数字孪生降维策略实施指南

简介: 数字孪生降维策略实施指南

数字孪生降维策略实施指南

创新通常分为持续性创新和颠覆性创新,市场已有的领先企业通常在有了稳定的组织架构、战略管理和商业模式后,大都选择持续性创新更符合它的利益,然而一些新生的创业型企业更愿意选择一些看似市场较小、需求不强、利润不高的利基市场进入,期待小市场变成大市场,实现颠覆性创新的目标。


2020年是第四次工业革命元年,传统技术对生产力提升的潜力已经消耗殆尽,为了保证持续发展,需要新兴技术的出现。从技术革命周期来看,这些新兴技术必然属于颠覆性技术,它们在初期以满足一些小众需求开始,通过不断磨砺尝试,这些技术将逐渐替代传统的主流技术,成为市场上的新主流。


数字孪生体技术是第四次工业革命的通用目的技术,具有颠覆性技术的特征,产生于美国国防部的应用,主要为了解决战斗机维护上的需要,后来应用到工程设计、生产制造等环节,进而实现军转民应用发展,开始在更多低端领域应用,例如城市管理、建筑、能源和医疗健康等行业,这正好是颠覆性创新发展的常态过程。


毫无疑问,五级定义的数字孪生化为追求颠覆性创新的企业提供了一个指南,虽然只满足了第一级数字孪生化,但它在低端行业已经展现出了非同凡响的价值,重点在于,数据驱动的数字孪生体已经与传统信息技术不同,在它的推动下,将实现真正意义的数据自动化,从而给我们带来全新的数字孪生体时代。


颠覆性创新的意义

1997年,克莱顿·克里斯坦森(Clayton M.Christensen)在《创新者的窘境:领先企业如何被新兴企业颠覆?》(The Innovator’s Dilemma: When New Technologies Cause Great Firms to Fail)一书中首次提出了“颠覆性技术”一词。大型企业通常采取持续性创新,通过服务有利可图的客户,聚焦利润较高的产品或解决方案。而对于一些小众市场需求,它们不屑于花费时间去满足,这就为创业型企业提供了机会。对于一些需求较为简单、利润较低的项目,创业型企业如果精心挑选,寻找一条不同于传统的颠覆性创新路径,可能实现超出寻常的增长。

大型企业通常遵循研发、管理和商业化的流程。为了满足一个足够大的市场需求,企业的研发部门会尽量选择可靠的手段研制解决方案,通过严格的研发流程保障投资回报,当该解决方案得到验证之后,将通过公司组织中的生产、营销、管理和服务等部门通力协作,最终交付给客户。为了保证最大利益,企业资源会尽量配置给可持续创新、实现利润最大的业务和服务。毫无疑问,这样的设计和管理原则要求关注现有客户和被证明的市场。


众所周知,任何技术都有应用周期,在某种技术应用初期,随着工程及工作人员的经验逐渐丰富,该技术的潜能不断被发掘,推动生产力水平逐步上升,但这种增长总会到一个拐点,这个时候就需要新技术来接力,否则其生产效率将难以继续增长。如果竞争对手采取了更有潜力的技术,那么没有采用新技术的企业就会逐步落后,最后被市场所淘汰,这种新技术即为颠覆性技术。

为了说明颠覆性技术带来的创新特征,克莱顿·克里斯坦森采用了对比持续性创新的方式,


如图所示。从时间和性能对两种技术进行对比,持续性创新在满足高性能要求的市场需求上比较得心应手,但对于低端市场,要么不能满足要么不屑于满足。通过满足新市场(同时也是低端市场)历练的颠覆性技术逐渐发展,经过时间的洗礼,它有可能成长为一种成熟的主流技术,该技术可能满足普通市场的需求,这就是颠覆性创新追求的目标。

既然如此,为什么不去满足低端市场产生的需求呢?大型企业之所以固守中高端市场需求,其根本原因是因为要维持庞大的组织运行,必须拥有超出中小企业的利润,这迫使它不敢越雷池半步,避免成为新市场的先烈。除此之外,不少商业案例显示,大型企业可以等候新市场逐渐成长,等恰当时机介入,利用手中的资源、资金和人才等优势,后来居上是大概率事件。


由于颠覆性创新在解释商业领域的一些现象时很有效果,因而得到了很多企业家和管理者的热捧,在过去20多年间成为最热门的商业词汇之一。不过,克莱顿·克里斯坦森并没有为此构建一套经济学理论,最多说明了颠覆性创新是一种可能性,对于如何把握颠覆性创新的机会,他虽然在后续撰写的书籍中阐释了一些基本原则,但并没有关于战略设计和商业模式的详细描述,导致其指导意义并不足够强。


针对颠覆性创新在第四次工业革命中的意义,笔者结合通用目的技术做了相关研究。通用目的技术早期产生于高端市场的需求,但这种需求规模较小、投入较大,导致其商业化的机会不大,但如果通过降维策略把该技术应用到一些低端领域,或许可以解决一些该领域已有技术不容易解决的问题,因为已有技术要么解决起来成本太高,要么缺乏供应商,总之属于不存在的新市场需求。一些仿真企业动辄用仿真工具解决数据采集问题,凸显这种现象较为普遍,从颠覆性创新的意义来看,这正是数字孪生体技术可以降维解决的问题。


我们身处第四次工业革命即将到来之际,新技术和新概念层出不穷,这是正常现象,因为传统技术的应用潜能已经消耗殆尽,经济发展呼唤新技术的产生,通过研发产生的新技术在商业化之前都需要给予它一个潜力无限的名称,以便形成差异化的定位。


最近十年,人们观察到两化融合、智能制造、信息物理系统、工业互联网、人工智能和数字孪生体等概念不断涌现,这给传统企业带来了巨大的压力,它们纷纷表示概念过多带来了很多坏处。实际上,这种坏处往往是对既得利益者而言的,对于新兴力量,这些纷繁芜杂的概念中蕴含着大量的发展机会,只是需要他们具有超人的洞察力,找到将来会成长为主流的概念和技术路径。

正如本书所分析,数字孪生体是数据驱动的概念体系,具有降维应用的潜力,符合颠覆性创新的要求,如果企业家能够遵循技术革命的相关规律,主动打造数字孪生基础设施,培育数字孪生体应用的能力,从一些看似小众的需求降维应用,磨砺自身的技术能力,最终将构建数字孪生体解决方案能力,成为时代的翘楚,成为未来的主流力量。


处于先机的数字孪生体企业应注意打造具有路径依赖(Path Dependence)的核心竞争力,争取把潜在的竞争对手锁定在行业之外。路径依赖通常用来形容技术演进或战略选择,类似于物理学中的惯性,一旦进入某一种路径,那么就会对这一路径产生依赖,即便有更好的技术路径,它也难以轻松选择,这也被学者定义为“锁定”(Lock-In)。


具体来说,选择数字孪生体颠覆性创新路径的企业,应及早打造标准体系、平台生态、人才团队和品牌影响力等,为后进入市场的企业设置障碍,让他们即便考虑转型到数字孪生体领域,也会因为自身在仿真、物联网等领域投入过大而难以下定决心改变原有战略。用国内常用的说法来说,这实际上就是换道超车,因为颠覆性创新的团队选择了与传统企业不同的赛道,新赛道具有更快的创新速度,随着技术的成熟和场景的丰富,该技术将成为新的主流技术。


目录
相关文章
|
3月前
|
数据采集 人工智能 数据管理
CDGA|信息差不再是障碍:数据治理新策略
在信息爆炸时代,数据成为企业宝贵资产,但数据量激增和来源多样化导致的信息差成为企业发展的障碍。为此,新的数据治理策略应运而生,通过构建统一的数据管理平台、强化数据治理体系、推动数据文化建设、利用AI与大数据技术优化治理,并注重合规性和隐私保护,确保数据质量、安全性和可访问性,消除信息差,提升企业竞争力和创新能力。
|
1月前
|
存储 运维 安全
云上金融量化策略回测方案与最佳实践
【飞天技术沙龙—阿里云金融量化策略回测Workshop】在上海诺亚财富中心正式举行,汇聚多位行业专家,围绕量化投资的最佳实践、数据隐私安全、量化策略回测方案等议题进行深入探讨。
|
7月前
|
供应链 安全 前端开发
研究表明供应链现在需要根据新的全球因素进行调整
研究表明供应链现在需要根据新的全球因素进行调整
|
5月前
|
数据采集 存储 安全
数据治理的重要性与实施策略
【8月更文挑战第23天】数据治理是企业在数字化时代面临的重要挑战和机遇。通过加强数据治理工作,企业可以提升数据质量、保障数据安全、促进数据共享与流通以及符合法规要求。为了实施有效的数据治理工作,企业需要制定明确的数据治理战略、建立完整的数据治理框架、引入先进的技术工具、加强员工培训和意识提升以及建立监督和评估机制。只有这样,企业才能充分发挥数据的价值,为企业的决策和业务创新提供有力支持。
|
6月前
|
传感器 数据采集 存储
在环境治理领域,污染治理系统工程旨在通过系统的方法来解决环境污染问题。这通常包括污染源的识别、污染物的监测、治理技术的选择、治理效果的评估等多个环节。
在环境治理领域,污染治理系统工程旨在通过系统的方法来解决环境污染问题。这通常包括污染源的识别、污染物的监测、治理技术的选择、治理效果的评估等多个环节。
|
新能源
两级电力市场环境下计及风险的省间交易商最优购电模型(Matlab代码实现)
两级电力市场环境下计及风险的省间交易商最优购电模型(Matlab代码实现)
146 0
|
8月前
|
机器学习/深度学习 算法 前端开发
瞄准核心因素:Boruta特征选择算法助力精准决策
瞄准核心因素:Boruta特征选择算法助力精准决策
840 0
|
8月前
|
机器学习/深度学习 供应链 算法
智能供应链中的预测算法:理论与实践
智能供应链中的预测算法:理论与实践
297 1
数字孪生如何实施降维策略
数字孪生如何实施降维策略
89 0
|
机器学习/深度学习 传感器 算法
【任务规划】基于遗传算法求解多敏捷卫星协同多目标自主任务规划附matlab代码
【任务规划】基于遗传算法求解多敏捷卫星协同多目标自主任务规划附matlab代码