我始终认为关于离散型制造企业中AI（人工智能）、IIoT（工业物联网）和工业4.0技术的主题十分含糊不清而且有很多错误。
这可能与工业中逐渐成为流行词的这些主题以及相关优化解决方案的不同产品有关。
也有可能是由于技术供应商和潜在购买者（制造业生态系统中的工厂负责人和高管）之间的知识缺口导致的。在应对日常工作挑战以及解决日常基本问题（取难以解决的一个）期间，潜在的购买者可能没有工具去量化IIoT优化解决方案的实际价值。
我很清楚，作为一个行业，我们还没有完全开发出这些先进技术的潜力，所以这就很容易理解为什么很多专业人士仍然对基于AI的IIoT软件所带来的改变方面存在困惑的原因（因此，很多专业人士会发行一些矛盾信息）。
在某些方面，我们可能并不要求给出比较严格的解释，但等到我们进行高额金融投资时，必须明确回答我们考虑采用的解决方案的价值问题，更不用说针对数据-系统整合问题提供另一解决方案了。
一位要求增加工业4.0或IIoT技术巨额预算的CFO可能（有理由）需要获取ROI的相关证据，用以证明预期需要这些预算。
准备相关数据
出现这些问题时，我们最好用数字、使用案例和事实做好准备。如果我们未能提供充足的答案，那么制造业优化软件的需求似乎也不会足够强大，而且我们会失去我们寻求的组织支持。
在提供基于AI的IIoT技术价值相关证据过程中，我编写了一篇关于AI促进制造业优化的文章，文中列举了5个证明该技术价值的示例。
但我清楚地意识到，虽然AI能够促进制造业优化，但并未达到估计ROI的水平。
下文中，我尝试详细地讲述目前创建更加结构化的财物价值计算模型时所用的方式，创建这些模型时，依靠的是制造业优化技术。
首先我会讲述我们目前缺失的东西并且提供一些尝试预测ROI框架的方式。
对投资回报率（ROI）的需求
由于基于AI的技术和IIoT技术（及其在制造业中的应用）还不成熟，所以很难（退一步而言）提供充足的案例研究以及从中获得的证据。
除此之外，这个领域的已知基准也正在准备当中，因此，制造业目前面临的一个比较大的挑战就是为构建稳定的ROI计算模型而定义明确的数值参数。
但这并不表示目前还未采用这些先进技术或者并为证明这些先进技术的优势。正如我们在这些使用案例中所看到的一样，很多制造商已经开始高度依赖IoT传感器、智能制造软件和基于AI工具的预测性维护。
但是，将这些具体指标转入一般模型中也是一项挑战。
鉴于部分制造企业（有时）采用的过于保守且犹豫不定的方法，更为重要的工作是至少能够预测ROI。
各工厂因迟迟不能拥有并实施最新技术以满足实际需求而遭受到了严重的影响：在不断发展的竞争环境中生存下来的需求以及在降低价格但不影响质量的情况下扩大生产的需求。如果不采用先进技术并推动工厂创新，那么这将是一项无法完成的任务。
制造商不仅担心安全、集成和实施问题；事实上，制造商真正不理解的是这些解决方案如何定义在不久的未来取得成功或失败。
当你完全不知道解决方案失败后会损失什么时，这就表示你将延迟拥有这些新技术。
在这一过程中，ROI是一个主要工具，其能够简化各个决策过程。如果我清楚了解对什么有我好处，我会更积极的参与其中。
计算成功
制造产业可能采用具体的计算模块，来预测基于人工智能的工业物联网的具体优化解决方案的投资回报率吗？一般而言，答案将是“会”。
但这些模块需要依据每个工厂（或制造企业）的需求进行更深入的分析和规划化，从而达到所需精确度。
随着制造产业的逐渐发展和成熟（与任何其他产业一样），我们会有更多相关使用案例进行研究而且我们应该能够建立需要更简单分析程序的通用模块。虽然目前我们还并未实现这一目的，但我们一直都在努力着。
与此同时，这就是业内专家有可能做的工作：
工业物联网的投资回报率构建模块
在创建有效模块过程中，了解进行运算的基础尤为重要。换句话说：制造商在哪些方面可以从基于IIoT和AI的优化解决方案中获益？
- 提高生产力：优化系统能够优化各工厂的工作资源、防止问题出现、加速生产过程等，从而提高工厂的生产力。这些工具通过预测各类事件提前通知工厂，使工厂有足够的时间做好准备并且留出更多时间关注商业发展以及应对新的挑战。简言之：帮助少些工人达到更高，甚至不可能达到的生产规模。
- 提高质量：我们相信，这些技术能够确保我们即使在更大生产规模条件下也能取得好的成果，允许我们始终完善每一个过程。对于任何制造企业，尤其是离散型制造企业而言，减少人为误差是非常重要的一项工作，这些制造企业的产品不仅非常昂贵，而且对消费者的生活也有着非常重要的影响。例如，能够减少航空和医疗产业的误差是极其重要的（但目前仍显示明确的ROI）。
- 增加设备和机器的OEE：优化过程能够帮助制造商充分利用其价格昂贵的设备和工具。预测性维护能够使制造商对可选用性问题和规划或意外停工问题产生不同程度的理解，而这会明显改善工厂的工作流程、消除瓶颈、机器等待材料、在最后期限停工延迟等情况。
- 降低成本：简单而言，通过充分利用材料（节约材料）、车间空间以及相关工作人员，工厂能够节省时间、资源和金钱。
- 缩短市场投放时间：为了提高利益率，各工厂必须缩短从规划到执行的过程。只利用AI预测我们可能在实现一个产品期间遇到的挑战这一优势就能让我们避免很多问题（并且节约大量成本）。
- 降低质量成本：如之前所述，制造业优化的一个主要挑战就是能够在不影响产品质量的情况下缩减成本（以及提高产量）。基于AI和IIoT的工具都是满足这一需求的主要工具。
- 提升灵活性：现今的市场发展速度超过了以往所有时期市场的发展速度而且制造商都在奋力满足不断变化的市场需求。此种情况下，工厂依靠这些先进的技术能够迅速做出响应、优化工厂安排、组合使用相同材料的工作指令并提供提高利益率的实时解决方案。
首先，我们先看几个已知的基准：
在这些影响方面中，应从ROI驱动角度对每一个影响方面进行检查，同时详细说明我们能够并应该预计发生的精确变化百分比。我们可以考虑以下内容：
- 缩短交货时间和产品上市时间：延期交货会对你的企业造成多大损失？如果你大幅缩短交货时间，那么你将获利多少？一些研究报告中表示，交货时间缩短了10-15%。交货时间表示的是新产品进入市场的时间以及交付给现有消费者的时间。
- 减少误差和风险：SaaS优化系统可以最多可降低70-75%的风险，其中包括降低停机和延迟、律师费、质量相关返工、PR风险等。考虑到一个重大风险携带的很多影响，其可能导致产品价格飞涨。例如，自2017年开始的一项综合研究发现，在受访的公司中，完全没有意识到设备何时进行到期维护、升级或更换的公司至少有70%。换言之，70%的制造公司能够识别人为误差、停机时间等、估计相关损失并依此解决优化解决方案的ROI。
- 材料和机械成本：通过优化材料利用并实施预防性维护，制造商可以缩减10-40%的成本。通过基于AI的切割规划示例我们已经看到，材料能够节省20%！
一项研究发现，生产线每年平均停机20000次！相比之下，优化后的生产线停机次数比未优化生产线的停机次数减少了6倍。
对自己拥有的建议配方进行ROI分析：
综上所述，如果你现在有一些优化可选方面的想法，包括更好地理解相关已知基准，那么你可以尝试根据下列步骤进行分析：
1. 识别你的具体目标：你想要提高生产量吗？你需要缩减生产成本吗？你正在遭受上市时间性能参数的困扰吗？
2. 在每个已经识别的优先目标后增加一个目标（你希望利用优化系统提高多少百分比）。考虑目前和未来的差异（例如：一个适宜的解决方案能够帮助你全面扩大规模而且不会增加大量的劳动力或机械）。
3. 在各个将要提高利益率方面应用适宜的解决方案，即使你并未优先排列这些方案。此外，还有一些间接的参数，例如：提高现有劳动力的工作效率（实施有效的解决方案后，劳动力工作效率应提高20%。可能无需增添员工）。利用你将要采用的具体软件解决方案计算可能优化的返工优化、材料到期或任何其他因子（在此看看我们的这些方面）。
4. 根据（已知）生产规模和年收入水平，你可以估计经上述每个方面的成本节约情况。
5. 为了完成你的ROI估计，现在需要计算投资金额 – 实施IIoT软件和硬件（传感器）所需的间接和直接成本。一些供应商可能更愿意支持你。例如，Plataine会提供一个指定的“专业服务”小组，帮助你实施、管理并培训。
你必须从计算的节约成本额中扣除投资金额（上述）。
总结
我希望我们能够找到一个发布在线计算器的方式，该计算器仅根据专业人员输入的几个参数就能够提供一个详细的ROI模型，用以在制造业优化过程中实施基于人工智能的工业物联网 SaaS（软件即服务）。
而且，虽然我们都准备建立一个这样的计算器，但目前还未完成。
但与此同时，我在本文中尝试提供一些你在进行具体估计工作时能够开展的预排工作。
利用这些基准和提示，你可以准备与组织中的其他决策者进行讨论并让他们看到整个组织将会获得的明确利益。
