数字孪生已成为近来的流行语和主要投资机会。事实上，ABI Research 的数据预测，工业数字孪生的支出预计将从2022年的46亿美元增长到2030年的339亿美元。包括亚马逊、微软和谷歌在内的主要参与者最近都推出了自己的数字孪生解决方案。

　　尽管有这些发展，但采用数字孪生解决方案对企业来说并不总是一个简单的过程。虽然目标是拥有整个业务的完整端到端数字图像，但这对于许多企业来说并不是一个实际的起点，尤其是那些从零开始的公司。

　　企业在采用数字孪生战略时需要考虑什么？

　　数字孪生可以对从单台机器到整个企业的所有事物进行建模。正如IBM 所定义的，“数字孪生是跨越其生命周期的对象或系统的虚拟表示，从实时数据更新，并使用模拟、机器学习和推理来帮助决策。”

　　想象一个引擎的数字表示，然后是制造引擎的装配线，供应零件的供应链，甚至是雇佣过程和人员配备模型，以确保在需要的时候和地点，有合适的熟练工人，以保持生产线运转。

　　从长远来看，端到端系统有望逐步改善企业的运营方式。例如，许多公司做情景规划。这通常是每年或每半年进行一次，分析师通过手工工作在电子表格中构建一些选定的模型，然后围绕桌子或在白板前进行推演。

　　与此形成对比的是，不断生成的场景有数百或数千个，随着一些决策或多或少可能发生，许多决策被自动化，而算法标准对主动的人类注意力产生了最重要的影响。

　　好消息是，整个业务不需要从第一天就建立模型来实现数字孪生战略的价值。事实上，明智的做法是先从可实现的小过程开始，这样可以产生更直接的影响，然后再处理更复杂的过程。

　　数字化劳动力管理就是一个很好的例子。每个公司都有招聘和雇佣的流程，面向客户的营销流程，以及在服务企业中为项目分配人才的流程。想象一下这样的现状：每个业务部门领导每个季度评估他们的业务账簿和即将到来的营销活动，然后将他们需要人力资源部门雇佣的角色和技能的优先级输入到电子表格中。

　　与之相比，智能系统——数字孪生——正在生成关于可能需要哪些技能的智能，利用数据，如过去类似的营销推广结果、特定技能的实际招聘时间、人员流动率和影响需求的经济投入。一些简单的事情，比如自动调整不同角色的员工推荐奖金，或者在不需要人工干预的情况下改变招聘人员队列中的优先级，都可能创造竞争优势。

　　无论企业的起点在业务的哪个部分，他们还需要确保建立一个高保真模型。数据需要以不同的速度流入和通过过程或产品的数字双胞胎：但底线是，生活是实时发生的。

　　企业应该首先检查其基础设施是否能够实时处理和处理数据。如果不是这样，他们的数字孪生旅程很可能会很短。拥有坚实的基础是至关重要的。

　　坏数据的影响

　　如果一个企业不接受上述建议，不确保其数据在现实世界中是真实的，最坏的情况会是什么？

　　一个潜在的结果是，他们可能会低于模型。精确建模所需的复杂数据因建模对象的不同而不同。例如，对天气有影响的数据在四分之一英里的尺度上；从农业设备上的传感器测量到的数据可以精确到四分之一英寸。这些细节是很重要的，在给定的场景中使用不正确测量的数据可能会严重地破坏模型——使其在作为数字双孪生的目的中无效。

　　企业还必须意识到在模型中引入不重要的数据。如果不了解机器或业务流程，就很难从那些可能不相关的变量中确定重要的变量。加入与现实世界不符的因素会阻碍产出。因此，任何数字孪生过程都必须从彻底的过程审计开始，以了解什么是相关的，什么是不相关的。

　　确保数字孪生是有效的，并且只包含最相关和最准确的数据的一个方法是跨职能团队的员工。负责建模的流程或机器的业务线应该负责，并将数据科学人员分配到他们的团队中。这将减少启动数字孪生流程时所需的学习和教育，因为技术团队将已经嵌入其中，并对业务流程有更深入的理解。

　　使用数字孪生获得成功

　　向数字孪生的转变已经在进行中。大流行暴露出的脆弱性清楚地表明，将业务连续性流程转移到数字领域有助于防止主要的供应链或人员配备问题在失控之前发生。

　　除了危机之外，企业还可以通过为他们已经手动执行的流程创建自动化数字解决方案来减少浪费。由于数据过时，员工可以腾出时间来利用来自数字孪生的洞察力，而不是花费数小时汇总可能几乎立即过时的报告。

　　随着各行各业的企业开始在数字孪生解决方案上投入大量资金，它也正在成为一个关键的竞争差异化因素。早期采用者将在实现端到端商业模式的上占据先机，而那些等待的人将只能奋力追赶。

　　数字孪生的时代到来了。企业如何接受这项技术将对未来几年产生影响。