对数据的价值挖掘不充分
随着企业数字化进程加速，企业数据采集能力加强，所获取的数据颗粒度越来越细、数据维度也更加丰富，由数据驱动的企业生产、运营管理要求更加精细，更全面的分析与洞察帮助企业提升管理能力。
信息化系统只是第一步
很多企业刚刚完成信息化建设，或是数字化建设刚刚开始，存在大量的信息孤岛、信息缺失或是数据浪费。在此过程中，很多企业领导会发现搭建的数字中台除了增加了电费，并没有为企业增加明显的价值。
也有部分企业获取了一定的价值，比如员工可以通过数据报表分析出企业存在的问题并进行调整和反馈，但人脑决策对数据的应用有限，在沉淀了数据之后，企业需要考虑的则是如何通过算法模型对后续的运营发展进行调整，从而真正实现管理上的提升。在大规模复杂场景下，人工智能可以替代人脑经验，帮助企业进行多工厂、多工序之间进行协同，在过亿或上百亿的可执行方案里找到最优解。
天心曾经对制造业供应链进行过完整的咨询和调研，很多企业刚刚完成信息化建设，或是数字化建设刚刚开始，存在大量的信息孤岛、信息缺失或是数据浪费。在此过程中，很多企业领导会发现搭建的数字中台除了增加了电费，并没有为企业增加明显的价值。
也有部分企业获取了一定的价值，比如员工可以通过数据报表分析出企业存在的问题并进行调整和反馈，但人脑决策对数据的应用有限，在沉淀了数据之后，企业需要考虑的则是如何通过算法模型对后续的运营发展进行调整，从而真正实现管理上的提升。在大规模复杂场景下，人工智能可以替代人脑经验，帮助企业进行多工厂、多工序之间进行协同，在过亿或上百亿的可执行方案里找到最优解。 
不是每一个行业都会有一个非常清晰的瓶颈工序，因此会有瓶颈工序漂移的现象。当发生这种情况时，规则式算法通常采用采用锁死瓶颈工序的做法，但这样会导致无法实现全局最优决策。在锁死瓶颈工序的过程中，是人工依据行业know how去把可行解的范围缩小的过程，未必能找到最优解。但当行业不同时，一旦不熟悉制造流程和工艺特点，通过人工排产的经验总结的算法将无法满足新的行业的需求，有的甚至在同一行业，甚至是同一企业，该种类的算法都无法满足需求。
例如，面对产能爬坡的现象，例如饮料行业，当进行管道清洗的时候，产能会降低成零，而在某些行业，产能爬坡是一个调参的过程，那么在不同的时间，甚至每一个小时，设备能够达到的产能是平时巅峰状态的产能的多少都是一个变量。如果是专门针对饮料行业的供应链产品，可以基于行业know how来采用规则式引擎。但当面对有非常明显的产能爬坡的现象的行业里，应对饮料行业的算法将很难支撑另外一个行业的需求，需要开发各类附加程序来支撑这种情况。
尤其是，制造企业的变化非常快，例如疫情时车企迅速转产生产口罩，是通过灵活的变动性和定制化去赢得很多客户的。
所以需要通过现场调研，深入企业场景，制定相应的优化方案。