一家印度钢铁厂是如何利用数据的价值以及赢得全球赞誉的

塔塔钢铁公司(Tata Steel)的印度卡林加纳加工厂将钢水铸成固体钢材之前，一线操作人员会使金属进入一个称为过热处理的流程，这是将钢水加热至合适温度以进行铸造所必需的过程。过热处理可能是一个很难正确操作的过程。钢在过热处理流程中会达到1600摄氏度以上，理想的温度范围仅为15摄氏度。如果钢材出来的温度过高，则设备操作人员必须放慢铸造流程。如果钢材的温度不够高，则在其被铸造成型之前就发生“凝固”，这会影响其质量。

二次冶金站的一线操作人员习惯于基于过去的经验来操作该过热处理流程。他们会参考保存有标准公式的控制系统的提示信息，然后决定使用哪些设定值，以使钢材温度最终达到目标范围。大多数情况下，他们会将每三批钢中的两批加热到最佳温度范围。该“成功率”使他们每天可以完成25次“加热”，但这也留出了提升的空间。将成功率提高到85%左右，这会导致每天可加热28到30次，足以将产量提高大约8%至12%，即每天600至900吨。

这一机会对于工厂经理来说很重要，他们已经被要求通过高级分析技术来提高工厂绩效。在2017年初，他们制定了一个构建分析模型的计划，这将帮助一线操作人员从过热处理流程和其他几项操作中获得更好的结果。塔塔钢铁公司和麦肯锡公司(McKinsey)的数据科学家利用该工厂的历史信息来构建和“训练”过热优化模型，该模型会检查实时运行数据，并会推荐有助于提高成功率的流程设定值。此外，管理人员还安排了一些员工去接受数据科学、数据工程和其他高级分析学科的课堂培训。

最初，该过热模型给出了可持续提高成功率的一些设置。但由于客户的钢铁订单种类开始不同于该模型的训练数据中记录的订单种类，因此该模型开始产生错误的建议——一线操作人员不再遵循这些建议。那些参加过课堂培训的员工试图修复该模型，但发现问题过于复杂，而无法使用他们学到的基本技能予以解决。在该工厂中其他地方使用的该模型也遇到了类似的困难。

尽管遭遇了挫折，管理人员还是看到了高级分析模型如何降低成本和提高产量。管理人员还意识到，仅靠课堂培训并不能使员工维持这些绩效的提升。管理人员得出的结论是，公司需要进一步培养员工的分析技能，并改变他们的工作方式。他们的见解得到了回报。通过培养这些能力，该工厂使其绩效提高到世界一流水平，并在2019年7月赢得了世界经济论坛的赞誉，成为44家在采用第四次工业革命技术方面处于灯塔地位的公司之一。

为分析技术做准备，远远超前于时代

塔塔钢铁公司多年来一直致力于培养卡林加纳加工厂的分析能力，这可以追溯到高管们在2005年做出的一项决定，当时该工厂正在进行初期设计和建造。当时，分析技术距离实际应用到业务中还需要数年时间。尽管如此，塔塔钢铁公司的高管仍在考虑是否应该为工厂配备一些仪器和传感器来监控设备和流程。

他们的决定还不像现在这样明确——如今，遥感设备已不那么昂贵，并且先进的分析技术已被广泛采用。但一些高管和经理已预见到，花钱购买数据收集设备将是值得的，尽管当时还不清楚如何使用这些数据。该工厂时任电气维护负责人阿米特·库马尔·查特吉(Amit Kumar Chatterjee)是推动进行早期投资的人之一，甚至他也承认，当时还不清楚高级分析技术的潜在应用。

“除了可能用于自动过程控制之外，我们没有想过如何使用这些数据。我们生活在物理学的世界中，其中经验和方程式最为重要。数据科学甚至还没有出现，”查特吉说。甚至工厂设备制造商也拒绝增加仪器。“尽管如此，我们仍然认为在那个阶段应该安装传感器，因为我们认为，当我们清楚数据的用途之后，再去安装传感器会变得困难得多。”

到2010年代中期，卡林加纳加工厂的领导们开始仔细研究如何利用工厂传感器所收集到的数据。2015年，塔塔钢铁公司总经理纳伦德兰(T. V. Narendran)制定了一个10亿美元的成本优化目标，并呼吁公司各工厂的负责人为实现该目标制定一个路线图。他建议，提高绩效的一种方法是利用数字技术做更多的工作。硬件和数据科学领域的进步使企业能更容易获取大数据集，发现一些模式，并做出预测，以帮助他们提高绩效。

卡林加纳加工厂的领导们对其工厂如何应用数据科学展开了自己的调查。2016年，他们前往德国，参观了科技初创公司和大型知名企业，以进一步了解数据科学可以做什么。次年年初，该工厂的领导们决定在卡林加纳加启动一项高级分析项目。

启动分析技术转型

卡林加纳加的高级管理人员决定在几个试点项目中尝试使用高级分析技术。在为期两天的研讨会中，管理人员和运营专家与麦肯锡公司专家合作，找到了十种分析技术的可能用途，然后选择侧重于其中三个用途——其中一个涉及工厂二次冶金站的过热处理流程。管理人员希望构建一个高级分析模型，可以评估工厂内的运行条件，然后计算出过热处理流程中需要施加多少热量，以使钢材能达到目标温度范围。

研究过热模型的团队试图找出哪些变量是钢材最终温度的最重要决定因素，从而了解操作人员该如何提高成功率。他们汇总了两年的工作数据，这些数据是由传感器生成或在日志中由手工记录的。数据科学家编写了一些算法使关键因素相关联：钢材到达二次冶金站时的状态测量，操作人员在过热处理过程中要调整的设备设置，以及在工作周期中不能进行调整，但可能会随着时间而改变的其他设置(例如最大氧气流量，受到已安装的设备限制)。

两周后，该团队建立了一个模型，该模型能够以75%的准确率预测一组建议的设定值是否会使钢水在所需温度范围内到达铸造站。其他两个试点项目团队也建立了一些具有相似可靠性的模型。尽管这些模型尚未在工厂车间进行测试，但初步结果已使卡林加纳加工厂的领导们信服，扩大了分析工作规模，并创建了员工会实际使用的一些模型。

2017年9月，领导们提出了五个运营领域，他们希望在这几个领域提升工厂的关键绩效指标(能耗、生产量、质量和利润)，并认为分析技术会有所帮助。他们决定将过热模型的工作继续推进至项目的第一个完整阶段。这五个领域有可能每年总共提高1000万美元的利润。

不断提升

随着运营团队和分析专家建立第一阶段的模型，卡林加纳加的领导们启动了一项工作，开始对约130名员工(其中包括四分之一的管理人员)进行分析技术的培训。通过与麦肯锡公司的合作，该工厂建立了一个入门级分析学院，配备了15名教员，并为五个岗位角色设计了50小时的课程：数字大使、项目负责人、业务转型总监、数据科学家和数据工程师。学员们根据自己的岗位角色职责进行一些简单的练习。

尽管第一阶段的那些模型在一段时间内运行良好，但由于工厂中的运行条件与模型最初进行优化的条件发生变化，这些模型开始出现问题。曾在该学院学习过的员工试图修复这些模型，但无法利用他们当时所学的基本方法来完成这一工作。他们还没有在分析项目上做过学徒，这会给他们提供一些具有实践经验的再培训模型。他们只是需要在更现实的环境中接触分析技术。

一线操作人员在尝试开始使用这些模型时，挑战也随之而来。卡林加纳加的高炉操作主管Shailendra Rai回忆道，操作人员从未对设计用于提高高炉稳定性的模型感到满意：“大多数人要花20或30年的时间来学习如何操作高炉。他们认为该模型会是一个神奇的解决方案。但当该模型的初期产量与他们的想法不符时，他们无法理解原因。他们不相信该模型是可行的，也不给予支持。”

加倍提升能力

模型构建工作证实了卡林加纳加的领导们所期望的那样：分析技术可以带来显著且有价值的绩效提升。分析技术还说服领导者对员工的能力做进一步的投资，这样他们就能够维持绩效的提升，并将分析技术应用于其他领域。在2018年年中，领导们选择启动该项目的第二阶段，在该阶段，分析专家和一线操作人员在麦肯锡公司的帮助下开发和实施一些模型，以帮助他们做出决策，并接受分析技术方面的实践培训。

对于构建过热模型的团队，塔塔钢铁公司的分析专家们对他们在该学院学过的技能参加了复习课程。然后，他们被指派与麦肯锡公司一些有经验的从业者合作，执行某些开发任务——增强用户界面功能，简化数据库，重新训练模型，部署新的建模技术和方法。通过让员工从事这些实际工作，管理人员就使他们具备自行创建分析模型的能力。

分析专家还花了更多时间与控制二次冶金站过热处理流程的员工一起工作。他们询问了有关该流程的更多问题，以对模型进行微调。专家们观察了操作人员的工作，并与他们讨论了如何使模型更易于使用。操作人员列举了分析团队已帮助解决的许多困难，从计算机硬件的故障到用户界面过于复杂。分析团队解释了他们如何开发该模型，以及该模型如何工作，因为他们希望操作人员能够相信模型所提供的建议。

“卡林加纳加的所有员工都接受过培训，可以根据他们的经验做出决定。当出现问题时，他们会尝试使用物理方程式来解决——投入原材料和热量，获得一定的产出量。他们确实会查看数据。但利用数据科学，他们能够比我们利用物理科学将更多的数据点联系起来。即使他们没有物理方程式来解释为何会发生某些事情，他们仍然可以通过数据来弄清楚。这是一个必须建立起来的新的信念体系，”查特吉说。

大约六个月后，过热模型团队构建了一个能够推荐处理流程设定值的模型，该设定值可将过热处理流程的成功率提高到90%。现在是时候让一线操作人员开始常态化使用该模型了。管理人员会跟踪谁使用了该模型，谁没有使用，并为那些最忠实的使用者所取得的业绩进行庆祝。在几个月内，员工们从遵循该模型所提供的60%的建议上升到85%。

扩展分析技术的规模

当第二阶段结束时，工厂领导层再次提高了标准。他们呼吁开始第三阶段，在该阶段中，塔塔钢铁公司的员工将选择、领导和交付与工厂主要领域(核心流程、电力和公用设备)相关的分析项目。麦肯锡公司的顾问将在以员工为主导的项目团队中担任指导角色。为了集中精力，这些团队为25以上的绩效指标设定了改进目标，例如该厂高炉每天生产的生铁吨数。由于其中一些指标与过热处理流程有关，因此再次成为分析工作的优先事项。

工厂的分析专家当时已经掌握足够多的数据科学知识了，可以负责过热模型。他们缩小了目标温度范围。他们还能够预测二次冶金站和铸造站之间将发生多大程度的冷却过程。这有助于操作人员更好地控制转移过程，提高产量。一线操作人员更加严格地遵循了该模型的建议。因此，该过热模型使每年的成本节省了400万美元，这也是该分析项目最初所预估的数值。

在工厂其他地方也产生了类似的收益。对于超过25个绩效指标中的每一个，团队至少实现了80%的预定改进目标。他们的工作创造了7,000万至8,000万美元的价值，并使息税折旧摊销前利润(EBITDA1)提升了2-3个百分点。2019年7月，世界经济论坛宣布，第四次工业革命的一个独立专家小组已认定卡林加纳加工厂的数字化成就处于领先地位，并将其命名为灯塔工厂，这使其成为印度第一家这样的工厂。

放眼未来

卡林加纳加工厂现在拥有30多名分析专家，其中包括数据科学家和业务转型总监。最有经验的人员已成为内部讲师和教练，负责帮助其他同事学习数据科学、业务案例开发和其他关键领域的新技能。

分析学知识也渗透到工厂的日常工作中，改变了许多员工解决问题的方式。正如高炉操作主管Shailendra Rai所说：“如果您与五位高炉操作人员交谈，他们对于如何解决问题会有五种不同的看法。在某种程度上，所有这五种看法都是正确的——每个人的说法都是基于他们自己的经验。但是借助分析模型，人们变得更加以数据为导向。他们无需争论正确的答案，而是可以深入挖掘数据，然后找到答案，并创建一个分析模型来提供决策支持。”

有了这些能力，管理人员已经设计出20多个其他用例，而且正在加强那些已部署分析技术的环节的使用工作。对于塔塔钢铁公司的卡林加纳加工厂而言，分析技术已不仅仅是一个回答问题的工具——它已经是该工厂运营和文化不可或缺的一部分。

本文为企业网D1Net编译