案例分享:工业大数据实用“避坑”指南

数据分析过去在工业应用中取得了的一些成绩,也有很多不如意的地方,今天分享在实际过程中有哪些常见的误区,由于时间问题,今天只讲7个技术方面,后边有时间再给大家细细聊。

7个误区,分三批,包括规划层面,技术路线方面,以及执行层面,可能遇到的问题。

▶ 1、言不及义:脱离业务逻辑的数据分析是浪费。

曾和合作伙伴探索过空压机的大数据分析。在涉及到工业设备的大数据分析应用中,有很多PHM的案例。但在跳到智能运维之前,最好先讨论一下预期的业务逻辑,我们的目标是做第三方运维业务(大数据用来提高维修效率),还是通过空压机的数据,来支撑一种新的业务模式,比如供应链金融、业务流程优化、能效优化等。

首先剖析一下,先不考虑现实条件,假设技术是百分之百的成功,这个技术实现之后,到底能干嘛?

一年的这种压缩机,它的运维成本到底是多少?如果我是这个设备制造商,我做智能运维到底是来帮谁实现什么?我的收入或者我的成本来自于什么地方?

如果智能运维的收入包括利润率都非常低,整个产业链,整个行业都还没有发力,不妨转变业务逻辑,不要急于模仿一些看似别人在其他领域已经成熟的案例,先灵魂拷问自己的商业本质是否合理。

1

▶ 2、指雁为羹:脱离约束条件的“乌托邦”很难成功。

案例:这类问题通常出现在一些调度优化、运筹优化层面,一讲生产调度或者运筹优化,大家很容易的就想做全局优化,这是大家的梦想,只有全局优化才能有提升的空间。但是现实中,要具体问题具体分析,不能脱离物理世界的约束条件。

例如港口的集装箱码头,其中一个很重要的问题就是码头的堆场优化。因为堆场决定容量,香港的码头是比较拥挤的,做对比优化的空间很大,效益也大,我们要分析船来了之后怎么快速的支持装货、卸货。

但是做堆场优化,业务范围到底做多大?客户希望做端到端的堆场优化,一个集装箱来了,就要决定最优位置。这里忽略了,为了做堆场优化,首先要有比较明确的集装箱的到达量预测,预测必须相对准确;第二,我要整个装备的维修周期数据,要获得排班数据,要获得船期数据等各种关联数据;第三,要避免场内卡车的拥堵,如果同一艘船的所有集装箱都放在一起,装船时候可能会造成局部拥堵。

现实情况下你很难获得这么全的数据,中间的约束很多,首先,流量预测就很难做的精准。第二,船的到达,按说有固定的周期,但是也有些天气因素,有些如当前疫情因素是不完全可控的。在这种情况下,如果做优化,是基于大量的假设,效果可能会打一些折扣。

不光在码头,其实工厂内的调度优化也是这样,我们虽然追求全局优化,但还是要考虑现实的条件,哪些数据不可得,包括得到之后他节省的成本到底有多高,都要认真考虑,当然技术上肯定会尽最大的努力来做。

▶ 3、空中楼阁:与组织形态失配的数据分析很难落地。

过去我们也做过一些,从技术上可行,甚至精度还不错,例如在设备故障诊断里一些重大部件的故障预测,虽然样本比较少,结合一些机理和数据挖掘知识,有的时候还可以做出来一个不错的结果。但是结果落地的时候,其实大家很沮丧,问题就在于我就发现一个问题,有的时候预示着在现有的考核体系下,可能会某种程度上暗示着现有的运维团队做的不到位,过去的定期维护做的不太好。这时候要指望现场一线团队给出真实的或者及时的反馈,通常很难。

大家可以联想一下,包括质量提升等各种课题都会遇到类似的问题,在工业以外,甚至在商业里的很多预测,推行的时候也会遇到类似的问题,这个课题正好是某个部门负责的,他天天用自己经验来做,现在你用数据分析比以前更好,除非这个项目从归口,从组织形态上做一定的调整,否则通常很难让他真正用起来。

▶ 4、避实就虚:追 “时髦”,讲“套路”,忘记了本来可行的做法。

例如院线的票房预测,上映之前的预测,会决定排片到底当时排多少场,排什么时间段,到底做什么样的排片策略?

当时Google发了一篇论文,说通过Google搜索量可以准确预测一个影片的票房,这是一篇引用度蛮高的论文,当时国内好多人非常兴奋,但把这样的方式应用到国内,发现精度并不理想。其实我们是半信半疑的,一个影片票房的基本面是什么决定的?

例如,电影类型与地区的匹配度,它是恐怖片还是什么片?院线里面不同的影院,比方有的是生活区的有CBD的;比方成都喜欢看古墓片,比方广州喜欢看粤语片,上海喜欢看小资片,比方哈尔滨基本上一般是抗战片、武打片比较好,不同地域的人的喜好,是不是都反映在搜索量上?除了题材之外,还有演员的活跃度,在社交媒体的活跃度,导演最近获过什么奖?包括题材是个什么片?后来我们加入了很多,比如地理信息,包括一些过去不同院线之间的销售趋势,包括在什么社交媒体上看演员之间的影响力的增长趋势,以及导演、演员和演员之间谁和谁搭配比较好。

我们当然希望用最简单的方式,就能预测票房、备品备件需求,但还是要多问问本质问题,基本面要考虑全一点。有时候不是难在预测上,而是要考虑一些外部的人为和不可控的影响,包括宏观经济的变化。

其实数据分析最应该做的,反而是那些现实中间时不时出现,但是人的经验又做不好,又特别期望数据能帮忙的一些场景。

这要求我们在数据处理上,即使有些情况基于现在的模型和数据支撑不了,也要预想到这些情况,至少知道这项技术的适用范围是什么,而不是做了一个在特定情况下特别好的东西,就推而广之。

任何模型都是物理设计的一个简化,都不可能脱离于物理世界,现在讲数字孪生体,也要看模型用于研发阶段还是在运维阶段,毕竟不可能有一个模型百分之百的等于物理世界。

在现实中说抓基本面,基本面是什么?比如做大宗物资的需求预测,就要梳理大宗物资供和需,它的驱动因素到底是什么?不用特别定量,先大概把关联因素梳理完。比如做设备的运行优化、故障监测,不要一上来就用各种复杂的公式,其实更应该了解基本量之间的影响关系、动员关系。

▶ 5、闪烁其词:在“科学”名义下,以“非科学”的态度去做“科学”的事情。

做工业数据分析,我们需要知道一个模型的使用边界,没有一个模型能解决所有问题,或者适用于所有情况,除非他是一个伪科学。

做数据分析6个阶段,真正耗时的是什么?是最早的业务问题理解,这也是最关键的阶段。当然CRISP-DM默认把社会分工做好了,假设数据分析师只做数据挖掘,数据分析,在现实中间不可能这么理想,有可能别人给你理出来的问题不一定正确,在某种程度上要重新定义问题,而不只是理解。

1

当然还有一些跨专业要理解,不熟悉的领域的背景知识都非常重要,做化工连化工原理都不知道,做电力连电力的基本动力学都不知道,去盲做就很容易挖出来一些常识,这是社会资源的一种浪费。

第二比较耗时的是数据准备,正常情况下数据挖掘非常好做,但很多时候,数据挖掘偏偏是处理那些看起来不太正常,但在现实中间经常出现的一些状况。作为一个严谨的数据分析师,我们要从数据中间,看到好多业务专家早期没有想到的一些信号,甚至是他认为不可能在数据中出现,或是他习空见惯,没意识到,没给介绍的一些情况,这些有时候会大大影响分析模型的准确度。要自动执行的时候,可用性是非常重要的。

数据只是一种表象,作为数据分析师,我们的态度是相信数据,但是不迷信数据,因为数据本身的采集方式可能会有偏差,比方以前讲的幸存者偏差,只有没被打掉的飞机才飞回来了,所以我们损失了很多,薄弱环节被打掉的一些信息。

有些数据的采集方式、采集精度,包括数据的样本选择上,可能会给我们误导,看起来做的不错,其实本身数据没有反映物理现实。包括传感器的安装位置,传感器本身的测量原理,可能会给数据本身带来一定的影响,这时候需要比较谨慎和乐观的态度去挖掘,同时要像其他工科一样反复推敲,这是非常纠结和磨难的一个过程。

从某种程度上,数据分析的整个过程,和传统的工科工程化方法是一样的。任何东西都是基于一定的假设所做出来,放到一个现实中,或者相对客观的现实中去验证,验证完之后,反复的去观察,这样才有可能从一定规律上反映了这个物理现实。

什么叫科学的态度,就是要反复问,任何东西都是可以被证伪或证实的,没有什么东西是绝对对或者绝对错的。

▶ 6、舍本从末:把一个简单的问题复杂化

数据分析师,有时候经意不经意地把一个问题给复杂化了,有时候有些工艺机理非常简单,基本面就在那,没必要把这个问题拔到一个深度学习或者一个什么高深的方法来做。

该简单的问题就简单处理,不要在不重要的地方花太多时间,好多数据分析师都是比较较真的,像我早期也是,细枝末节没搞清楚,心里就不舒服。数据分析作为一个工程化方法,要抓大放小,在一定的时间、空间、时间、费用的约束下,做到最好。

1

我以前学控制的,到大四的时候,接到一个实际卫星的姿态控制项目,上来我们就列状态方程传递函数,因为卫星模型也比较成熟,先证明稳定性,再通过根轨迹或者是波特图设计做控制系统的设计。我自己当时非常得意,因为上学上了十几年,第1次看到自己学了这么多年的东西,终于在现实中间有点用了。

我们去跟航天的专家交流,对方给的评价也比较高,当时我问,你们做卫星设计的时候,怎么做?他说,其实没有你考虑那么复杂,把不重要的全忽略掉,卫星三个轴都是耦合的,你不妨假设三个轴是解耦的,剩下的你就把它想象成一个刚体,到底偏了几度,你到底多少分钟想把它转回来?你能加多大的力?加多大力,电流马上就转换成控制参数。星箭分离之后,到底喷气怎么喷?你想加多大的冲量,一个冲量喷一下持续多少秒,然后产生多大冲量,冲量产生多大加速度,我要多少秒纠正过来?基本面就这么多,就这么简单。

当时对我触动蛮大的,不要一上来就把一些不重要的复杂因素都考虑进去,这个观念一路影响我后面的研究与分析。当然任何简化都是有前提的,在卫星仿真里面,这种简化是在小角度或者接近稳定的情况下使用,如果大部件分离或者太阳能翻板刚打开等大动态的情况下,简化是非常危险的。

风力发电机叶片结冰

风力发电机叶片结冰

再举个例子,风力发电机叶片结冰,可以做成结冰检测,在结冰严重,PLC警报之前,早期检测出来;也可以做结冰预测,但这两个问题难度差是十万八千里。结冰预测的前提,首先要做天气预报。大家也都知道宏观天气预报,气象局努力了这么多年,也上了很多手段,在有些地方有时候还是预测不准。且不说我们要做局部天气预报,每个风机每个截面都要做,还要做到以小时计,这非常难的,这是一个世界难题,非常难做。

我们有时候有意无意的把一个问题复杂化,做结冰检测,其实就看风机的运行状态,就看它的出力和风速的关系,有没有一个持续的缓慢的下降,或者再综合其他的故障信息,就能把一个问题简化不少。

▶ 7、因陋就简:数据基础不健全,就轻易放弃

是不是数据基础不好,我就不要做大数据?对数据分析师来说,数据质量从来没好过。

我也接触过商业的数据,银行的数据,电信的数据稍微偏好一点,但是对我们数据分析师那种孜孜不倦的要求来讲,数据质量从来没好过,我是深有体会。

以前在境外做过一个城市管网的失效预测,预测一个地下水管网,明年哪个管子可能会坏?从数据的质量讲,客户非常自信,因为他的信息化水平大概领先于国内十多年。我需要最基本的管网的管件、管材管理,所处位置,地面的交通数据、环境数据,包括附近有什么建筑物,他的土地利用性质,还需要天气数据……他说这都有,一个地方政府能把每条道路的交通流量,每个地方土地使用性质附近有什么建筑物,包括最近有没有下雨,甚至整个管网的压力区,平均水压是多少都能给出来。

如果单个看,每种数据缺失都不太严重,数据完整度能到80%。但是一旦把这些因素关联起来,要建模型的时候,我要把管网本身的特性、土地使用性质、天气信息、土壤的酸碱度信息等综合来预测,这时候一一关联起来就发现,真的有完整数据的管道,不到30%。

这其实让客户非常震惊,数据集相互孤立着,有些字段偶尔缺一点也不明显,但是对数据分析来说,我要关联起来看,要横着看竖着看,所以我对数据质量的要求非常高。

1

从我们数据分析来看,其实数据基础健不健全都是相对的,有些数据分析发现的数据缺失,也是帮助信息化建设来把它不断的补全的一个过程。有什么样的数据做什么样事,哪怕数据不全,也可以从简单的做,从容易的做,从基础比较好的地方做。

任何一个正常的科学技术都是有边界的,工业大数据作为一个技术,肯定有适用和不适用的范围。

如果大家在现实中遇到什么场景,我们愿和大家一起探讨,看看这个问题应该怎么定义,用数据能不能解,欢迎大家和我们互动。

(文章来自昆仑数据K2Data)

责任编辑:Keyi

买车卖车 养车维修 疑难故障 学大招

扫码加群 BOSS团同行好友等你交流

|收藏本文
  该内容由行业企业、终端个体、第三方机构提供,本网仅起到传播该信息的目的,如有任何疑问请与转载来源机构联系解决,感谢支持。如发现侵权,本网编辑部将协助进行处理或撤稿。
文章关键字工业大数据 避坑
相关阅读

工业互联网标识解析体系5+2国家顶级节点全面建成!

2022年11月20日,2022年中国5G+工业互联网大会正式开幕,大会由工业和信息化部、湖北省人民[详细]2022-11-24 10:03

智能制造工业大数据平台建设方案

智能制造工业大数据平台建设方案。 智能制造工业大数据平台建设方案 [详细]2022-04-14 14:51

制造业中小企业:到底是要数字化还是要转型?

企业是数字化还是转型? 移动互联网时代,数字化转型早已成为企业必须面临和解决的问题。我们常常看到的现象是,很多企业的管理者们穿梭于各种会议、论坛之间,与政府官员、行业精英进行各种探讨。总是希望专家的理论和现成的方案能解决他们建立数字化工厂,甚至智能工厂的问题。 但他们往往忽略到数字化只是技术手段,终究提供价值的应该是转型。而转型正是企业家自身应该思考的问题。所以当前面对数字化,智能化的企业转型,简称数字化转型,是制造业企业家深思的问题。 面临数字化转型,我们既要考虑数字化技术能解决什么问题,也要思考组织文化如何适应未来数字化的变革,同时还要考虑人才梯度的建设和跨界人才的引进。诸多问题当我们共同面对时,困扰和焦虑就会随之而来。 疫情下的企业转型思考 面对以前的困扰和焦虑,同时面对疫情带来的思考, 数字化转型是否有新的因素需要来思考。传统数字化信息化上大家强调三流:信息流、物流、资金流。这次疫情,企业家 应该重新审视起我们的忽视的企业运行中依赖的人流(人员的空间流动、人和人面对面的交互、人群体的综合决策过程等)。疫情直接影响最大的是人流 ,疫情直接阻断了人员的跨地域流动、人员聚集决策/行动,直接影响到商务洽谈、生产开工、运维等一些列活动。 现在掌握到的信息来看,相对于劳动密集型,或者是对于生产供应链人员上有依赖的生产型企业会造成比较大的影响。但如果在前期它的数字化程度比较好,所有的数字到现在只是一个技术呈现问题,这类企业复产复工会比较快。对于另外一些公司,设备在运行当中,所有设备的数据采集点都没有,当人员在家里时,复工复产就成为头疼的问题。在人员流动不受限的时候,有些公司对数据重视不够,可以靠人员汇报,靠手工记录、靠Excel等等来实现。 在今天,当人员流动受到限制,这种无人员接触的数据传递就显得非常重要。所有的智能制造、人工智能的第一步,就是生产过程的数据化以及数据呈现与流动,这成为突破人员流动受限边界的一个很重要的抓手。 这就提出数字化的另一个很重要的场景,当人员受限,企业方对设备运行状况的了解需求高的时候,数字化就显得非常的重要。前期在不觉得紧迫的时候,储备的工作做得怎么样,就成为解决现在问题的关键了。 以上情况更说明数字化转型已经面临一个拐点,数字化转型势在必行。新的时期我们应学会数字化生存。转型应该从何处入手,何处着力呢? 数字化转型顶层规划 企业的数字化转型,是企业家的决策。这不是简单的投资决策,而是一个公司5-10年的发展的决策,所以针对本企业的数字化工厂规划是企业家首先要思考的问题。 企业的数字化工厂规划,涉及到数字化工厂的设计,产品从设计端经过制造,营销,物流,到客户端全生命周期的梳理,软件的匹配和设计,自动化产线的配套,工业网络的搭建等等诸多方面,这里已经有许多不是传统设计院能覆盖的领域。 所以前期数字化规划需要各领域的专家最好是跨界的专家来出谋划策。需要企业家和领导层积极地与专家沟通,以便明确企业的需求,短板和积极意愿。 在企业接受专家的初步诊断和咨询方案后,专家带领的团队会安排3-6人的团队,花4-6个月时间,为企业的现有流程进行梳理。所以整个规划过程,是需要企业家重视和先期投入咨询费用的。 这对于很多中小企业需要改变观念,要认识规划和咨询的价值,适应数字化时代的生存法则。因为经过整体规划,咨询团队会对企业的生产流程,产线布局,产线上的人员和节拍等做精益的梳理。针对当前的数字化水平做出评估,并对企业的软硬件体系,组织架构和人员技术水平,做出深入调研。然后再对以上问题,几易其稿给出厂房,产线,设计,制造,工艺,网络,自动化,人员培训等诸多环节的解决方案。然后再和企业家及管理层一起根据企业的投资规模,人员数字化水平,和企业急需解决的短板,做出3-5年的数字化改造推进计划。这样既避免了盲目投资,也能够量力而出,帮助企业的数字化的转型稳步进行。 这些年来,见证过多家企业的投资和改造,其中有只重设备硬件忽略软件配套,或者只考虑信息化,而只上软件系统, 忽略了对流程,工艺和数据采集的改进,这些都会对转型的效果有很大影响。也有不考虑自身的人员水平和对数字化的理解,在软件和硬件上做了大量投资,但发现在整体集成时,无法匹配兼容,服务费用昂贵,系统无法全效率运行等。以上三种情况都会使企业有挫败感,从而影响数字化转型的积极性。 所以专家团队帮助完成的数字化工厂的规划,是针对短板,和问题,结合员工素质,分步投入,步步跟进。只要持续推进,数字化转型必然能看到效果。 转型环节中的问题和方向 数字化转型还涉及多个环节,这里再从产品设计,生产制造中的数字化,以及工业网络及协同,工业大数据,市场营销,组织变革等几个细分环节,谈谈我走访过的中小企业所遇到和面临的问题,以及变革的一些建议。 01、设计环节 首先是产品设计,作为整个产品生命周期的第一个环节,他既是创新的环节,也是知识积累与沉淀的环节。目前国家进入了改革的深水区,国内不少企业的科技与技术发展进入无人区和技术引领区。原始创新将成为这些企业发展的原动力,而创新的基础则是知识积累,如何将以往的经验和设计有效保留并传承下去,如何为创新所用,正是数字化转型所要考虑的问题。 我所走访的企业中就发现到,很多企业设计人员使用的设计软件,版权形式各异,软件各异,软件版本各异等等诸多问题。多篇文章谈数字化都强调过,数字化的核心就是数据和数据的流动。以上的问题就会造成数据的不兼容难以读取,数据难以传递甚至难以存储,数据难以变成信息和知识来传递。 所以企业尤其是快速发展的中小企业,一定要重视设计当中,数据的统一性问题。国际上著名的设计软件公司像法国的达索,德国的西门子,美国的PTC,软件之所以强大,不光是功能块众多,界面友好,使用者众多。核心是他们经过十几年甚至几十年发展,所有功能块的产品数据一直能够保持存储在一个统一的数据库里,客户几十年的设计只要不断地随软件升级,几十年的经验和知识就能积累下来。这才是他们的客户不离不弃的原因。 所以国内的企业在设计环节一定要注意使用软件时的数据统一问题,让自己的创新设计有数字化的原发动力,让产品设计既有创新又有积累。 02、生产环节 设计之后数据图纸要继续通过制造加工环节变为产品,目前CAD(计算机辅助设计)到CAM(计算机辅助制造)技术已经成熟并得到使用,现在不少企业的生产和加工设备局部或单机也都达到了先进水平,但从数字化工厂或车间的角度,整体最优或系统最优才是效率的最高体现。所以我们要考虑设备如何通过网络并联和串联,并与生产管理软件联通,从而使整个系统 达到最优,这才是评估生产系统的先进性的标准。这是值得企业管理者认真思考的问题,其中一点就是在采购设备时,一定要考虑网络的接口和协议,这样才能保证设备的互联互通,从而形成系统。 制造当中装备系统要求最优的应该是生产流水线,随着客户对个性化的要求,产线的柔性化要求越来越高。如何在柔性的基础上还要保持可靠性和效率最高,这也是对企业的装备设计和集成能力提出来很高的要求,也是数字化转型的重要环节。 其中的中小制造企业在这方面更是有很大的提升空间,面对产线的柔性及自动化的改造要求,企业家要抱有一个良好的心态。 因为柔性和为企业量身定做的,具有先进性的产线,都不是简单复制来的,我们要把他也作为一个研发项目来对待,要允许合作的系统集成商有失败和试错的可能,本着长期合作,成为伙伴的诚意来共同开发产线。让研发的装备产线成为自己独特的竞争力。 本人在一家有八十多年历史的德国制造企业工作,他的发展可以给国内企业很多借鉴。他的车间展厅还摆放着六十年代,七十年代,八十年代不同时期的装配设备,可以看到他的产品装配由单机到联机到产线的演变过程,同时看到了他由合作到自主研发,到成立装备系统部独立研发的整个过程。正是他产线的独特性和高效以及先进性,才保证了产品的先进和不可复制,从而保证了产品的市场占有率第一。所以产线的独特性也能造就产品的独特性。 企业管理者在制造过程中面临的另一个问题是整个制造的管理像一个黑匣子,而如何让这个过程透明,真实的反映整个生产过程,数字化也是一个必须推进的过程。只有把设备,进度,质量,工期等数据真实,准确完整的采集上来,才能够让整个生产过程透明化。 很多企业已经使用了ERP和MES,很多企业管理层也认为使用了这些软件就实现了数字化,可是如果数据还是由报表录入或手工填写,那还是有延误,失真和疏漏的情况。不真实的数据推断出的结果也是可想而知的。 所以企业往往会遇到两个问题,一是企业家有没有勇气和魄力去推动透明化,打破这个黑匣子。二是负责生产管理的中层愿不愿意配合来打破这个黑匣子。这会涉及到公司的文化和组织的变革,也是转型的阵痛,这需要企业家深入去思考。 上面已经讲到企业透明化的管理依靠的是真实可靠的数据。生产和制造当中 ,以往我们更重视的是产品,互联网时代,很多企业也理解了数字化的含义。但是数据如何有效采集,如何与管理系统无缝连接,如何构建工厂内部的数据高速公路,如何让海量的工业大数据为我所用,这涉及工业互联网也涉及工业大数据技术的问题。 03、工业网络及协同 这里首先谈工业网络及协同,工业互联网作为国家重点支持的技术,得到大量资金和政策的支持,国家层面也成立了工业互联网研究院,和由中国信通院牵头成立的中国工业互联网联盟。 由信通院组织编写的工业互联网架构里,把工业互联网分为工业网络基础设施和工业网络新业态,针对中小企业的数字化工厂网络建设,工业网络基础设施是重要基石,如何构建工厂内部数据的高速公路,是数字化工厂的核心目标。 工厂级的工业网络,核心要求就是可靠性,低时延,高带宽,其中可靠性是重中之重,有些企业在搭建网络时,没有考虑工业环境下网络设备的工业级别要求,盲目的用商用网络设备搭建网络,造成了数据丢包,数据拥堵,和网络瘫痪的重大问题。 另一个问题就是底层制造设备的数据不兼容,因为采购厂家众多的原因,设备有多个网络协议在运行,如何做好协议之间数据的转换,如何保证同步,这都是未来建设中考虑的问题,建立一个处理多种协议的数据中台,是目前的一个解决办法。 04、工业大数据 工业大数据是工业网络构建和数据采集后企业需要面对的问题,生产制造当中有大量的数据产生,当我们面对这些海量数据时,是该采集以后先存储起来,还是现在就投资边采集边分析,这是企业管理者需要决策的问题,这一点已经在数字化规划中谈到了,这也是规划中的重点环节。这里只谈在数字化转型当中,工业大数据分析能为企业带来什么。 以风力发电设备为例,在06,07年的时候,工程师维护是要到客户现场用手持式设备,爬到很高的风力发电机上面,把这些数据采集下来,再回到控制中心然后对这些数据做一些分析,才能找到病因,发现问题。 现在随着移动通讯技术的不断发展,我们可以远隔千里之外,就可以拿到这个设备的运行参数,而且这个参数还是实时的。这些实时的数据的接收进来后,我们可以通过这些参数了解这个设备当时的一些运营情况,我们还可以通过这些参数和历史的一些数据,对设备的运行做出判断。 那么有了这些数据之后,我们甚至还可以对这个设备未来发生什么做出判断。以前离线数据只能判断单台的设备,而现在我们实时的数据不仅可以去看单台的设备,我甚至可以看很多的设备。有了这些运行数据之后,我们甚至还可以把这些运行数据和设备的设计参数做匹配,打通设备从机理设计到运行工况全寿命周期的每一个节点。 那么这个它不仅对设备的运行有很大的范围的一个了解,甚至我们还可以根据出现的问题或者说诊断的结果,把它反馈给前端的设备的设计阶段,做设备的优化设计和优化改革。我们还甚至可以把这些设备的特点或者说故障的类型做归类,然后用更高效的大数据的方式对设备做远程的管理。 远程管理可以对设备的故障做一个简单的预判,在未来我们可以用风机设备大数据的模型可以给设备的运行和维护做更严密 ,更准确的一个判断。 从单一的设备离线监测到单一设备的全生命周期的管理,再到同类型设备的趋势分析和远程运维,这就是工业大数据的发展运用的过程。未来的数字化工厂的工业大数据也是这样的发展过程。 当完善了数字化工厂以推动数据的产生和流动为目标,并对其进行分析利用以后。产品通过仓储和物流将会到达客户手中。 在数字化的时代,我们如何为客户画像,如何定义自己的客户,如何满足客户的需求又能保证企业的高效和利润。这也是转型中企业共同面对的问题。 05、数字化营销 同为制造企业面对客户的市场 还分要为B To C(直接面向消费者)和B To B(面向企业类客户)两大类,数字化营销的方式有共通的,也有不同。 BtoC的市场,企业都希望打造爆款,来推动销量和利润。打造爆款既有设计如何满足消费者需求的问题,也有如何让产能和物流满足畅销的产品及时快速到达消费者手里的问题。针对这两个问题,营销当中我就需要第一,如何让设计新品尽快到达消费者手中,尽快得到真实的体验反馈,从而让新品能与所需市场对接,尽快完成形成爆款的过程。第二就是如何从市场的反馈当中,发现有潜力能成为爆款的产品,从而能让生产制造,仓储物流及时调整满足即将到来的需求,这也是未来数字营销要解决的问题。企业最心痛的就是明明打造出了畅销产品,却因为产能和物流的问题,迟迟满足不了客户需求,最后产能和物流问题解决了,客户需求没了。或者明明打造出好的产品,却没有找到需求市场,最后被模仿者赶超或被新品替代。 BtoB市场,企业希望是找到有大项目的客户,或长期稳定配套的大客户,从而使企业的规模和形象上一个台阶。而这样的客户对品牌的依存度强,对质量和可靠性要求高,对售前和售后的技术服务水平要求高,新品和替代品的检验测试严格并且周期长,行业特征明显,相对于个人消费,企业客户更理性。这往往要求企业的 从研发环节就要研发与制造部门与客户的研发,质量甚至客户的客户对接,物流与客户物流系统对接,如果客户的整体数字化水平很高,还会要求制造企业的数字化系统与他们的高水平数字化系统对接。 这就要求企业的营销团队,既了解客户的数字化体系,还要了解本企业的数字化体系,以适应新的数字化时代的要求。而针对消费者的营销也是越来越依靠数字化的手段,要学会用互联网和大数据的手段找到和分析消费者,还要通过互联网的渠道快速定义客户。 如果从设计到生产制造,物流,营销,再到客户,如果都用数字化技术打通,数据能利用互联网和工业互联网流畅地在各个环节流通,再有大数据,人工智能的手段对数据分析,算法处理。那以上营销的问题也迎刃而解。 现在的消费品市场和工业品市场已经有了巨大的变化,消费品市场随着共创,直播,微店等各种围绕互联网的商业模式涌现,消费者个性化的消费越来越受重视,个性化产品的大规模定制将是消费类产品的主攻方向。而工业类客户会更注重智能化的整体方案,也会催生制造企业由生产型向服务型转型。由此可见,数字化时代转型是大势所趋,迎接变革,学会数字化时代的生存。 06、数字化时代的组织变革 理解了数字化转型中各个环节的问题,和未来方向,我们就要思考和反思哪些要改革,哪些要保留,放弃什么,坚持什么。除了技术和管理的方法,企业家也要思考企业的组织架构如何适应数字化时代的要求。 数字化时代越来越多的决策由中高层下沉到基层。95/00后进入劳动力序列,企业面临四世同堂的管理困境。企业资源不足,需雇佣数字技术与多元人才,可能冲击文化。互联网带来的信息便捷,让劳动关系松散,企业越来越多的采用借用,合约的形式获得专业人才。业务自动化,工厂无人化,对领导方式的挑战。种种问题既是技术变革带来的冲击,也是数字化推动当中自发带来的组织变革要求。 迎接变革和挑战,企业数字化转型也恰逢其时。转型离不开人和组织,组织变革是数字化转型的重中之重。这也是我在企业走访中,一直和企业管理者强调的,制造企业实现智能制造,实现数字化转型一定是一把手工程,一定要得到企业家的重视。因为这都涉及到组织的变化,和企业资源的重构。没有一把手的重视和拍板,这些变化和重构就无法发生。转型本身是动态的,在转型过程中如何建立并调整与转型匹配的组织机构也是领导者必须亲力亲为的。 面临数字化转型的组织变革,既是数字化的,也是动态而且是持续的。所以转型转的是领导力,也是组织文化。让员工,部门都能体会数字化的魅力,并参与到公司数字化的氛围当中。 组织建设中,管理中高层的领导力也要适应数字时代的新要求,如引领变革,驱动创新,深化协同合作,大胆授权,赋能员工,激发热情,数字化敏锐度和觉察力等等,能力的培养需要时间,也需要变革的过程来体验和锤炼。所以当确定好数字化转型的决心后,就可以推动变革中建立文化,培养能力,锻炼人才,不要靠等待来复制能力和组织。变革中产生组织是动态,所以组织建设只要把握住方向,不必追求具体的架构和形式,因为数字时代的特点就是变化,核心就是高效,敏捷,开放,平台化。再以本公司中国公司为例,全球总部制定了公司数字化转型的战略方向 ,以及应对数字化转型的策略时,中国公司就坚定了自己的数字化转型之路, 从高层到中层都取得共识,开始了组织再造的六步法: 1.贴近市场,赋能一线 2.一线精英化 3.服务专业化 4.职能平台化 5.打造核心竞争力 6.持续转型和鼓励跨界流动 然后又制定了整体的行动策略: 1.文化理念重塑和领导力行为准则 2.数字化转型战略的思考 3.实现有价值增长 4.提升本土竞争力 5.打造赋能平台 6.数字化转型的路径和组织梳理 这一切都是上下统一,讨论和碰撞出来的思想,也是边学习边总结出来的,不是一成不变,随着公司发展成长都会有变化和调整。所以针对国内的中小企业,要考虑自己组织的变革,不用太焦虑于现存的架构,微调和大调决定于自己的决心也在于数字化转型的进度。多思考要改变什么,坚持什么。 结束语 数字化转型核心是真实可靠的数据,目的是推动数据在全生命周期的价值链里流动。不同的公司有不同的方式方法,但是一定要建立数字化时代适应数字变化的思维,有时候思维比变革更重要。有了数字化转型的思想,才能考虑顶层规划,才会考虑组织变革,才会去摸索和实践。[详细]2022-04-13 18:22

全国政协委员徐晓兰:利用工业大数据加速构建“两业融合”现代产业体系

“积极推动利用工业大数据加速‘两业融合’现代产业体系构建具有重大战略意义。”全国政协委员、中国工业互[详细]2021-03-10 17:27

工信部开出“药方”祛除工业大数据“顽疾”

工信部消息,6月12日,工信部副部长辛国斌赴中国工业互联网研究院调研。辛国斌要求重点做好以下几方面工[详细]2020-06-16 13:08

+加载更多新闻
热点专题 更多>>
河北鹏远:坚定道路自信

河北鹏远:坚定道路自信

在工程机械行业的广阔天地里,刘悦以其对事业的无限热爱和坚定信念,带领河...详情
海伦哲高空作业车体验

海伦哲高空作业车体验

在时光的长河中,总有一些瞬间,如同星辰般璀璨,照...详情
卡特彼勒用服务提升价值

卡特彼勒用服务提升价值

【第一工程机械网 原创】彼得·德鲁...详情
徐工首席服务专家:程帅

徐工首席服务专家:程帅

【第一工程机械 原创】太行层峦叠嶂,气势磅礴,汾...详情
专访协会租赁分会秘书长

专访协会租赁分会秘书长

2024年已经过半,面对市场的不确定和竞争的白热...详情
投稿邮箱:news@d1cm.com
服务热线:400-6789-326

CopyRight © 2000- d1cm.com, All Rights Reserved 第一工程机械网 版权所有

京ICP备10026412号-15 京ICP证060286号  京公网安备11010502049281号 网络视听许可证0113658号 广播电视制作许可证

客服电话:400-6789-326 新机业务按 1,二手业务按 2,商务合作按 3

关于我们 | 本网动态 | 会员服务 | 广告服务及报价 | 商务合作 | 招聘英才 | 法律声明 | 网站地图 | 联系我们