同处IoT的星球，你、我、他正在经历的有可能截然不同。

比如在工业场景中，一些自动化与智能化企业亲历了2018年底的市场寒冬，遭遇业绩“变脸”，至今仍心有余悸。而另一些企业则迎来了前所未见的增长周期，信心满满，蓄势待发。

为什么会形成两极分化的局面?

这些市场信号背后蕴含的内在规律应该如何解读?

现实总是骨感

这次我们直面痛苦，从一次对话开始。

当谈到去年的销售业绩时，我的好友羽总(化名)并没有直接回答，而是用手在空中画出了巨大的“L”。为什么是L型?他继续说，“不是增长下降，而是整体下滑。”

制造业中一些垂直领域的订单正在缩水，直接导致上游工业自动化和智能化厂商的业绩下滑。其实从去年5-6月份开始，拐点就已经出现。他猜到了开头，却没猜到过程和目前的结尾。

这次的市场骤降得没有余温。2018下半年，羽总公司的制造业订单基本是接近于“0”的状态。

此前从没有出现过这种情形。

羽总在一家大型外企工作多年，公司主营传动、控制、传感等综合性自动化产品及解决方案，在工厂自动化领域排名领先，一直发展得顺风顺水。业绩增幅下降的情况都很少见，更别提整体下滑，幅度直逼10%。

羽总的10%还不是最糟。松下、安川、甚至工业智能化巨头，都出现了不同程度的订单量下滑，5-10%比较常见，30-40%也并不稀奇。

不仅外企如此，国内企业也未能幸免。在某些上市公司，这种情况甚至演变成股市暴雷。

根据公开数据，江特电机2015年耗资6亿收购米格电机，形成商誉4.6亿元。后者，米格电机，是国内电机企业中唯一能够生产伺服电机(含步进电机)超过30万台的企业，规模优势非常明显。其下游客户包括大豪科技、英威腾等，得到工厂自动化领域诸多大型企业的认可。

如今，旧时风光不再。江特电机在刚刚发布的2018年度业绩预告修正公告中披露，公司修正后的预计业绩为亏损15至16.4亿元，上年同期为盈利2.8亿元。其全资子公司，米格电机，由于下游需求下滑，利润下降，其商誉存在减值迹象，计提金额约3亿元。

这是现实，但不是全部

制造业整体没钱了吗?采购需求彻底没有了吗?

即便亲历了业绩的突然变脸，但产业需求则一直是循序渐进的。业内反馈普遍是：有钱，有需求。但是钱花得更谨慎了，钱的去处也变的更细化了。

制造业哪个部分的钱不花了?

直接说答案：

• 贵的系统没人买单了。
• 周期长的项目没人盲目建了。
• 不涉及OT提效，只涉及IT 光鲜的泡沫，没人想碰了。

那么，有没有哪个部分的投入还在，甚至更多了?

从硬件来看，大家的反馈非常统一：传感产品。

中小型制造企业购买传感器的意愿正在增强。SICK、康耐视等以智能传感器产品为主的公司，预期增长15-20%。根据康耐视公司最新发布的财报，中国市场2018年销售额为1.26亿美元，2017年销售额为1.08亿美元，增幅16%。

松下、欧姆龙等综合性自动化公司的传感产品线，也基本保持了两位数的增幅。但由于其传感产品的销售增长，无法抵消驱动与控制等产品的业绩下降，导致工厂自动化部分的整体营收还是低于预期。

绝地?征途?

一边是冰冷入骨的工业自动化市场，一边是仍在增长的数据采集场景，为什么会形成两极分化的局面?这些市场信号应该如何解读?

1. 从工业自动化到工业物联网

工业自动化产品一般被用于两个部分，一部分面向设备制造商，作为组件构成整体设备对外销售。另一部分面向工厂管理部门，作为生产线的一部分，起到提质增效的作用。

这两部分对应推进企业发展的两种驱动力，一种是来自于市场增长性的外部拉力，另一种是来自于企业整体效益提升的内在动力。

随着市场环境的变化，整体设备的销量收缩，第一部分的出货量下滑，而第二部分的投入正在发生转型。当经济周期进入新阶段，很多市场的增长红利一望见底，制造企业开始关注可持续的竞争力，开始分析自身的运营效率。如果钱投下去，不能及时有效地转变为新的制造订单，这样的粗放型投入普遍被搁置。

最明显的表现是，第二部分的投入，正在从传统工控，转变为工业物联网。产线扩容的需求变成了升级改造的需求、设备换新的需求变成了性能提升的需求…对于传感产品的部署需求被释放，用于提升企业内部生产的能见度。通过传感数据的分析，企业可以更好的了解并改善自己的生产效益，延长设备的生命周期。

越来越多的工业数据变得在线了，这本身堪称一次质变。

2. 从机器换人到机器助人

潮水退去，越来越多的企业仔细审视着自己的“内功”，审视着自己的供应链管理和生产效率。无论是产品降价的空间、市场份额争夺的空间、生产效率提升的空间，都开始被仔细测算。这时，帮助企业获得效益提升的解决方案备受青睐。

以工厂内部的物流与仓储环节为例。工业机器人、AGV、自动货架等高大上的最新产品虽然技术领先性不言而喻，但相比“一次到位”，制造企业更加重视如何逐步的改进现状。

如果说过去制造企业还“好高骛远”地思考如何机器换人，现在就“真切务实”地转而思考如何让机器更好的与人配合。在不增加太多成本的同时，较短时间内就能提升效率。关键是要见效快。

举个例子，工厂内部的物流管理水平还普遍较低，80-90%的工作仍然由人工操作，短时间内改变这种现状，做到“无人化”并不现实。通过部署不同类型传感器，少量网关等硬件，以及为工作人员装备可穿戴设备，就可以完成仓储效率的提升。

市场上现有的工业物联网解决方案，部署时间仅需要1个月，投资回收周期在1年左右。因为对原有流程变化较小，降低了对人员操作及培训的要求，人力成本可降低30%~50%。

越来越多的企业从小处着眼，让知识在人机之间共享，让效益在双方交互中提升。

3. 工业数据的颗粒度在变细

过去制造企业只需要管好“进销存”，但现在要管好更深的“底盘”才行。

做个比喻，过去的生产线像自助餐厅，每个机器都在做菜，产品源源不断产生，顾客也就络绎不绝。到底哪个厨师做的菜好吃，哪个设备的生产效率最高，并不需要精细颗粒度的数据分析。反正自助餐厅的整体销路好，菜是否好吃，生产效率是高是低，都能分到一杯羹。

数据颗粒度太粗，导致餐厅既不知道顾客是被哪盘菜所吸引，也不会因为某盘菜卖得好，给厨师发奖金。自助餐厅的厨师也就没什么厨艺精进的意愿，毕竟做好做差一个样。菜色日趋平庸是必然。

但现在，顾客口味变高了，个性化更强了，自助餐厅的模式很难生存。这时就要分析每个厨师的表现、每盘菜品的受欢迎程度、甚至每个人厨艺中的优缺点。

具体到制造业，就变成需要追踪每一批次的产品，甚至追踪到每一件独立的产品，比如生产出的一瓶水、一包烟、一根笔…这样的颗粒度。还得了解每条产线，每个工段，甚至每台设备在各种工况下的具体情况。

与数据颗粒度变细这一趋势高度相关的，又是工业物联网系统。

首先是设备联网，通过数据采集的精细化和全面性，覆盖工业过程中的各类变化条件，保证提取出反映对象真实状态的全面性信息。

当然仅仅做到数据联网还不够，需要进一步掌握数据背后的物理意义，以及特征之间关联性的机理逻辑，将数据分析与决策、管理、激励挂钩。

纵情向前

对未来越有信心，对现在就越有耐心。

工艺水平、运营能力和员工素质都是逐步提升的过程，这些事情只有去掉浮躁和泡沫之后，才有韧性扎实去做。

无疑，在2019年，一家制造企业的“底盘”承载着运营效益。这个阶段，“降维打击”可能会成为普遍现象，运营效率不高的企业直接被清除出局。

以上种种，对工业物联网来说，是不幸中的万幸，是“萧条”下的利好。