Y视角 | 车联网联动智能制造，锚定车企数字化转型的核心价值

yMatrix 2023-09-27

231

前言

在智能网联汽车领域，从业者面临最多的两类问题是“做什么”与“如何做”，即在行业中找到有价值的目标应用，并高效稳定实现。本文将围绕这两个核心问题展开阐述，希望为从业者在实操层面提供建议。

趋势：拨云见日

智能网联汽车，这个名字拆开来看，有两个关键词：智能化和网联化。网联化是数字化转型在汽车行业中的一种具体手段，但它最终的目标是实现智能化。

智能化不是一个有或没有的简单变量，而是一个从量变到质变的过程。我们看到，车辆进行联网化后，第一步往往是做一些简单的车载服务监控，之后会逐步尝试为安全、舒适、节能、高效行驶等目标提供辅助能力，最后到智能驾驶、智能出行。这是一个不断积累量变，并最终实现质变的过程。

值得一提的是，每一次智能化的突破，也都会对网联化有更高的要求。比如，随着智能化的深入，不再满足于只拿到一些 T-box 中的检测信号，而是需要采集一些更高频的信号，因此数据量将急剧增加。与此同时，数据传输也需要更稳定，错误更少，从而满足更实时及更高维度的分析计算。这些都对网联化都提出了更高的要求。

所以，智能网联汽车的发展，离不开联网与数据智能平台的深入融合与相互促进。

另外，通过近些年与诸多车企的交流互动，对汽车行业的数字化转型之路，还有两点体会：

第一，车企数字化转型的视野不只局限于车联网。车联网更多的强调的是车辆在使用阶段中的服务和运维，但车辆的生产制造过程，也值得通过智能化的手段去提升，甚至可以考虑把生产阶段的数据与车联网运营数据进行联合。目前我们已经观察很多整车厂商在关注这方面相关的应用探索，也看到了一些初步的成果。

第二，技术体系的搭建同样值得关注，以及由此带来的组织关系的变革。如下这张图所示，体系的最底层是由私有云构建的现代化基础设施能力，覆盖云基础设施，应用运维及安全保障等这些通用能力。再往上是数据层，其中包括的三个能力都非常重要：第一个是卓越的数据平台，如果这个平台本身的性能受限，上层的应用做的再漂亮也无法发挥；第二是统一的数据标准和数据定义，这个在后面展开去讲；第三个是需要对人员进行有针对性的再组织。再往上形成统一、开放的平台，来赋能用户实现业务创新。

价值：日月长新

接下来，结合一些真实场景，来分享一下联网化和智能化带给车企的创新价值。

目前最为显著的场景，是由车联网赋能升级的售后服务体系。藉由网联化和智能化，新能源车企都在加速售后服务向个性化与定制化转型。更有超前者，将售后服务转化成新的价值创造环节，使车辆的售卖不再是价值呈现的终点，同时也显著提高了品牌忠诚度。

整体的方案是借助数字化运维平台，将场景数据、车辆数据、用户数据等进行整合处理，然后分发到各个数据需求方，包括：整车厂的研发部门、4S 店的运维部门，以及一些第三方服务部门。数据在这些需求方手中通过各自领域的算法和应用，转化为面向客户的数字化服务，并且共同组成一个数字服务生态，从而完成整个客户售后体验的升级。

举一个具体的例子：如何来通过智能化和网联化赋能，让售后体系可以对车辆故障实现预测性分析、预警，并提供个性化的维保服务？

预测性维护是一门技术，更是一种服务理念。它的价值既包括显性的降本增效，也包含隐形的客户满意度的提升。预测性维护实现的思路是：融合车辆设计阶段、实验阶段和运行阶段的数据，将理论模型和实际数据进行结合，最终针对关键部件部署一套预测性维护的分析算法。算法将分析在不同工况下的数据表现，在故障发生前的即可实现有效定位，使相应的维护措施能够提前介入，从而有效降低风险，并降低处置成本。本质上来说，这相当于进一步提升了车主及售后体系的信息掌控度。车主可以因此更自由和精准地安排维修保养，获得更好的体验，满意度也随之提升。

相信有车的朋友大概率都会有这样经验，当我的车出现问题，一开始我们并不确定是否需要换件，只有到开到 4S 店进行检修之后，才能确认问题及维修方案。但很有可能第一次 4S 店没有合适的备件，让你几天之后再来。这样一次维修，实际需要跑两次。4S 店一般又在比较偏远的地方，一来一去时间全耽误了。但如果有预测性维护服务，那么 4S 店本身可以提前有预判，甚至可以主动联系车主，告诉车主哪个部件可能需要更换，大概什么时间之后备件可以准备好。如此车主可以一次性地完成维修，投入的时间缩短，全程的信息也更加透明。

换一个视角来看，预测性维护也在帮助 4S 店更精准的管理备件库存，基于预测性分析来重新思考和设计 4S 的库存管理系统，这也是对售后服务体系的一种降本增效。

接下来我们看一下在生产制造环节中的一些应用场景。

第一个，也是在这几年行业内比较热门的话题，是生产制造环节的数据溯源。特别在近几年新能源车快速发展的大背景下，电池作为最为关键且成本最高的部件，一旦出现问题，后果严重。所以需要对整个电池的生产及使用链路，覆盖包括原材料供应、物流企业、生产制造、仓储配送、经销商、最后到消费者的全部环节，实现数据的可回溯、可追溯。当产品一旦出现问题，可以逐一对每个环节进行排查分析。要做到这点，最重要的是将整个链路中各个环节的数据有效地组织到一起，也就是我们提到生产环节中的“人、机、物、料、法、环”的全面数字化覆盖，并进行完备的数据收集。

更进一步，我认为生产溯源这个场景对生产自动化非常有意义，因为实际上藉由溯源系统，已经将生产链路中每一个环节的输入及输出串联起来。在这个基础之上，能做的事已经不仅仅限于溯源。

比如，第二个场景，业财融合及生产过程监控。这个场景的意义在于，通过融合采购、工厂运营、人力资源、生产制造等等环节，来建立一个业财融合的体系。

“业”就是业务，“财”就是财务。财务分析是一个非常有价值的过程，但现在的财务分析更多的是一个离线过程，是一个周期性的定期事件。而业财融合要做到的，实际上是把财务分析变成一个实时过程，并且与业务结合在一起。我们可以在生产的过程中实时地看到我们的业务处在什么样的阶段，并且可以与历史数据进行对比，进而能快速地判断今天的生产是否正常；如果不正常，那么通过这套数据体系可以快速定位问题。

第三个场景，通过生产和运营的数据关联，实现工艺的优化。这种实现工艺优化的方式与原来的做法式很不同。现在可以从产品的实际表现出发，通过对车辆在实际运行中展现的现象进行分析，得出一些假设性的机理，然后去做优化机测试，并不断迭代调整，这样会更加准确。

痛点：知易行难

理想很丰满，现实很骨感。

我们再来看看实践中遇到的痛点有哪些。我总结有这些具体的挑战：

从宏观来看，还是缺乏有效的顶层设计。麦肯锡一项研究显示，70% 企业的数字化转型项目停留在试点阶段，呈现出点状应用难以整合、烟囱式的系统搭建、投入产出比难以突破等等困境。现在没有老板不支持数字化转型，但也没有老板会无条件支持。有点既要还要的感觉，既要高瞻远瞩，又要脚踏实地。

我的体会是，可以从一些立竿见影的地方切入，通过这些立竿见影首先打好基础，建好数据基座，然后逐步推广到其他应用领域，带来惊喜。既有短期效果，也有长期视野。

从微观实践来看，具体建设中有这些痛点：

首先、业务单元和应用场景的多样性。每个部门都会提需要，面对这么多元的需要，数据要按照不同的类型去组合，那如何取得组合的最优解？如何去存储？如何去处理数据值？
其次、数据量非常大，指标非常多，几十万的车，每台车每天可能会新增几万行数据，那整体一天下来就是几十亿条数据采集上报。
再来、采集的频率也非常多样，毫秒级、 1 秒、10 秒、30 秒等等，那这些异频数据怎么整合并统一存在一起？
同时、数据类型多样，常见的有车机信号、应用的埋点数据、 GIS 数据等等，也会有一些文本、 JSON 这些半结构化或非结构化的数据类型，如何去组合？
还有就是数据处理和分析效率越来越难满足业务的需求，业务越来越导向互联网化，对性能的要求越来越高。

下图右侧是一个比较典型的车联网数据平台架构：数据从消息中间件进来之后，之后会经过各种各样的组件，大部分是 Hadoop 体系的，像 HBase，Flink、MySQL， ES 等等。虽然可以通过拼积木的方式，将这些组件按业务需求组合在一起，并解决了问题，但运维人员会很非常痛苦，因为需要维护很多的技术栈。同时会产生大量的数据迁移需求，往往做一个应用，数据会被倒来倒去，倒出好多份副本。这种方式，一方面效率低下，另一方面过程中离不开人，这已经成为了底层非常显著的痛点。

方案：滴水石穿

那么，车企的数字化转型到底要如何架构？

接下来，希望分享我们的一些观点和方案，均来自于近一年内与诸多车企或是工业企业开展的深入研讨，或是已经落地的真实经验。

首先，想再次特别强调一下：车联网和生产制造的数字化，需要整体布局、一体化设计。其中关键在于，生产制造大数据平台和车联网大数据平台，应基于统一的数据基座，从而实现多源异构数据的交互融合。

具体来看，生产制造大数据平台的数据主要来源于 MES 系统，上层会基于各分支基地及各类业务数据，以及包括 MES 系统中的设备指标数据、设备状态数据和生产过程数据，来完成整个生产流程的产品溯源与追溯。同时，可进一步实现业财融合、成本穿透，以及生产线设备的预测性维护等等业务能力。

生产制造一侧的架构挑战在于各地各业务的数据如何汇聚到总部。这里我们设计了一套边缘-总部的架构，数据不一定全部都要汇聚，可以在各分支基地来建立边缘数仓，完成本地的一些业务支撑，同时把一些总部需要的数据，处理后上传总部，在总部一侧实现汇聚并形成统一的应用支撑能力。当然边缘侧也会提供自己的应用能力，但只限于本地数据。

车联网大数据平台则主要基于车载 T-box 模块回传的车机数据，并整合一些关于用户的关系型业务数据，以实现数字化营销、产品运营健康业务、车辆智能化预测性维护等能力。

车联网和制造端相比，是一个完全不一样的架构。底层，数据通过车机回传，经过如下图最低端所示的数据链路，最终汇聚到大数据集群中来，完成数据的入库。接下来，首先会做一些特征提取，包括操控的数据、使用的数据、性能的数据，从各个视角把数据明细层分清楚，以供上层的算法进行分析。再往上层是算法分析，包括：指标探索，分析人员对数据进行分析，发现隐藏在现象背后的一些规律；还有数字汽车，为每台车进行数字孪生建模，记录车辆的全生命周期数据；以及报表的分析，提供日常经营的洞察分析。到最顶端一层，就是面向消费者提供的各项服务，包括可预测性的售后服务、行为和故障预警、车载网络的优化、自动寻址充电桩、车险优化、金融服务等等。

以上是对整体的架构的一些思考。

接下来想谈谈在转型中，需要注意的软硬件和基础设施建设问题：

首先，要有一个适合数字化转型的组织架构，组织模型也应成为统筹考虑的一部分。这里分享《华为数据之道》中提到的一种华为自己在用的组织架构模型。可以看到，其最大的特点在于设置有专门的数据 owner 岗位，专职进行数据管理。我们不一定都要完全地照搬，然而却值得关注因组织协作对转型方案产生的影响。

第二，建立统一的数据标准与模型，统一数字语言。为什要统一呢？举一个例子，企业内的不同部门，比如说产品设计部门、合同处理部门、订单处理部门、开票部门，对于同一个客观对象的描述，会使用不同的词，对应存到数据库中就是不同的字段。而在后期想要去做基于这些不同的字段做联合分析，会非常苦恼。这里就涉及到数据标准或者说语言标准的问题，需要一致的数据模型，对数据和关系做出标准化的描述。

具体到车上，我们如何通过数据描述一台车？车辆的编号、地理位置、客户信息、制造数据、运营数据，我们车辆编号用哪一个列名来代替，我们的地理位置又用什么方式表达？包括在的制造阶段，每一段工序之间的关系是什么样的，车辆的不同的部件是经过怎样的过程组装成整车，这个过程如何能够通过一套标准的数据体系和数据模型描述出来？这就是数据标准的意义所在，也为我们一再强调的，将生产和运营环境通过数据链接在一起，奠定一个良好的数据基础。

第三，基础设施，也就一个卓越的数据基座。这个基座需要满足海量数据的存储、计算、分析和融合。前面的论述中陆续提到了一些上层应用对数据底座的需求，这里汇总一下：

要满足海量数据的接入能力。车联网的数据量确实很大，在加上生产制造端的数据，而且还需要做到快速，不能有数据的积压，否则就意味着服务的延迟；
多场景的数据处理能力；
实时计算能力，用户不会像数据分析人员一样等一两个小时才出结果，用户如果打开手机想查看目前车辆的状态，10 秒钟刷不出结果，就会认为 App 挂了；
要能够高效地执行可预计的批量任务，虽然算法人员可以接受等几个小时，但如果说一个算法超了 24 小时还无法出结果，那就没法再等了，因为第二天的数据又来了。所以，批量算法的执行时间也有强力的需求去压缩，从而能有时间、有精力去开发更多的算法。

对比之前我们提到的多种组件拼装组合的架构方案，通过 YMatrix 超融合数据库，我们希望大幅简化整体的技术架构。我们的目标是基于多核数据库架构技术，把所有的操作及类型凝聚到一个数据库中。这样用户就可以面向这一个数据库进行操作、维护和更新，来实现包括时序明细分析、最新值、关联查询、实时分析、离线分析等等几乎所有的查询需求。