製造業怎麼應用大數據？

01-02

提高生產效率、減少不良消耗、提高訂單量、規避風險等都可以說說（貌似大數據主要應用在營銷上，類似於服務業、商業用得多，製造業好像很少應用？）

謝邀！

大數據概念越來越廣，現在我們最好不糾結於大數據的概念，探討一下如何使用更廣的信息與數據，和在行業內外創新的使用數據。

目前我了解到比較有意思的例子是：

1. 尚品宅配優化生產環節

尚品宅配將前台的訂單與後台的生產環節打通，在製作板式家居的時候，自動形成配料單，同時，各類板子也編上了代碼。這樣做一個是優化了原料使用，一塊板子可以最大限度的為各個訂單生產零件，另外機器指揮人幹活，工人來了，機器告訴工人，要什麼原料，怎麼放，生產效率明顯提高

2. UPS使用大數據規劃物流線路

UPS通過各類社交媒體的信息，預測各種危機節點，在轉運關鍵節點出現意外、罷工、天氣災害等可能時，自動優化、調整配送線路，保證客戶（特別是汽車領域的客戶）空運訂單及時到達。

以上兩個例子，說明了製造業利用大數據有幾個維度。

一個是結合工業4.0，物聯網，各類感測器等產生的新數據，對生產過程進行優化

一個是結合外部數據，對自己的生產內容，經營行為進行選擇和優化

還一個一個是將自己的數據，服務於金融等其他行業，獲取必要的利益，比如一家企業，如果能將自己的用電量，用水量，機器工作時間提供給金融服務機構，則很有助於金融機構判斷企業的經營情況，對其發放貸款。（浙江的擔保、小貸公司也基本是這麼乾的）

應用數據的思維古已有之，如同所謂的互聯網思維，其實幾十年前的營銷學原理就有涉獵。關鍵在於我們能通過適當的技術與工具把數據聯結起來，進行分析，進行跨界創新應用。

我始終認為中國這個製造業大國，在工業企業信息化，數據化，數據創新應用領域有很多可以做的事情。一定可以誕生很多有趣的企業。

謝邀。首先聲明一點，我的回答不代表SAP公司，本人並非ERP的專家。做了24年資料庫，數據倉庫，數據挖掘軟體開發、使用、管理工作經驗，在SAP全球及SAP中國都負責過不同的大數據方面的職務，在最近十年的工作中開始和各行各業的資料庫/大數據用戶接觸，對一些行業中的大數據問題及解決方案有研究。

問題不光在於製造業如何應用大數據，而更多地在於製造業如何認識和看待大數據。

傳統來看製造業並不是信息化非常發達的行業，這一點體現在多數製造業的流程傳統而粗糙，即使有現代化的設備，整體的信息化方案也多半來自設備製造商（本身有時候被算作高科技業，例如Applied Material一類的半導體設備製造商，還有台積電一類的半導體代工廠商）。

但是在大數據時代，似乎這不是一個絕對的壞事，就好像中國的電信行業直接跳過美國花了上百年發展的固話業務，直接跳到行動電話業務，迅速提高了中國人民的通訊水平和通訊體驗，以中國移動為代表的電信運營商還迅速躍升為全球頂級的運營商，在大數據時代，更是迅速成為大數據的領先選手。

我認為中國的製造業需要對大數據有以下幾點認識：

1，製造業是需要數字化的：數字化會給製造業帶來更精準、更先進的工藝，更優良的產品，這個概念可以補足中國的製造業在此之前的整體水平

2，製造業首先是大數據的源頭，一旦製造業進一步數字化，生產流程中產生的數據都輕而易舉地屬於大數據的範疇，其數據量、產生頻度、類型從IT角度來看，都極具挑戰性和吸引力。一個半導體生產機台一天產生的數據量可以輕鬆上TB，這樣幾年積累的數據就在PB級了，如果對此數據進行分析研究，就是個實實在在的大數據問題

3，從製造業本身來說，國際上以德國的「工業4.0」口號為代表的數字化製造，物聯網為代表的信息化產品，將佔據製造業的重要平台性話題，在這個方面沒有布局的企業可能很快都要被劃為「傳統製造業」，從而面臨工業革命歷史上必然遇到的被淘汰的挑戰。

4，製造業可以通過IT技術的提升，特別是大數據技術的提升而成就離子式跳躍，大數據技術代表了新的製造業產業革命，產業轉型的標誌性技術和關鍵性技術，「傳統製造業」可以通過IT技術的提升而實現彎道超車，迅速實現轉型

當然這一切的挑戰是大數據人才的深度和厚度，對大數據的理解和大數據技術的採用程度

願中國的製造業把握機會，瞄準方向，實現飛躍

先不管大數據還是小數據，我認為製造業對於數據的應用，當下可行的也是趨勢的有兩個方向，打造工業物聯網生產線和供應鏈的優化。

工業物聯網簡而概之，就是在工業製造生產線設備上安裝感測器，來探測溫度、壓力、熱能、振動和雜訊等各類數據。利用這些數據，進行設備診斷、用電量分析、能耗分析、質量事故分析等。有些公司使用已做到完全的無人自動化，比如，在生產工藝改進方面，使用這些大數據，就能分析整個生產流程，了解每個環節是如何執行的。一旦有某個流程偏離了標準工藝，就會發出報警信號，快速地發現錯誤，解決問題。

供應鏈優化的方向主要獲取是倉儲、配送、銷售環節的各類數據，甚至將客戶數據、企業內部數據、供應商數據匯總到供應鏈體系中，通過供應鏈上的數據採集和分析，來優化供應鏈，做到對客戶的快速響應，以及降低成本。

當然，我提的只是一些方向，每一塊的分析都需要貼合實際的分析模型和執行流程，也確實有很多企業已經這麼做的了：

泰爾重工：數據可視化下的驅動業務增長模式 - 知乎專欄

數據可視化監控流程？--江汽物流數據監控平台建設經驗 - 知乎專欄

中鋁「智能鑄造」：管理變革比技術變革更重要 - 知乎專欄

6sigma 什麼的不早就把數據分析作為製造業規範化數字化還有風控方面的應用了么？不存在大數據又來個噱頭炒炒x.0的概念吧。

要說有概念但難於落地我能想到的兩個方面：

1. 前端數據無法搜集。（也就是在整個過程中可能產生的所有數據類型難以搜集或無法搜集並利用）這個隨著科技發展，應該不是難點。

2. 商業模式不利於數據分析？這個只是假設，等我想明白再補充。

製造業從業人員怒答。

一句話：誰說製造業不用，大數據太重要了！！！！！

從本行說起，本人從事製造業良率提升，實際工作中，對失效品的個案分析往往無疾而終，有價值的信息淹沒在量測誤差、實驗雜訊或者不科學的實驗設計里。而通過對於大量數據的分析，雜訊信息會消失，差異點會疊加放大。生產的過程數據越多，分析就越細緻，在信息充足的情況下，工程師甚至可以將異常定位到機台的某個機構，從而實驗設計也能合理化，目的化，極大地加速良率提升的腳步。

而產品的質量監控就更不用提了，這在高新科技製造業已經是常識——沒有好的過程管控，是不可能控制好產品質量的。而收集並自動監控生產過程中的各種特徵值，也是大數據的一部分。

-----------------------------

以下是吐槽，乾貨不足見諒……

-----------------------------

好多人都覺得大數據挺簡單的吶，收集收集數據，然後分析分析，幾張圖表一個PPT，OVER。

有鬼咧！！！

大數據為什麼NB，因為它大啊！！！！

概念大家一聽就懂啊！！！用起來才知道蛋疼啊！！！

產線每天都產生著以TB計的的資料你們造嗎？！

量產半年伺服器就快塞爆了，IT被工程部罵成狗你們造嗎？！

數據服務商換了2家，每家都不給力啊！！！！

結果還是我們的員工重寫了代碼提升了數據讀取速度，拿了公司最佳員工你們造嗎？！

即便如此，每天早晨都要花個把小時從伺服器撈數據你們造嗎？！

撈數據撈到一半去拉個屎，回來計算機休眠了卧槽！！！

白撈了啊！！！！！我為什麼要去拉屎啊！！！！

這TM又要加班了啊！！！！

不說知乎IT工程師多嗎？快來製造業創造價值吧！！！

不要看不起製造業啊！！！我們的的需求很牆裂啊！！！

TM必須節省空間啊！！！伺服器每天都在哀嚎啊！！！

TM必須提高資料庫讀取的效率啊！！！我每天也在哀嚎啊！！！

絕壁藍海啊有木有！！！我代表工程師感謝你們啊！！！

饞嘴牛蛙毛血旺水煮牛肉豆花肥腸隨你挑啊！！！我買單啊！！！！

哎……繼續撈數據，D盤已經被EXCEL塞滿了……

不要著急玩大數據

-
從TIM全面庫存管理角度看數據 -

程曉華

2015-1-12

沸沸揚揚的「大數據（Big Data）」，把很多企業、很多人搞得魂不守舍，蠢蠢欲動，似乎只要一玩大數據，大家都可以發大財似的。

其實，你只要靜下心來想一想，很多企業，似乎還沒有資格去玩什麼大數據。

因為，「微數據（Micro Data）」、「小數據（Small Data）」你都還沒有搞清楚，你去玩什麼「大數據」？

那麼，什麼叫微數據呢？

說簡單點，所謂的微數據就是你自己的數據（見附圖第一層），如製造業普遍使用的ERP數據。很多企業，花了很多錢上了ERP，結果還是「不好使」，給客戶及時交貨率沒有提高，獃滯庫存還是數不清，庫存周轉率還是上不去，為什麼？

很多人抱怨是上錯了ERP，或者怪ERP功能不完善，更有甚者是把使用了多年的BAAN/ORACLE換成了SAP，結果呢？還是那個樣兒！

這是為什麼？

業務流程、組織架構沒有與ERP有效結合是個很重要的原因，但ERP內部數據不準確，卻是個重中之重的原因！

所以，我跟很多企業講，其實你不需要這麼昂貴的ERP，你花十分之一、甚至是百分之一的錢，用個金蝶K3或者用友的U8也就足夠了，因為「一隻拿著木頭棒子的猴子，完全可以殺死一頭拿著AK47（突擊步槍）的豬」（註：這句話不是我說的，是我偉創力一個兄弟的發明），你信不信？

關鍵的問題是你先理清你的微數據。

微數據包括主數據（Master Data），如BOM數據，交易數據（Transactional Data），如收、發貨的數據等等，但這些說白了都屬於企業內部的數據，理論上是完全可控的，但你真正控制住了嗎？

我的TIM審核、數據挖掘的12張表，基本都屬於「微數據」的範疇，但又有幾家企業能夠比較完整地提取出來？

接下來才是所謂的「小數據」，見附圖第二層。

小數據是指企業外部的，但是又是來自於合作夥伴的數據，如供應商的庫存，客戶的庫存，甚至是供應商的供應商的庫存，客戶的客戶的庫存。

這些數據基本上也是可控的，但前提是需要ERP之外的工具鏈接，如一些供應鏈管理協同軟體，類似E2OPEN等等。

但現在的問題是，這些小數據，對很多企業來講也是個巨大的挑戰。

我在審核很多企業的供應鏈管理過程中，發現一種我稱之為「偽VMI」的現象。我的很多諮詢客戶的客戶要他們做VMI（供應商管理庫存），但客戶的客戶每天用了他們多少東西，什麼時間用的，用了多少，又不告訴人家，沒有任何系統對接，只有等到財務月結的時候才產生個數據，準不準也不知道，這叫什麼VMI？當然，「偽VMI」還包括讓供應商被動地補貨，這裡就不多講了。

小數據搞不定，又會直接影響微數據的準確性，反之亦然，於是就亂成了一鍋粥。物流的三流（物流、信息流、資金流）被講了多少年了，但最基礎的信息流，也就是數據流都搞不清楚，又哪來的物流、資金流？

小、微數據亂了套，搞大數據又有啥用？

從供應鏈管理的角度（見附圖第三層），基礎原材料的供應市場分析應該屬於所謂大數據的範疇。如，你要研究電子元器件的價格、供應走勢，你就必須從大數據的角度，來研究硅、鎳、銅等基礎原材料的市場情況；你要研究哪款產品好賣，你就要從大數據角度，研究終端消費者的消費行為、習慣等等。

但問題是，你大數據研究的再好，你的小數據、微數據不給力，你不是該出不去貨，還是出不去，該有的獃滯庫存，你還還是有嗎？

基礎打不好，你即使能伸到「雲」里去，又能怎麼樣呢？

從「微」到「小」，再從「小」到「大」，這是個規律啊！

作者程曉華先生，《製造業庫存控制技巧》、《CMO首席物料官》著作者；《製造業庫存控制技術與策略》課程創始人、講師；「TIM-全面庫存管理」首席諮詢師

Hortonworks有一系列很好的科普文講大數據的用途。這篇講製造業：http://hortonworks.com/industry/manufacturing/

裡面有個參考架構圖：

我摘要一下裡面提到的用途：

1. 供應鏈優化。RFID隨時監控材料用量。

2. 基於感測器的質量監控。不光是實時監控產品流水線，還可以線下機器學習，改善監控精度。

3. 基於感測器的設備維修保養。

4. 監控藥品生產環境，提高成品率。這個我不太懂。

5. 社交網路上收集分析用戶反饋。這個比較通用，什麼行業都會用到。基本上還是物聯網的思路。

樓上說的都有點虛，來點乾貨吧。

本人在汽車行業ABB的其中一家整車廠的焊裝車間工作。

舉幾個大數據應用的栗子，

每輛生產的白車身的各種連接技術都有數據監控及記錄；

每輛生產的白車身的重要尺寸測量點都有測量記錄；

每輛生產的白車身的車身表面間隙平順度都有測量記錄；

這是質量相關的......

每天生產的節拍和停機時間都會自動記錄；

設備自身也會記錄自身的使用頻率和更換周期；

生產和設備相關的......

簡而言之，我們生產的每台車都能查的到它生產時的相關數據

落地的點實在是很多，有淺有深，從表層的數據分析，但深入的業務流程改造，監控等等。數據分析之類的我就不多談了，對於業務形態性質的改變，向智能工廠方向的發展，我覺得有幾點是很正面的。

(1)實現智能生產

在德國「工業4.0」中，通過信息物理系統(CPS)實現工廠/車間的設備感測和控制層的數據與企業信息系統融合，使得生產大數據傳到雲計算數據中心進行存儲、分析，形成決策並反過來指導生產。

具體而言，生產線、生產設備都將配備感測器，抓取數據，然後經過無線通信連接互聯網，傳輸數據，對生產本身進行實時監控。而生產所產生的數據同樣經過快速處理、傳遞，反饋至生產過程中，將工廠升級成為可以被管理和被自適應調整的智能網路，使得工業控制和管理最優化，對有限資源進行最大限度使用，從而降低工業和資源的配置成本，使得生產過程能夠高效地進行。

過去，設備運行過程中，其自然磨損本身會使產品的品質發生一定的變化。而由於信息技術、物聯網技術的發展，現在可以通過感測技術，實時感知數據，知道產品出了什麼故障，哪裡需要配件，使得生產過程中的這些因素能夠被精確控制，真正實現生產智能化。因此，在一定程度上，工廠/車間的感測器所產生的大數據直接決定了「工業4.0」所要求的智能化設備的智能水平。

此外，從生產能耗角度看，設備生產過程中利用感測器集中監控所有的生產流程，能夠發現能耗的異常或峰值情況，由此能夠在生產過程中不斷實時優化能源消耗。同時，對所有流程的大數據進行分析，也將會整體上大幅降低生產能耗。

(2)實現大規模定製

大數據是製造業智能化的基礎，其在製造業大規模定製中的應用包括數據採集、數據管理、訂單管理、智能化製造、定製平台等，核心是定製平台。定製數據達到一定的數量級，就可以實現大數據應用。通過對大數據的挖掘，實現流行預測、精準匹配、時尚管理、社交應用、營銷推送等更多的應用。同時，大數據能夠幫助製造業企業提升營銷的針對性，降低物流和庫存的成本，減少生產資源投入的風險。

利用這些大數據進行分析，將帶來倉儲、配送、銷售效率的大幅提升和成本的大幅下降，並將極大地減少庫存，優化供應鏈。同時，利用銷售數據、產品的感測器數據和供應商資料庫的數據等大數據，製造業企業可以準確地預測全球不同市場區域的商品需求。由於可以跟蹤庫存和銷售價格，所以製造業企業便可節約大量的成本。

「工業4.0」本質是基於信息物理系統(CPS)實現「智能工廠」，使智能設備根據處理後的信息，進行判斷、分析、自我調整、自動驅動生產加工，直至最後的產品完成等步驟。可以說，智能工廠已經為最終製造業大規模定製生產做好了準備。

實現消費者個性化需求，一方面需要製造業企業能夠生產提供符合消費者個性偏好的產品或服務，一方面需要互聯網提供消費者的個性化定製需求。由於消費者人數眾多，每個人需求不同，導致需求的具體信息也不同，加上需求不斷變化，就構成了產品需求的大數據。

消費者與製造業企業之間的交互和交易行為也將產生大量數據，挖掘和分析這些消費者動態數據，能夠幫助消費者參與到產品的需求分析和產品設計等創新活動中，為產品創新作出貢獻。製造業企業對這些數據進行處理，進而傳遞給智能設備，進行數據挖掘，設備調整，原材料準備等步驟，才能生產出符合個性化需求的定製產品。

參考來源：大數據驅動，製造業邁向智能化

謝謝！

大數據得先大

hadoop建議大數據量起步是12tb

每天達到這個數據量的log的web公司中國過不去10家

所以先解決大數據的大吧

在現在的製造中，存在著許多無法被定量、無法被決策者掌握的不確定因素，這些不確定因素既存在於製造過程中，也存在於製造過程之外的使用過程中。

前三次工業革命主要解決的都是可見的問題，例如去避免產品缺陷、避免加工失效、提升設備效率和可靠性、避免設備故障和安全問題等，這些問題在工業生產中由於可見可測量，往往比較容易去避免和解決。

而第四次工業革命則是將客戶端價值作為整個產業鏈的核心，解決不可見的問題。這些問題通常表現為設備的性能下降、健康衰退、零部件磨損、運行風險升高等。它們由於其很難通過測量被定量化，往往是工業生產中不可控的風險，大部分可見的問題都是這些不可見的因素積累到一定程度所造成的。

因此，大數據在工業領域的關注點和競爭點是對這些不可見因素的避免和透明化。

首先，我們來看看什麼是工業大數據？

一提到大數據，人們首先會想到在互聯網和商業等環境中，利用大量的行為數據來分析用戶行為和預測市場趨勢等應用，但是對工業大數據的定義和應用卻很難直觀地理解和想像。

現在對大數據最為流行的定義來自於維克托?邁爾-舍恩伯格和肯尼斯?克耶編寫的《大數據時代》中提出的4V特性，即Volume(數據量大)、Velocity(流動速度快)、Veracity（準確性難把握）、和Variety(來源多樣性)。

這個定義是針對互聯網和社會環境中的大數據，從數據工程的技術挑戰方面所提出的，而工業大數據的挑戰和目的則要通過「3B」和「3C」來理解。

1、工業大數據應用的「3B」挑戰：

Bad Quality: 在工業大數據中，數據質量問題一直是許多企業所面臨的挑戰。這主要受制於工業環境中數據獲取手段的限制，包括感測器、數采硬體模塊、通信協議、和組態軟體等多個技術限制。對數據質量的管理技術是一個企業必須要下的硬功夫。

Broken: 工業對於數據的要求並不僅在於量的大小，更在於數據的全面性。在利用數據建模的手段解決某一個問題時，需要獲取與被分析對象相關的全面參數，而一些關鍵參數的缺失會使分析過程碎片化。舉例而言，當分析航空發動機性能時需要溫度、空氣密度、進出口壓力、功率等多個參數，而當其中任意一個參數缺失時都無法建立完整的性能評估和預測模型。因此對於企業來說，在進行數據收集前要對分析的對象和目的有清楚的規劃，這樣才能夠確保所獲取數據的全面性，以免斥巨資積累了大量數據後發現並不能解決所關心的問題。

Background (Below the Surface): 除了對數據所反映出來的表面統計特徵進行分析以外，還應該關注數據中所隱藏的背景相關性。對這些隱藏在表面以下的相關性進行分析和挖掘時，需要一些具有參考性的數據進行對照，也就是數據科學中所稱的「貼標籤」過程。這一類數據包括工況設定、維護記錄、任務信息等，雖然數據的量不大，但在數據分析中卻起到至關重要的作用。

2、工業大數據分析的「3C」目的：

Comparison（比較性）：從比較過程中獲取洞察，既包括比較相似性，也包括比較差異性。比較的維度既可以是在時間維度上與自身狀態的比較，也可以是在集群維度上與其他個體的比較。這種比較分析能夠幫助我們將龐大的個體信息進行分類，為接下來尋找相似中的普適性規律和差異中的因果關係奠定基礎。

Correlation (相關性)：如果說物聯網是可見世界的連接，那麼所連接對象之間的相關性就是不可見世界的連接。對相關性的挖掘是形成記憶和知識的基礎，簡單的將信息存儲下來並不能稱之為記憶，通過信息之間的關聯性對信息進行管理和啟發式的聯想才是記憶的本質。相關性同時也促進了人腦在管理和調用信息的效率，我們在回想起一個畫面或是情節的時候，往往並不是去回憶每一個細節，而是有一個如線頭一樣的線索，你去牽它一下就能夠引出整個場景。這樣的類似記憶式的信息管理方式運用在工業智能中，就是一種更加靈活高效的數據管理方式。

Consequence (因果性)：數據分析的重要目的是進行決策支持，在制定一個特定的決策時，其所帶來的結果和影響應該被同等地分析和預測。這是以往的控制系統所不具備的特性，也是智能化的本質。工業系統中的大部分活動都具有很強的目的性，就是把目標精度最大化，把破壞度最小化的「結果管理」。結果管理的基礎是預測，例如在現在的製造系統中，如果我們可以預測到設備的衰退對質量的影響，以及對下一個工序質量的影響，就可以在製造過程中對質量風險進行補償和管理，製造系統的彈性和堅韌性就會增加。

總結而言，互聯網和商業大數據與工業大數據在技術挑戰、數據屬性和分析目的等方面有很多區別，這也決定了兩者技術手段的不同。

雖然互聯網大數據與工業大數據的核心問題與技術路徑不同，但並不意味著兩者是格格不入的。相反，將互聯網大數據與工業大數據相整合，能夠相得益彰產生更大的價值。

舉例而言，製造系統正在改變過去生產驅動銷售的「Push」模式和銷售驅動生產的「Pull」模式，雖然已經具備滿足不同訂單需求的「柔性」生產模式，但依然無法改變對市場應激式的生產模式。未來的智能製造系統將以數據來驅動，體現在設計過程的數據化（PLM、CAD）、製造系統驅動的數據化（MES、DCS）、和生產資源管理的數據化（ERP）等方式。

但是這些都還只看到了製造系統本身，而忽略了這些數據化的源頭應該是對市場和客戶的數據化。利用商業大數據對市場進行預測、繪製客戶需求畫像和分析供應狀態實時評估等方式，能夠從本質上將製造系統從應激式轉變成為預測型的生產模式。

其次，我們來分析一下大數據在工業「不可見的世界」的價值及應用。

「有之以為利、無之以為用」是出自老子《道德經》中的一句話，其中的智慧放在當今工業的價值模式中依然十分受用。這句話可以理解為：一切事物的實體為我們提供可以憑藉的可見的基礎條件，而其中所隱藏的空間和可變化的無限可能才是被我們真正使用並創造價值的所在。

我們在《工業大數據》一書中，曾用煎蛋模型來闡述產品與服務價值之間的關係（圖一）：蛋黃代表的是產品自身，其差異性和客制化程度並不明顯，例如一台電視機在擋住了Logo之後就很難被區分出來是哪家公司生產的。而蛋白所代表的增值服務卻是差異化和客制化的重要體現，也是企業的品牌和可持續性價值的所在。這些價值存在於用戶的使用場景、隱形因素的相關性、和產品被製造和使用的全生命周期這些「不可見世界」中。

數據將成為挖掘這些價值的重要手段，主要體現在：利用數據挖掘在使用中獲得新的知識和技術對現有產品進行改進；利用數據去發現和定義用戶未知的需求；以數據作為媒介向用戶提供增值服務。

圖一：工業價值的煎蛋模型新思維

以風力發電為例，風機本身的差異化並不明顯，用戶的定製化需求也並不強烈，但是風機在運行過程中的發電能力、運行穩定性、和運維成本等卻是用戶價值的核心。利用風機的運行大數據可以對風機進行健康管理、對潛在的運行風險進行預測、和對風場的運維進行優化，從而提升風機的可用率、改善發電效率、和降低運維成本。風機的製造廠商也可以不再僅僅通過賣出裝備獲得一次性的盈利，還可以通過向用戶提供使用過程中的增值服務實現持續性的盈利。

人類社會在經歷了200多年的科技革命後，已經積累了巨大的工業產品存量，工業的基礎設施和大量基本生產要素，如機床、電力設施、動力設施、製造裝備、交通裝備等需求都已逐漸趨於飽和。因此德國的「工業4.0」戰略中將面向製造系統的集成和軟體服務作為重點，具體表現在「縱向集成」、「橫向集成」和「端到端集成」。同樣發現這個問題的還有美國GE公司，他們意識到裝備銷售過程中的獲利遠遠不及在產品使用過程中的價值服務，客戶需要的價值也遠不止對產品狀態的保持，更在於如何去使用這些能力來實現更高效的價值再創造。

以數據為核心使產品發揮最大的能力，歸根結底是利用數據建模實現對狀態、環境和任務的精確評估，對管理和控制活動進行實時的決策優化，並協同和調度相關產品高效率運行的過程。

總的來說，利用大數據，可以實現「無憂」的製造環境。

製造系統中的問題同樣也有「可見」和「不可見」之分，我們對待這些問題的方式既可以在問題發生後去解決，也可以在問題發生前去避免。

生產系統中存在的「不可見」問題包括設備性能的衰退、精度的缺失、易耗件的磨損、和資源的浪費等，可見的問題往往是這些不可見因素積累到一定程度所引起的，比如設備的衰退最終導致停機、精度的缺失最終導致質量偏差等。就如同冰山一樣，可見的問題僅僅是冰山一角，而隱性的問題則是隱藏在冰山下面的惡魔。通過大數據對「不可見」問題獲得深刻的洞察，是實現無憂慮製造環境的基礎，也是智能製造的本質。

製造改進與轉型的機會空間可以被分為四個部分（圖二），第一個部分是去滿足用戶可見的需求和解決可見的問題，這個空間內依然有中國製造需要補的課，比如質量、污染、和浪費等問題，需要的是持續的改善與不斷完善的標準化。

第二個空間在於避免可見的問題，需要從使用數據中挖掘新的知識對原有生產系統和產品做加值改善。

第三個空間在於利用創新的方法與技術去解決未知的問題與創造新的競爭力，例如具有自省能力的設備，以及利用感測器與大數據使不可見的問題透明化，進而去管理和解決不可見的問題。

第四個象限是尋找和滿足不可見的價值缺口，避免不可見因素的影響，這部分需要利用大數據分析產生的智能信息去創造新的知識和價值與傳承力，這也是工業互聯網的最終目標。

圖二：可見與不可見的轉型思維

通過分析數據，預測需求、預測製造、利用數據去整合產業鏈和價值鏈，這就是工業大數據的思維。工業互聯網是一場在不可見世界中的戰爭，而工業數據分析的競爭力則是連接可見與不可見世界的橋樑。

製造業一直在用大數據

製造業還是先考慮怎麼把信息化和自動化用上吧.

對於大型的製造企業來說，除了ERP、CRM、分銷系統以及生產系統等，旗下的子公司、分公司也都各有十幾套以上的系統，全公司上下有近百套系統的現象非常普遍。應用好這些大數據，在生產、客戶需求和營銷方面進行數據整合分析，能為製造業管理者和參與者發掘出看待製造業價值鏈的全新視角。

但是因為製造業系統繁多，數據彼此孤立形成「數據孤島」，調取困難，導致信息反饋周期長，高層決策信息延遲，利用信息系統進行高效、便捷管理的目標大打折扣。

博為101異構軟體採集技術就實現了在不需要其他軟體介面對接、不破壞各系統運行機制的基礎下，通過軟體機器人自動採集不同軟體之間的數據，進行結構化輸出並儲存的功能，能很好的解決製造業數據孤島的問題，更好的應用大數據為製造業服務。

中國搞實業的，看到忽悠工業4.0，大數據的，要慎重

利益相關：MES行業從業人員。

大數據在製造業其實已經應用起來，只是可能很多人不知道。MES系統就是製造業應用大數據的典型之一。

MES系統是一套輔助管理和監控生產過程的一套信息化系統。它利用自動識別技術，從產線採集生產信息：包括人員、原料、設備、工序、完成時間、完成率、測試記錄、維修記錄....等等。

一、這些數據都是實時的。管理人員在每一時刻都可通過電子看板或辦公室PC看到產線的生產狀態，知道產品製造到哪個步驟，訂單正在生產多少還剩多少、有多少設備正在工作或空置等等。

二、這些數據彙集起來，其實就是這個企業生產的大數據。企業管理層可以從這些數據中分析生產過程的工序係數、生產排程、良品率、人員績效，進行產品追溯等，再可進一步研究提高生產效率的方法、如何提高產品的質量等等。

三、如果條件成熟，可以將這些企業的生產數據都彙集的話，將會產生更為巨大的價值：同行之間的對比和統計、行業之間的現狀和改進等等，這會展開更多的話題。

如果製造企業還不注重信息化、還不重視大數據，只在自己的一畝三分地固步自封，是很難熬過製造業的寒冬的。

Winter is coming。

目前來說，製造業做好成本控制和管理制度的完善就好了，大數據目前來說太扯淡。

你說的服務業、商業用的多，大部分只是掛了大數據的名頭，就是普通的數據分析而已。

加之它們能從互聯網獲得比較好的數據來源，製造業這種傳統企業就不行了。

當然大數據是趨勢，不過目前看來還有很長的路要走。

對於製造業而言，了解行業大數據產生的背景，歸納行業大數據的分類和特點，從數據流推動本身價值創造的視角看待、重造工業價值流程，將具有很強的現實意義，大數據變革製造業，需要通過以下幾點來實現：

　　1、精度更高

　　高成功率的製造是製造商的核心競爭力，在大數據出現之前，最好的方法是投資更好的設備，或對員工進行更好的培訓，但都無法太大的減少失敗率帶來的額外損失。然而，使用大數據，製造商可以使用計算機程序來優化流程，並更加巧妙地分析錯誤，從而防止這些錯誤產生。

　　2、產量更高

　　大多數製造商購買原材料並製造成品，他們銷售價格高過製造成本。在該系統中，製造商可以獲得更高的收益(每個成品使用的原材料越少)，企業的經營就更有利可圖。新的大數據應用程序使製造商能夠更好地了解其整體產量，並有機會改進其運營方法，生產產品獲得更多的利潤。

　　3、更好的預測

　　製造商可以根據各種情況預先判斷需要生產多少產品，淡季的時候減少生產量，以及在倉庫中的庫存或出貨量。大數據有助於製造商更好地掌握這種供需關係的變化，因此可以在最有價值的生產條件下進行生產。

　　4、預測和判斷蹤供應商的產品優劣

　　製造商也可以使用大數據跟蹤供應商的優劣。例如，如果供應商提供劣質產品比例較高，通過大數據計算證明這些事情，就可以確定選擇新的供應商是否更加具有成本效益。

　　5、更高的可追溯性

　　大數據還使製造商的流程更加透明和可追溯。製造商的原材料在生產過程中以及生產階段有多少損失?給定批次產量多少，目前存儲在哪裡?運送需要多長時間，一旦需要運送，產品在哪裡?大數據可幫製造商跟蹤生產和交付的所有這些階段，並提供對可能效率低的領域的洞察和分析。

　　6、高級自定義工作

　　大數據顯示，通過在以往的努力中獲取數據並創造更好地利用原材料的方法，有可能創建高級定製工作。它也可以幫助製造商採取逆向工程，為熟悉的問題提出新的解決方案。

　　7、投資回報率和運營效率

　　大數據使製造商能夠更深入地了解其運營的真正效率，以及升級時產生的投資回報率(ROI)，例如新設備或新的廣告策略。

精益的數據應用程序對外部人員或不熟悉數據分析的人員來說具有極大的挑戰性。新技術令人印象深刻，但他們要求有足夠知識和經驗的人來實施和管理它們。因此，製造商需要專業的人或者公司來協助完成這些變化。

推薦閱讀-多智時代：大數據時代的數據爭奪戰、技術爭奪戰、人才爭奪戰已經打響！ - 大數據多智時代

數據分析在製造業早就應用了吧，6sigma，精益生產10多年前就開始普及了。只是製造業的數據可能在終端客戶那裡還沒有收集到

兩個問題，1,製造業的大數據;2,大數據的應用。

1.1大數據來源。1.2大數據存儲。1.3大數據分析。

數據來源兩方面，外部及內部。外部是市場，政策，行業環境，供應商，市場等。內部來源即工廠製造環節。工廠內部來源中，工業自動化為底層，erp為上層都做的比較成熟。外部不熟。

由於數據量大，雲存儲為比較好的方案。重點是後一條，分析。這個全世界也沒有幾家做的，中國有做的，人比較少，但是有項目在實施，也有成功案例。

應用主要是減少內部消耗，物料，時間，能源。外部拓展市場，規避風險。

有成功案例，我知道江蘇有兩家應用案例，效果非常好。

手機打字泛泛而談，不足請指教。