工业4.0时代，企业才是大数据的主角！
掌握大数据分析利器，发掘企业大数据宝藏，是企业应对明天挑战的必然选择。
来源|工业大数据
这是一个“数据为王”的时代，从Google成功预测冬季流感到大数据助力奥巴马大选连任成功，无数成功的案例不断地翻炒着大数据的热度。实际上，企业才是大数据时代真正的主角，且不说工业是国家的命脉，产业是繁荣的基础。贯穿制造业完整的价值链、产品的整个生命周期，都涉及到许多的数据，从产品设计到企业管理，从制造过程到售后服务，浩如烟海的数据沉淀在企业的图纸柜里、经营报表里、磁带机里和硬盘里。而且，从工业革命时代开始，企业界就已经在积累数据，很多的产业数据、工艺规程、设计图纸，已经成为企业宝贵的财富。发展到数字化的今天，制造业也处于一个数据爆炸的时代，随着制造技术的进步和现代化管理理念的普及，制造业企业的运营越来越依赖信息技术；互联网、物联网、云计算等新一代信息技术与通信技术向企业渗透的过程中，企业数据量也呈现暴涨的态势，以超过摩尔定律的速度在快速增长。
这也是《工业4.0下的企业大数据——重新发现宝藏》的深意所在：企业大数据已经开启新的机会之门，成为许多行业弯道超越的宝贵机遇。面对千载难逢的创新机遇，企业无需等待，也无法等待，唯有顺应大势，掌握那根“发现”的金手指，检视自身积累的或者正在产生的数据，发掘其中蕴藏的宝贵价值，用好大数据处理和分析技术，就可以做到点数成金。
数据驱动制造
自动化设备的普及，推动了传统制造业管理流程不断向数字化转型。
通快（Trumpf）是一家做激光加工设备的老牌德国企业。对于它来说，真实世界与网络世界进行交互的技术，早已不是什么新概念。通快出售的不仅仅是激光加工设备，更包括使用激光设备所必需的工业软件。它的客户买来设备后，必须对相关工业软件进行编程，方能在自己的制造环节中使用这些设备。抽象来看，制造一辆汽车，已超越了对材料本身的物理加工，同时包括了不同加工设备之间几亿条工业软件中的代码完成。无论是通快还是西门子，这些装备制造商早已大举跨入软件行业，实现了数据驱动的制造。
SCHUNK雄克公司是德国著名的精密夹具和自动化抓取系统制造商，也是静压膨胀式夹具系统生产厂和标准及特种卡爪生产厂，其总部位于工业名城斯图加特市附近。大数据和云计算为雄克公司实现智能制造提供了支持，比如可以通过数据控制的道具、夹具替换实现批量定制，在同一生产线同一批次生产不同的产品；能够用订单驱动生产线运转，实时监控生产线的状态，还可以在线监测产品质量。
（图片来自SCHUNK官网）
具体过程是这样实现的：在订单下达后，生产线上的各车床模块依据订单信息，结合之前积累的大数据，迅速将各刀具、磨具等调整到适合的状态，并实时将自己的状态反馈到中央控制系统。在生产过程中，例如刀具的损耗过大，设备本身能够感知，并告知给控制系统，及时采取相关动作；而传统情况下通过事后检验才能知道，与传统相比减少了次品率。
当供应链上更多环节加入数字化管理的洪流，机器所产生的工业数据，将远远超过目前消费互联网所产生的数据量。海量的数据不仅能够造就新的算法，帮助人类更加深刻地理解工业本身，还让资源进一步打破智能工厂的边界，在全社会范围进行最优配置。
传统意义上，经销商在市场预测和实际需求之间，有一定滞后；而在经销商订单和制造商实际供货之间，又有一定滞后。两者一叠加，随着时间的推移，库存量会产生剧烈波动。糟糕的是，他们越是试图积极调整，这个波动就越剧烈。长此以往，制造企业的生产周期管理就变得十分困难。因此，除了通过电子商务等互联网手段，缩短市场信息的传导机制外，制造企业的一个核心目标，通过生产车间的智能化，进一步压缩生产周期，从而灵活地应对订单的变化。
成立于1945年的奥地利滑雪板公司Blizzard，正努力用智能工厂提高自己的利润。以往，Blizzard需要两年的时间，不断地打折降价才能把库存消化掉。然而，老问题尚未解决，新问题又接踵而至。上世纪90年代，Blizzard只有10多个型号的产品，2000年后，滑雪板型号增加到了40多种，现在则已经到了900种。同时发生变化的是，滑雪板的销售不再以终端客户的购买为主，而是80％的滑雪板都以租赁的形式流通于市场。另一方面，滑雪板的制造工艺也变得复杂，某些高级滑雪板的制造材料有18种之多，需要16周的生产时间。因此，Blizzard需要把生产阶段的效率进一步提高，用更短的生产周期去解决库存问题。同时，在管理上，需要参考市场的变化，比如型号增多、用途改变等，以更好地安排自己的生产。
Blizzard提出的目标也很明确，首先，在生产过程中零故障；其次，在生产过程中最大程度地收集并分配信息；第三，要与现有的IT系统形成网络。为此，他们对车间进行了智能化的升级，IBM给Blizzard设计了一套工厂管理系统。首先，在流水线的机器上，安置了一些传感器和执行器；而每个物料托盘的底部，也都装有一个“数据卡”。这样，当物料通过搬运和加工时，就会以射频技术被系统识别。在此基础上，IBM用自己开发的Cognos系统，对生产行为进行记录、储存、分析以及分配。从而实时掌握每道工序上产品的来料追溯、加工状态、加工数目以及产品批次等信息。这些识别码在录入的同时，会生成一个短网址，并且能够在企业管理软件（ERP）中进行输入和输出，进而可以实现移动设备端的管理。然后再通过机器上的执行器，对机器的运行进行实际的管控。与此同时，在加工单元的监视器上，每隔一个小时，会自动显示一次目标参数与实际情况。如果未达到目标，监视器则会发出警报；Cognos系统也会对数据和错误进行分析，并达到实时汇报。IBM设计的统计软件，则可以自动生成生产管理中所需要的各种数据、图表，以帮助决策者掌控整个生产过程。
利用大数据分析，他们也开始预测滑雪板的市场趋势、天气模式以及其它短期的市场变化等因素对公司业务的影响。如今，该公司已经能快速响应特定滑雪地区不断变化的市场需求。数据还能帮助他们监控供应状况，因此无论需求如何改变，他们都备有合适的材料满足需求。自从利用大数据来驱动生产，暴风雪滑雪板的生产周期已经缩短为 8周，库存也减少了80％，这让公司变得比以往更加灵活。
数据驱动设计
设计一直是最能体现企业创新活力的环节。随着技术的发展，现代制造产品越来越复杂，很多制造产品是集软件、电子、机械、液压和控制等模块于一体的典型多技术系统。比如一架美国波音747大型客机的零件数量多达600万件，其中连接件为300万个，风洞吹风测试达15000小时，电缆总长274公里。这样的产品设计对制造企业而言是一个巨大的挑战。
1961年，我国开始仿制苏联的米格-21飞机，这年8月，苏联提供的飞机图纸和技术资料陆续运抵当时技术实力最强的沈阳飞机制造厂（112 厂）。这批技术资料的重量达到 13 吨之多；光是翻译、复制、校对这批图纸和技术资料，国家就协同相关单位花了1年多的时间才完成。
40年后的2001年，我国在“枭龙”战斗机研发中首次全线采用三维数字化设计技术，结束了制图、晒图的历史，节省了大量繁琐的制图、晒图劳动与时间，大大缩短了设计、研制时间；这架飞机结构更为复杂，承载设计的不再是成吨的图纸，而是多达9万张的数字图纸。
事实上，复杂的产品还表现在客户需求复杂、产品组成复杂、产品技术复杂、制造过程复杂、项目管理复杂；其设计过程是机械、电子、控制、信息等多领域一体化协同的过程。一个新的汽车车型，需要开发2万到2万5千个零件，想要更快地开发出更好的汽车，就需要更好的设计数据管理和处理技术。在企业数据基础上，设计工程师和制造工程师们可以使用产品全生命管理系统（PLM）等工具共享数据；通过快速、低成本的仿真来测试不同的设计选择，不同的零件和供应商的选择，并测算这些选择各自相关的制造成本。这种数据协同非常有价值，因为设计阶段的决策通常会占到制造成本的80％。业界领先的一些企业已经开始协同使用数据和协同控制实验，通过数据分析和模拟及早地获得一些设计决策。
新产品开发是一件高风险的事，每年进入市场的新产品中都有大批以惨败收场。在设计初期的创意阶段，要通过市场信息去制定产品的设计开发计划，了解市场流行趋势及科技发展趋势，消费者在乎的是什么?传统市场调查得到的讯息，不外乎价格、外观、性能等，却无法从这些信息看到全面性、情感性及前瞻性，容易使设计上创新性和需求性受到局限，且增加了新产品进入市场惨遭挫败的风险。而从大数据的角度去驱动产品创新，就会在信息的广度（如：搜索引擎，社交网站，行业信息）、深度（如：情感分析），和前瞻性（如：新能源，新技术，新材料的），达到传统市场调查无法达到的程度，这也会直接影响产品创新设计的水平及未来上市后的成败。
最易见效的方法是通过客户分析：公司密切关注社群网站的信息、讨论区消息及其他在线信息，了解人们的所思所想。用户对产品的情绪分析成为互联网世界产品概念设计和概念测试的依据，这种信息可以让产品设计者在各种问题和想法完全被意识到之前，及早发现它们。大数据是说公司可以挖掘分析大量各种信息，以改善下一代产品和服务。社会和经济活动的不断网络化，数据收集、传输、存储和分析成本的下降，共同导致了一个有助于培育新的产业、工业和产品的大数据时代的出现。
数据驱动的设计能够在制造任何实物产品之前预告设计过程，从而降低成本，并确保最终产品更加符合客户偏好。例如，欧特克（Autodesk）的计算机辅助设计软件AutoCAD已经流行了几十年，而现在该公司正在开发一种更加数据驱动的方式。这项研究是在其建立的算法生成设计（algorithmically generated design）研究项目“追梦计划”中，最终目的是将其与公司的其他产品整合，使设计者能够根据一系列材料和性能要求生成设计，然后将这些设计用于进行高精度的增材制造。
数据驱动的设计在其他领域（如网页设计）已经成为标准做法，制造商若将其更全面地应用于自己的产品，将会受益匪浅。汽车制造商，如沃尔沃（Volvo）和迈凯轮（McLaren）都采取了基于模拟的方式来驱动设计。迈凯轮在制造实体原型之前，先要对其设计进行性能分析；沃尔沃则整合客户数据来预测一个特定设计或功能是否能够吸引客户。
在电动汽车领域，电池系统、电动机系统是两个最核心的技术领域。美国Tesla（特斯拉）电动车公司的充电桩代表世界上最发达的充电技术。为了让电动汽车更实用，Tesla正在拼命缩短充电时间，使得充电速度越来越快，现在充满一半电量只需20分钟，是普通电动车充电速度的20倍；而一辆60kWh电池组版本的Tesla Model S充满电可以续航368公里。特斯拉首席技术官施特劳贝尔（Straubel）甚至宣布可以将充满电池的时间缩短到5分钟——这已经跟加满一箱油的时间差不多了。这实际上是特斯拉取得市场竞争优势的法宝。
而取得这样的设计结果，特斯拉依靠的是来自JMP[i]的高级DOE（Design of Experiments，实验设计）平台及数据分析套件。JMP是全球最顶尖的统计学软件集团SAS公司的重要事业部，致力于帮助全球企业客户提升质量管理、优化业务流程和改进产品研发，通过JMP提供的高级实验设计、数据分析套件及数据挖掘方法，特斯拉找到了电动车充电技术的窍门，成功解决了电池温度与快速充电问题，并且实现对单个电池的温度与工作环境监控，成功解决了困扰电动车界的高效能充、放电，电池可靠、安全工作，以及电池容量等几大难题。
数据驱动管理
上海建工集团是上海国资委下属的工程建筑单位，是老牌的国有企业。2013年，上海建工产值超过1200亿，是中国工程建筑领域的佼佼者，全球工程建筑前50强企业。在工程建筑领域，上海建工创造了一系列的辉煌：成功建设了世界跨度最大的钢拱桥——卢浦大桥，世界第一条高速磁浮列车商业营运线，建造了420.5 米的金茂大厦、468 米的上海东方明珠广播电视塔、492 米的环球金融大厦、610 米的广州新电视塔，以及正在建设的632 米的上海中心大厦。
就是这样一个“水泥得不能再水泥、传统得不能再传统“的企业，却充分应用大数据，在信息化领域续写着令人惊叹的传奇：他们通过收集在互联网和自己企业信息系统中的大数据，实现了比较精确的建筑工程目标成本预测、竞争对手投标价格预测。如果没有大数据的技术和产品应用，在建筑工程领域要实现上述两项任务几乎不可能。事实上，上海建工利用大数据方案，实现了四大类的数据服务，即主数据管理、企业定额、价格行情和市场商情。这些大数据一方面来源于企业外部的行业数据和省市数据，另外一部分来源于企业内部，通过互联网将大数据整合后为整个集团提供数据服务。
其中令人称奇的是一直困扰工程建筑企业定额问题的解决。由于工程建筑领域的企业定额是分专业、分地区、分版本的动态定额。定额数据的来源也非常复杂，一般来源于各省市的定额站和企业内部定额。在没有大数据之前，要收集各地的定额和企业内部的定额非常困难，几乎没有快速而有效的方法保持定额的实时性和准确性。现在，上海建工通过大数据技术，将分布在互联网上的各类定额数据进行提取、导入、数据识别和匹配、数据归类和整合，最终形成企业定额库。与此同时，上海建工内部建立了一套定额库的运维机制，由此保证企业定额库的动态更新。大数据技术为企业定额的解决带来全新的体验，这种实时、体现当前工艺配比的定额为工程对外报价和目标成本编制做了有力支撑。
价格和招标监测是上海建工利用大数据技术创造全新价值的另一个体现。上海建工利用“垂直搜索、分布存储、碎片整合、语义分析”等大数据处理技术，从互联网相关价格网站爬取价格数据，结合企业内部的交易价格形成市场价、定额价、计划价、内部成交价、政府指导价等。
与此同时，依托大数据技术构建建工招标、中标市场商情和情报平台，通过各类招投标网站的数据抓取，形成大量准确可行的工程招投标线索，加上建工内部的招投标跟踪，为建工提升客户关系管理、工程投标竞标实力、竞争对手分析提供新手段。像上海建工这样的千亿级企业，如果项目成本降低一个百分点就会有十几亿的毛利增长，因此，做好项目目标成本管理是信息化的头等大事，大数据的技术和方案则给他们带来了发展的新机遇。
人力资源管理同样需要借助数据，普华永道给出了一张人力资源数据全景图，每位员工的数据大体可以分为三大类别。
人力资源数据全景图（来源：普华永道）
（1）最内层：人员数据。这是有关个人资料的数据，例如他们的姓名、地址、与公司的关系(如员工、退休员工、应急工人等)。这些数据主要由个人保管以及通过员工自助服务定期维护。获得正确的数据可以帮助公司资源共享，使得人力资源部门获得个人数据的“黄金资源”。
（2）中间层：结构化数据。这是有关公司层面的数据，包括公司如何定位员工以及分配关键业务信息给雇员们，这些要素的大部分包含了工作以及岗位数据。这是一组非常重要的数据，确保有一致的全球规则和定义，无论是在人力资源部门或是业务流程中均提供了基础的识别和个人报告数据。
（3）外层：功能数据。这是有关人力资源功能过程的数据领域。这些数据建立在可靠的的人员和结构基础上，并对员工的活动开展提供丰富的信息。该项功能数据涵盖了如工资信息、福利信息、人才信息等等。随着公司使用人力资源数据的逐渐成熟，人们期望将它作为一个差异化竞争管理人才的关键。
这三个层次把人力资源静态、动态信息与企业的业务关联起来。这些数据分类适用于任何标准数据处理的数据类型，人力资源数据都包括在这些标准过程中。重点是在图表所示的外圈。如果缺乏好的数据管控，将无法获得良好的数据质量。而没有持续适当的数据所有权也无法保证数据质量。
HR如何通过大数据指导决策？事实上，深挖数据可以显示出最令人惊讶的结果——而且可能提供相反的见解。这正是企业所需要的，那些可以提供见解的更开放的数据。不过，人力资源管理团队要想有效管理，需要采取以下步骤进行处理：
（1）确保人力资源战略完全符合商业策略。
（2）看数据，看你现在收集的可以提供见解、支持业务战略的数据。
（3）识别数据差距，如果不可用，就停止收集数据，收集能够帮助企业解决当前和未来业务挑战的数据。
（4）整合企业孤立信息，让数据为企业提供更大的洞察力和价值。
当前很多企业，很可能只是在收集员工数据，但这些数据不一定是今天业务的关键点，这需要人力资源团队对过去的数据说不。真正能够影响业务的数据，可以帮助企业找到紧迫业务的答案，助力企业业务发展。
数据洞察客户
一直以来，企业都强调“要以客户为中心”，以客户需求为中心，这一点说说容易，真正做到却非常困难。比如传统的市场营销方式是通过前期市场调研、与客户交流沟通、发调查问卷来洞察客户需求。这种情况下，企业只能获取1%的消费者被动提供的样本数据，如果企业对客户的理解远远不到1%，又何以能够打造符合消费者预期和使用行为的产品呢？何以能够有针对性地进行广告投放和市场策略管理呢？
今天，越来越多的企业在使用大数据洞察并分析客户的实际需求，研究发现，这种方式准确性、针对性更高。
全球第二大食品公司卡夫公司澳洲分公司，透过大数据分析工具对10亿条社交网站帖子、50万条论坛讨论内容进行抓取分析，发现大家对于维吉酱讨论的焦点不是口味和包装而是涂抹在烤面包以外的各种吃法。调查人员最终分析出消费者购买的三个关注点：健康、素食主义和食品安全，并发现叶酸对孕妇尤其重要。于是卡夫针对这些信息进行营销，打开了孕妇消费者市场，维吉酱销售额大幅增加，创造了该产品的历史最高纪录。
银泰百货在百货门店和购物中心铺设免费WIFI，顺便抓取用户数据，包括进店用户数据和VIP用户数据；利用银泰网（www.yintai.com），打通了线下实体店和线上的VIP账号。当一位已注册账号的客人进入实体店，他的手机连接上WIFI，后台就能认出来，他过往与银泰的所有互动记录、喜好便会一一在后台呈现。通过对实体店顾客的电子小票、行走路线、停留区域的分析，来判别消费者的购物喜好，分析购物行为、购物频率和品类搭配的一些习惯。另外，银泰网甚至可以累积不同用户对品牌和折扣喜爱程度的数据，依托成熟门店的相关数据，再根据新开门店所在城市的用户分析，推导出新开门店组货和招商的指导意见。
还有一个例子相当典型，根据全球管理咨询公司嘉思明（Kurt Salmon）的研究结果，处理一次退货的成本可能是同一商品发货所耗成本的2-3 倍。同时，美国零售联合会（National Retail Federation）也发现，40% 的买家在下单时就打算退货，40% 的买家会订购同一款产品的不同规格，而 40% 的退货是由于产品信息不全所致。而如果企业支持网购、电话购物或邮购，则他们处理退货的成本和运费更高。HSE24 是一家位于德国的家庭购物网络公司，在德国、奥地利和瑞士等地拥有多达 4,100万家庭客户，他们就遇到了这样的问题，通过对有相似退货行为的客户群进行大数据分析研究，洞察了用户的真实需求，从而降低了退货率。
HSE24 发现了几个退货率较高的客户群。公司基于两个条件分析了其中一个客户群。这两个条件分别是订购的产品数量和付款速度。很快，他们发现，这些客户在购买产品时，喜欢订购多个尺寸或颜色的产品，然后再确定自己要留下和退掉的产品。在发现这一模式后，HSE24 就能采取相应的措施。例如，HSE24 可以提供更详细的产品描述信息，帮助客户在第一次订购时，更准确地选择最合适的产品。此外，HSE24 还可以推出促销活动。如果退货率较高的客户在某段时间内减少了退货次数，HSE24将对其予以奖励。
数据就在那里，生生不息；你用了，就能获得洞察与先知；你不去用，别的企业，竞争对手也许会去用；人未动，而胜负已分。
企业经营数据应用挖掘
发挥企业信息系统作用
欢迎加入企业大数据交流QQ群
建立专属数据应用领域的圈子……
回复 关键字 获得推荐头条文章
回复 车间 阅读文章 美林数据|工业大数据：车间物联网数据管理
回复 PP57 观看视频 Dashboards with PowerPivot 1