车原始设备制造商和供应商的社区。加入AutoSphere的公司共用一个数据库以便更好地管理他们的供应链交易。Surgere作为一个安全的第三方，收集、分享和分析社区的交易。它还提供射频识别标签和必要的软件与硬件解决方案。这一社区的创始成员有本田（Honda）、丰田（Toyota）、日产（Nissan）和通用（GM）。他们及其供应商一起跟踪数百万贴有标签的资产。

为了从中获益，公司必须克服两种与信任相关的挑战。首先，一些一级供应商可能会担心，如果他们向制造商透露哪些公司向他们提供零部件，以及透露他们正在交易或生产的产品数量，就会失去他们的谈判能力或竞争优势。第二，即使供应商参加了这样的数字社区，也可能不愿意承诺使用同一种技术和标准，因为之后他们很难为其他客户转换到其他类型的技术和标准。

沿着价值链跟踪生产工艺条件。除了跟踪产品的位置和数量外，在供应链上监测产品状况和工艺参数也很重要。这在食品和制药行业就更重要。在这些行业，制造商必须证明安全性和可追溯性，以使其产品符合严格的监管要求。

有几种解决方案可以证明产品在运输过程中没有出现问题。公司已经通过使用传感器和标签来记录环境因素，如记录地点和运输过程中的温度和湿度。此外，制造商拥有跟踪生产批号、有效期和其他各种生产过程信息的系统。

面临什么挑战？

然而，现今的文档通常是由价值链中不同的利益相关者建立的，应用功能不同，使用的系统和传感器也不同。这意味着制造商一般被迫在漫长的通信链的末端记录生产条件和特性。

如果制造商在通信链末端发现了一批货出现问题，它需要与所有的利益相关者合作，从而了解发生这一问题的原因，而且难以及时更换供应商以应对这一问题。

数据共享有什么好处？

通过数据共享，公司可以沿着供应链建立一个连续的、完整的数字记录，通过实时更新，公司可以立即采取行动避免浪费。连续的数字产品记录使公司能够轻松处理来自终端客户的保修索赔，并找到导致质量问题的根本原因。制造商还可以向终端客户提供源于数字产品记录的信息，从而解决任何有关食品和药品安全的问题，以及解决其他生产方面的问题，如工人安全和环境影响（见图5）。

这一机制是如何运行的？

BeeBeacon是一种移动传感器技术，定期报告价值链上的各种情况（如温度、湿度和海拔），是实现数据共享很好的实例。由于更新信息存储在云端，且在短时间内上传，如果管理人员发现任何环节的产品不符合规格，他们都可以立即应对。

在食品行业，两项举措为全面建立产品的可追溯性和实现状态监测。一个名为OpenSC的举措使用区块链从端到端跟踪食品供应链中的温度。它还可以让消费者验证生产者关于食品的主张，如合法捕捞、自由放养和公平贸易。IBM Food Trust是另一个基于区块链的举措，跟踪并向消费者提供关于他们所购买物品的其他信息（如食品收获和包装的时间）。参与该举措的法国跨国公司家乐福（Carrefour）报告说，关于食品的其他信息使其获得消费者更多的信任。

应用这些方案会带来一些挑战。所有价值链参与者（供应商、生产商和农民）需要合作并安装传感器和使用其他数据技术。然而，农民和供应链上的其他参与者可能不具备参与昂贵的高级方案所必需的数字能力或成熟体系。此外，由于担心损害自己的声誉，供应链参与者可能不愿意分享数据。通常而言，数据共享成功的关键在于获得所有关键的供应链参与者的支持。

交换数字化的产品特征。在现今互不关联的制造业中，大多数部件已经使用计算机辅助设计（computer-aided design，CAD）软件进行了数字化设计。然而即使制造商使用CAD模型进行产品设计，纸质记录仍用于记录和传达在不同生产步骤中生产的产品的实际尺寸。

面临什么挑战？

因为记录是由价值链上的各个利益相关者保存的，在很多情况下有必要手动交换记录。制造商还必须进行审计和质量检查，以确保选定的尺寸在规定的公差内。

产品的数字孪生为这些挑战提供了一个解决方案。它们是产品的数字表示，包括其实际尺寸和形状特征。产品的数字孪生在原始CAD模型的基础上，增加了来自不同生产步骤的实际尺寸和质量信息——创建了一个整合所有设计数据和实际特性的模型。然而，要结合部件数据创建一个贯穿产品整个生命周期的数字孪生，需要高水平的合作和协调。

数据共享有什么好处？

通过共享和组合数据，制造商可以充分实现数字孪生的潜力。例如，供应商可以在产品的数字表示中记录其负责的实际尺寸和几何形状。负责后续工艺步骤的供应商可以用实际尺寸无缝扩展这个模型和他们曾经制作过的几何图形。区块链或分布式记账技术（Distributed Ledger Technologies）似乎特别适合用于此类记录，因为它们可以创建一个便于审查且难以更改的“事实单一版本”（a single version of the truth）。

由多方提供的实际尺寸、公差和形状信息构成的数字表示有很多很重要的益处（见图6）。例如，当一个特定的部件到达下一个生产步骤时，生产设备可以使用尺寸信息来自动调整生产参数，以适应来料。

使用数字孪生也减少了手动交换和检查质量记录的需求。通过数字孪生来调整质量控制和退货流程，公司可以自动化或减少不必要的质保流程。

这一机制是如何运行的？

例如，制造商可以使用数字孪生来保证产品在公差规范之内，从而防止公差叠加。当产品尺寸的微小差异叠加起来，直到最终产品超出规格时，就会出现公差叠加。如果一个价值链上的公司知道来料的确切尺寸，它可以自动调整其工艺参数，保证产品在终端客户的公差容限之内。

汽车行业的一个原始设备制造商已经与挡风玻璃供应商一起使用产品的数字孪生来调整最后的装配过程，以应对挡风玻璃因其特性在尺寸上发生的细微变化。

所有助力数字孪生的供应商都能从中受益，即减少手动控制产品质量和避免公差叠加——但前提是供应商和制造商互相协作和信任。例如，供应商可能不愿意分享其部件质量性能的数据。因此，为了鼓励他们进一步信任和合作，整个价值链的合同应该关注参与者的共同关键绩效指标（例如最终交付客户的产品质量）。

核实原产地。对于供应链的参与者来说，了解每个部件的原产地以及它是否是真货变得越来越重要（见图7）。在每个生产步骤中，生产商必须相信供应商提供的产品具有订单中规定的特征。目前，生产商通过质量检查、审查和记录来核实这一信息。

面临什么挑战？

不幸的是，在复杂和严格监管的供应链中，很难通过这些传统方法来核实这些信息，这就使得有很多机会实施欺诈行为。特别是对于高价值的组件或产品来说，有关产品来源或构成的信息可能会被伪造，供应商可能为客户提供低质量的假冒组件。另一个例子是灰色市场改变用途（grey market diversion），供应商生产比要求更多的某些部件，并将多余的部件在原定市场以外的地方出售。

数据共享有什么好处？

通过共享数据，价值链参与者可以识别欺诈行为，并证实产品的产地和真实性。这需要结合各种技术，使原材料获得防篡改的唯一标识，在生产周期中附随在材料上。通过共享数据，价值链上的利益相关者可以围绕该唯一标识创建连续的记录线索。有了防篡改的记录，生产商就可以在必要时根据该唯一的标识提供产品的原产地和真实性信息。上述好处在受到严格监管、欺诈和假冒成本高昂且产品来源特别重要的行业中尤为明显。例如，在钻石行业，必须确定钻石的真实性和原产地非常，以确保钻石采集的方式是合乎道德和责任的。

这一机制是如何运行的？

例如，Tracr和Everledger是两个很好的在钻石行业引入区块链技术实例，其打击了欺诈和造假行为。上述两家公司都制定了一个方案，给予每颗钻石一个唯一的身份标识，记录其特征和质量，并跟踪钻石从矿山到零售商的每一步流程。

为了实施这种技术驱动的解决方案，供应链上的所有利益相关者都必须有足够的数字能力。例如，一些供应商可能缺乏参与区块链方案所需的数字能力或成熟体系。各方还必须为系统中的每个产品建立一个安全的鉴别身份的解决方案，使得产品信息在整个过程中都不可篡改。

介绍制造业中数据共享可以带来好处的五个应用领域，并提供在采访中提出的各种应用的真实案例，为撰写本文调查了全球大约1000名制造业经理，以上有助于阐明数据共享的含义和运行这一机制方式。以下章节简要总结了这些应用中常见的协作模式，以及协作中遇到的障碍。

3.跨数据共享领域的协作模式

本文审查那些可以应用数据共享的不同领域发现了某些共同点。本节描述了协作中的共同点，并总结了可视性的主要驱动因素和障碍。此处并未涵盖与数据共享相关的所有协作方式，因为重点是针对本文进行的访谈和调查的结果。

从合作的主体出发，有三种主要模式：

–通过第三方提供解决方案在制造商之间

–在供应链中的直接供应商和制造商之间

–通过机器供应商在制造商之间

由于竞争和合规方面的挑战，处于同一价值链上的公司之间很少直接在产品和生产相关数据上合作。例如，两个汽车原始设备制造商可能不会直接分享他们的产品和生产数据，但如果他们希望合作，他们可以通过第三方来实现。

在所有这些模式中，促使数据共享的两个主要因素是：

–为实现高绩效的强分析能力。制造商需要足够的数据来进一步优化生产设备。通过共享数据和整合数据集，公司可以实施无法单独实现的解决方案。

–提高价值链的透明度。制造商越来越需要了解端到端价值链中的产品（包括其原产地、真实性、位置和状况）和生产过程。他们可以通过建立跟踪和监测系统来提升透明度。

连续的数字记录和价值链上的流程自动化。

制造商可以选择两个层面的合作来实现这些动机：

–专注于某个特定的应用，要么由第三方支持，要么自己协调（例如，使用特定的传感器和云端解决方案在价值链上进行状态监测）

–建立更全面的伙伴关系（例如，使用区块链结构同时处理所有相关的供应链应用），构建产品的跟踪、可追溯性、来源、真实性和数字孪生。

为了解决这些问题，成功的合作需要：

–明确的价值主张和数据共享的理由

–互利的协议

–安全技术和共同标准。

基于上述认知，有一个框架和一套工具可以帮助制造商开始实施上述解决方案。下一节将详细介绍这个框架。

4.如何开始

五步框架可以帮助制造商建立一个数据共享关系（见图8）。这个框架并没有涵盖建立一个复杂的数据共享合作的所有方面。相反，它是对数据共享应用和建立成功的数据共享关系进行知情讨论的起点，然后合作伙伴可以用它来为他们的合作做详细的准备。

开始的关键是找到合适的合作伙伴来追求价值主张并建立他们的信任。然而，数据共享的合作有其独特的挑战：

–在没有背景信息的情况下，难以估计数据的价值和与相关风险有关的成本

–有必要评估参与合作的整个团体的准备情况（必要时弥补伙伴关系中的技能差距）

–需要迭代，因为合作伙伴选择的合作方式可能会影响风险、成本或与应用相关的数据类型。

为了解决这些复杂的问题，白皮书所提出的框架是迭代式的，并包含清单和评估，以：

–评估和选择数据共享应用（清单）。

–确定正确的应用合作伙伴（评估）。

–确定合作的正确设置（清单）。

虽然在使用这些工具时必须审查一些因素，但以下几点将有助于解决主要问题。

评估和选择数据共享应用。为了了解数据共享应用，公司必须至少调查数据共享的四个方面：范围、可及性和质量、价值和风险。

–范围。明确定义数据的范围：哪些数据将被共享以及何时共享（例如，连续或每天分批）。这可以让所有的合作伙伴更好地了解实施应用所需的准备和相关风险。

–可获得性和质量。评估应用所需数据的可用性和质量。这将有助于确定数据准备所需的工作量。

–价值。估计数据共享应用的潜在价值，并将其与实施和运行该应用的成本相比较。

–风险。澄清相关的风险和其他可能的法律问题在这种情况下数据共享的障碍。

评估与共享数据相关的价值和风险可能很困难，因为它们在很大程度上是由数据的使用环境决定的。因此，详细的评估需要召集各种专家，从不同的角度考虑这些应用。

为应用确定合适的合作伙伴。识别或选择合作的伙伴是一项复杂的任务，包含几个方面。成功的数据共享所需的技术准备和能力是：

–数据的可用性和可访问性。应用的数据可用性和可访问性，以及改变、终止和更新数据访问权限的机制

–数据组织。实现数据共享的组织结构、角色和专业知识

–数据基础设施。目前正在使用并适用于数据共享和保证安全的平台、工具、模型和架构

为使数据共享联盟取得成功，合作伙伴必须具备实施应用所需的技术能力。所有参与者必须有类似的数字成熟度，才能使一个共同的系统能够安全地运作。

对所有可能的合作伙伴进行这些因素的评估，可以让合作者感知到联盟的优势和劣势。如果参与者发现一个与应用有关的关键问题没有得到适当解决，他们可以引入一个额外的合作伙伴，将技术准备提高到一个可接受的水平。

为合作确定正确的设置。参与者必须考虑多个维度，为合作选择正确的设置。以下三个方面是最相关的，因为在准备实施时可以对它们进行更有针对性的讨论：

– 机制和管理。数据共享关系将如何结构化（例如，直接共享，通过机器供应商或通过服务提供商）？谁将拥有这些数据？

–补偿。各方将如何分享所创造的价值（例如，没有补偿，以服务作为补偿或根据协议分享）？

–技术。必须考虑哪些具体的技术和架构要素（例如，数据流、数据安全和数据接口）？

正确的设置与应用的类型密切相关，并以前面讨论的常见合作模式为基础。对于一些应用，如实施预防性维护，共享机制可以通过机器供应商、补偿可以通过增加服务来实现，而处理可能发生在数据仓库中。

图9概述了该框架是如何运作的，它提供了一个说明性示例，详细说明了步骤、清单和评估工具。

5.在制造业中成功分享

数据的关键推动因素

在应用了上一节提出的框架后，制造商仍有很多工作要做，以为数据共享做准备。公司之间的数据共享很复杂，合作伙伴需要克服许多障碍。

调查和访谈的参与者列举了许多不共享数据的原因。他们最关心的是安全问题，商业机密的潜在损失，谈判能力的丧失，以及衡量数据的价值的难度。那些已经分享数据的制造商说，他们的主要挑战是与所有权、限制和法规有关的法律不确定性，以及技术障碍（如互操作性问题）。

本文进行的研究确定了数据分享成功的四个关键推动因素，可以帮助制造商应对这些挑战：

–技术选择

–使用共同标准

–建立信任

–法律和监管规则的确定性

5.1.选择正确的技术

如今，制造商有几种选择来实现安全的数据共享合作。风险总是存在的，但选择正确的技术基础设施和架构的公司可以将这些风险降低到一个可接受的水平。

公司在选择数据存储库、平台和加密技术时有多种选择需要考虑。云服务上的数据湖可能足以满足一种应用，而另一种应用可能需要区块链解决方案。此外，金融和保险行业企业正在实施新的隐私增强技术，这些技术可能会在制造业中实现有趣的应用。本文的附录简要介绍了这些技术，包括它们的优点和缺点以及它们与制造业数据共享的关系。

5.2.使用共同的标准

制造业的数据共享需要机器和传感器以及公司使用相同的语言，以便他们能够轻松地汇总和分析数据。为了克服互操作性问题，数据共享安排需要多层的标准化。

帮助制造商应对这些挑战的举措正在制定。一些组织正在开发促进制造数据交流的标准，而其他组织正在开发通用的参考架构，以便在整个行业范围内使用。此外，联盟正在形成以定义有助于理解数据的共同数据模型。

然而，由于需要做的工作还有很多，管理数据共享所有方面的全球标准可能不会在短期内出现。尽管没有一个全球性的标准，制造商仍有一些选择和资源可供使用。本附录简要介绍了这些标准和参考架构，以及它们与制造业相关的原因。

5.3.建立信任

成功的数据共享关系的主要障碍是如何围绕一个明确的价值主张在合作者之间建立信任。为了促进信任，公司需要：

–将数据视为一种商业资产，并在其价值主张中考虑数据。

–建立以共同目标和互利为重点的关系型合同。

将数据视为一种资产。将数据作为一种资产的概念并不新鲜。然而，物联网、分析学和人工智能的进步提升了正确理解、分类和管理数据的重要性。将数据视为商业资产，有助于公司对其进行估值，并采取适当的行动来保护、分享或出售它。

正如分享任何资产一样，公司在分享数据之前，需要了解它所提供的价值和它所获得回报的价值。如果一个公司用其数据换来的价值不超过在内部保留数据的价值，它就不会参与数据共享。不幸的是，确定数据的价值可能特别困难。

如今，人们可以在数据市场上进行数据交易。理论上，通过在市场上提供数据集，制造商可以获得对其价值的客观理解。然而，没有制造商会仅仅为了这个目的而将其敏感的产品和生产相关数据放在市场上。

此外，在评估数据的价值时，必须考虑应用背景。一种特定类型的数据可能在一种应用中具有价值，但对另一种应用可能没有价值。例如，尽管关于机器振动的数据可能没有单独的价值，但当这种数据应用于减少故障和提高机器正常运行时间时，就变得很有价值。因此，为了对数据进行估价，制造商需要把这些数据放在应用背景中，并考虑如何应用这些数据。只有这样，它才能为每个应用计算出一个价值。

为了充分评估数据的应用价值，制造商必须考虑在特定应用背景下共享数据可能产生的风险。例如，一个公司在云系统中使用的存储空间的数量最初可能看起来是无关紧要的“废气”数据，它可以共享。然而，数据共享关系中的另一方可以利用这些信息来深入了解企业正在如何运作。因此，即使分享废气数据也可能对企业造成损害。

为了应对估值挑战，制造商需要一种结构化的方式来管理他们的数据资产，根据哪些是可共享的、哪些是不可共享将其分类，并仔细评估每一种用途所产生的价值和风险。如果没有这方面的知识，公司将对数据共享望而却步，宁愿保留他们的数据，以至于阻碍创新，数据难以产生价值。

专注于双赢的解决方案，建立关系型合同。在数据共享关系和数据价值链中，可能很难界定所有权的概念。例如，如果一个数据服务提供商合并和转换多个数据集，则安排中的合作伙伴可能会发现很难要求对最终数据集的所有权。除了所有权，服务提供商和合作伙伴还必须管理数据访问和使用。

处于数据共享关系中的公司目前使用合同协议来定义哪方可以访问哪些数据以及数据的允许用途。正如全球律师事务所贝克-麦肯锡(Baker McKenzie）在一份关于数据资产的文件中所概述的那样，为了实现成功的数据共享，合同协议需要考虑访问和存储数据的规则，对数据的汇总、使用和进一步共享的限制等问题。合同还必须定义各方如何获得补偿，以及如何分享数据使用带来的利益。为了分享利益，各方需要协调他们的不同利益，并专注于为各方创造价值的双赢解决方案。

《哈佛商业评论》（Harvard Business Review）中介绍的关系型合同的新概念提供了一种应对这些挑战的方法。在关系型合同中，双方明确共同目标并建立结构以保持长期利益一致。关系型合同专注于各方的既得利益，旨在实现促进这些利益的成功关系。相比之下，传统的合同协议列出了所有可能的风险，并试图通过严格的条款来管理关系的所有方面。

在制造业数据共享的背景下，供应商和生产商在终端客户收到的质量方面都有既得利益。假设这两方可以通过数据共享来提高最终产品的质量（例如，通过共同优化工艺参数或创建数字孪生）。在这种情况下，使用注重质量目标的关系型合同将比定义供应商必须向生产商提供的质量水平的传统合同有效得多。

日本的供应商和原始设备制造商已经开始采用这些合同。原始设备制造商与他们的主要供应商在许多领域密切合作，包括减少质量问题。在这些安排中，原始设备制造商认识到他们的成功取决于他们的供应商，而供应商知道他们将从原始设备制造商那里得到他们所需要的支持。这些领先的公司明白，在合同层面建立信任关系是他们成功的一个重要方面。

5.4.法律和监管具有确定性

政府在帮助制造商实现数据共享的潜力方面具有重要作用。与数据有关的法规和政策会对数据共享造成障碍。本地化要求就是一个例子。各国利用这些要求使公司在其边界内存储特定的数据，或对数据的流动施加限制。这种要求会使供应链中的跨境数据共享变得相当困难。事实上，世界贸易组织已将数据本地化法律列为数字贸易障碍。

同时，现实发展是令人兴奋的。例如，欧盟最近颁布了一项法规，实际上消除了其管辖范围内对非个人数据的本地化限制，从而使这些数据能够更自由地流动。

同样，政府、行业和其他公共利益相关者可以一起研究新的合作方式，以释放数据并提供符合公共利益的服务。数据信托就是这样一种发展。开放数据研究所将数据信托定义为一种新的结构，在这种结构中，数据所有者将其数据控制权交给一个受托人小组，该小组照顾数据所有者以及用户的利益以帮助用户为社会提供利益。可以进一步调查类似的选项，以了解它们将如何适用于制造业。

额外的激励和努力是必要的。政府与行业协会一起，可以进一步支持全行业的标准化，激励使用共同的架构和标准。最后，政府可以选择直接支持企业以帮助创造一个公平的环境。例如，韩国数据机构为制造业提供各种与数据有关的解决方案。这包括用“数据凭证”（data vouchers）支持中小型企业。

6.总结

那么，制造业中数据共享的未来是什么？

在未来的一个愿景中，人工智能的进步将使制造商变得更能保护他们的数据资产，并更不愿意分享它们。在封闭的生态系统中工作，企业会竞相将其他人锁定在他们的结构中。在另一个愿景中，制造商将使用全球公认的标准、参考架构和通用模型自由分享数据。因为所有的数据都是可用的，并且在必要的时候很容易访问，制造商甚至不必担心如何具体应用。但在短期内，数据共享实践可能会介于这两个极端之间。

每个制造商都有机会立即开始通过数据共享释放价值。为了实现这一目标，制造业的领导者必须建立一个明确的愿景，制定正确的价值主张，并通过在其生态系统内建立信任来选择正确的合作伙伴。

一旦这些先决条件到位，制造商可以专注于克服数据共享的其他障碍，如安全、隐私和互操作性。通过使用本白皮书中介绍的结构化方法，领导者可以确定相关的应用并促进合作的成功。

尽管有许多不确定因素，但成功的秘诀是明确的：专家、行业参与者和政府必须围绕数据共享加强合作，使更多制造商成为数字的主人。

本文将为这一领域的进一步对话提供信息。塑造未来先进制造和生产的世界经济论坛平台为进行讨论和发展旨在促进数据共享机会的新合作提供了一个空间。

附录

a.技术

数据共享一般从将各种零散资源的数据合并到一个存储库开始，然后公司可以用它来完成分析和建立平台。数据库是结构化数据集的储存库。这些数据已经从不同的来源中挑选出来，经过清洗并整合到一个预定的结构中。数据湖是非结构化数据的储存库，这些数据没有经过最初的清洗步骤就已经结合在一起。公司可以根据特定应用的需要来构建数据。数据湖对于存储和利用实时数据非常有用，这使得它们在需要持续监测和快速反应的数据共享领域特别有价值，如跟踪。

公司也可以选择同时使用数据库和数据湖，这取决于应用场景。一些成熟的技术允许公司使用通用的云服务构建数据平台，如亚马逊网络服务（AWS）、谷歌或微软，或特定行业的服务供应商，如Palantir。几个制造商，主要是较大的公司，已经在其供应链中使用这种解决方案来管理来自其供应商的数据。

制造商也可以建立独立于特定应用的数据平台，并要求其供应商和其他公司加入。在这些平台中，多家公司可以共享数据并利用不同的服务。为了建立这种平台，制造商可以从各种技术解决方案中进行选择。领先的公司已经在寻求这些选择。例如，大众汽车最近宣布，它已经在AWS上创建了一个连接自己工厂的协作平台，它的目标是最终整合供应商。宝马和微软最近也宣布建立一个平台，在这个平台上，几家公司可以使用一个开放的架构和开源组件将他们的数据结合起来，以创造新的解决方案。

在这种安排下，准备、清洗和整合数据的过程中会出现挑战和安全漏洞。大数据价值协会在其最近的立场文件《迈向共同的欧洲数据空间：实现数据交换和释放人工智能潜力》中列举了以下技术挑战：

–准备和清洗数据是很耗时的，尤其是在没有标准命名惯例和参考架构的情况下。

–数据所有者很难在一个组合的数据库中维护和管理其数据所有权。

–难以保证数据分析的结果。

–难以保证安全的访问控制和保密性。

–如何追踪数据的准确性和正确性是个问题，而且没有广泛接受的数据质量标准。

区块链技术可以通过启用共享的分布式记录或交易分类账来解决其中的一些问题。账本对每个参与者开放，但不受中央控制。从技术角度看，区块链有几个优点，如提供单一版本的真相，易于使用，审计和记录不可更改。区块链的这些优点使该技术在供应链中具有吸引力，可用于建立出处和可追溯性，简化流程和自动化选定流程。

然而，制造商在采用区块链（或一般的分布式账本技术）方面进展缓慢。根据一项全球区块链基准研究，公司主要关注隐私和保密问题。其他问题，如可扩展性、性能、成本和寻找合适的应用场景，则不太突出。即使区块链带来了许多优势，也不可能完全消除因多个参与者可以访问分布式账本中的数据而产生的安全风险。在个人隐私成为问题的情况下，区块链也不是最好的解决方案。因为它创建了一个不可改变的记录，区块链会使其难以遵守有关个人身份信息的规定。

某些新兴技术有望增加隐私并减少与数据共享相关的风险，因为它允许用户在未看到基础数据的情况下分析和处理数据。一些发展与制造业有关：

–零知识证明（zero-knowledge proof）是一种加密技术，帮助用户证明他们的声明是真实的，而不透露声明本身的信息。

–同态加密（homomorphic encryption）是在整合和分析单个数据集之前对其进行加密， 因此只有数据所有者可以解密并看到结果。谷歌称这种技术为“私有连接和计算”，最近将其作为一个开源的加密工具发布。

–联邦分析（federated analysis）需要各方从对其数据的本地分析中共享见解，而不需要在一个中心位置整合数据。

–安全多方计算（secure multiparty computation）结合了其中的一些技术，不同的各方在不透露他们的输入和输出集的情况下处理同一问题。

这些隐私增强技术与区块链相结合，可以在共享数据的制造业企业之间提供高水平的安全和信任，并解决大多数与信任有关的问题。虽然金融和保险行业的公司已经应用了这些隐私增强技术，但它们在制造业的应用还需要进一步调查。

在努力从数据共享中获得价值的过程中，制造商应该认真对待网络安全问题，建立有弹性的系统，研究确保其生态系统安全的手段和对成功至关重要的安全问题。

b.标准

为了避免互操作性的问题，制造商必须选择正确的架构和标准来处理其共享数据。事实上，一些专家认为互操作性是行业内数据共享的主要障碍。在技术层面上，标准确保数据共享关系中的每个传感器、机器和公司使用相同的方法来收集、汇总、交流和分析数据。在缺乏这种统一性的情况下，公司无法利用某些不同的数据。

实现数据共享的互操作性类似于实现讲不同语言的人之间的交流。语言使用不同的词来指代相同的对象，使用不同的语法结构来传达相同的信息。但是，还没有使用相同词汇和结构的人可以参考字典并翻译他们的语言，以便交流。

同样的逻辑也适用于互操作性。如今，传感器、机器和产品通常不说同样的 “语言”。更重要的是，公司使用不同的方法来收集、汇总和交换数据。通过使用通用字典、模型和通信标准，公司可以促进数据共享，并加速数据的汇总和分析。公司或其服务提供商可以为每个数据共享项目定义专有的结构，或者他们可以从广泛接受的参考架构和标准中选择。

目前正在采取一些措施，以创建制造商的数据共享标准。例如，OPC基金会已经开发了开放平台通信（OPC） 统一架构，以提供各个行业的制造数据通信标准。以这些标准为基础，VDW（德国机床制造商协会）等组织正在机床、软件和信息技术系统之间构建通用接口。各个国家和国际组织及行业协会也提出了制造业的参考架构，如：

–工业4.0参考架构模型；

–工业物联网参考架构；

–工业价值链参考架构；

–国际数据空间参考架构。

此外，技术公司已经建立了针对其数据平台的专有参考架构，如微软Azure工业物联网参考架构。

通过使用参考架构、通用标准和模型，公司可以建立联盟，并释放每个联盟生态系统内的数据。然而，为了充分利用数据共享的长期优势，制造商不仅需要在生态系统内标准化接口，而且在它们之间也需要标准化接口。一些公司，特别是中小型企业，参与了多个生态系统。一个在不同生态系统中与多个客户合作的小型供应商可能会被邀请加入几个联盟，每个联盟都使用不同的标准或技术。例如，目前有一些区块链技术解决方案，如Hyperledger Fabric、R3 Corda和Ethereum Enterprise。供应商可能会被锁定在特定的解决方案中，以便与特定的客户合作，或可能遇到技术转换的高成本问题。

认识到这些挑战，各组织正在寻求实现生态系统之间的互操作性。比如：

–国际标准化组织（ISO）和其他标准化机构已经制定了提高透明度和协调性的标准。这种标准的一个例子是ISO 20614，“信息和文件——互操作性和保存的数据交换协议”。

–企业以太坊联盟（Enterprise Ethereum Alliance）是一个由成员驱动的标准组织，旨在为区块链应用开发开放规范。

–GS1，一个非营利性组织，开发和应用独特的识别号码标准，以便公司在需要时能够弥补区块链生态系统之间的差距。

由于许多举措已经启动，以开发管理数据共享的标准和通用模型，如果公司选择广泛接受的通用标准，接口处的互操作性和通信很可能不会成为数据共享的主要障碍。

标准的应用和通用参考架构的使用将帮助公司充分利用其数据。应该追求进一步的标准化，但等待全球标准的采用是不现实的，因为制造商总是需要应对地区差异、公司偏好和特定行业知识来理解数据、传统机器、定制系统和不同的数字化成熟度。（完）

数据保护官（DPO）社群主要成员是个人信息保护和数据安全一线工作者。他们主要来自于国内头部的互联网公司、安全公司、律所、会计师事务所、高校、研究机构等。在从事本职工作的同时，DPO社群成员还放眼全球思考数据安全和隐私保护的最新动态、进展、趋势。2018年5月，DPO社群举行了第一次线下沙龙。沙龙每月一期，集中讨论不同的议题。目前DPO社群已超过400人。关于DPO社群和沙龙更多的情况如下：

域外数据安全和个人信息保护领域的权威文件，DPO社群的全文翻译：

DPO线下沙龙的实录见：

关于美国出口管制制度，本公号发表过系列文章：

供应链安全文章：

传染病疫情防控与个人信息保护系列文章

关于数据与竞争政策的翻译和分析：

健康医疗大数据系列文章：

网联汽车数据和自动驾驶的系列文章：

网络空间的国际法适用问题系列文章：

关于保护网络和信息系统安全的相关文章包括：

《网络数据安全管理条例（征求意见稿）》系列文章：

《数据安全法》的相关文章包括：

关于数据执法跨境调取的相关文章：

赴美上市的网络、数据安全方面的两国监管乃至冲突方：

个性化广告或行为定向广告（behavioral targeting advertising）系列的文章：

第29条工作组/EDPB关于GDPR的指导意见的翻译：

关于我国的《个人信息保护法》的相关文章包括：

围绕着美国方面的个人信息保护立法，本公号发表了以下文章：

业务场景中的数据跨境流动的文章如下：

地缘政治与跨国科技公司运营之间的互动影响：

人脸识别系列文章：

内容安全方面的文章如下：

关于中美与国家安全相关的审查机制的文章：

地缘政治与跨国科技公司运营之间的互动影响：

关于数据的安全、个人信息保护、不正当竞争等方面的重大案例：

关于欧盟技术主权相关举措的翻译和分析：

围绕着TIKTOK和WECHAT的总统令，本公号发表了以下文章：

关于个人数据和域外国家安全审查之间的关系，见：

关于健康医疗数据方面的文章有：

关于人工智能安全和监管，本公号发布过以下文章：

数据和技术方面中国际经贸协定和国内规制的兼容性问题：