数据收集和高级分析带给制造业的三大好处

制造商经常利用数字化策略提高自身竞争力，解决劳动力短缺问题，提高生产效率。这些努力是基于保持行业领先地位的愿景，而不单单是降低竞争力风险的措施。

然而，收集数据会推动一波又一波的创新，以创造快速、大胆、有竞争力且灵巧的组织，实现降本增效。

让我们看看数据收集可以改变运营的三种方式。

1、对模式和关系的高级分析

传统商业领域的管理主要通过使用Six Sigma或者Lean来改善生产过程，以减少产品生产过程中的可变性。但是，在相同或更少投入的情况下提高产出会被无数变量影响，不管是单个变量还是多个变量都可能使之前的努力白费。

所生成的车间数据量对于我们来说过于庞大，却能为制造厂商提供有深刻意义的见解。对制造商数据集的高级分析能力使企业能够寻找数据间的模式、敏感性和相关性，以实现有意义的产量增长。下面我们来看一个关于贵金属矿的例子。

一个矿山的矿石生产量下降了20%，这时候就需要优化运作方式而不仅仅是提高开采速度。管理层运用高级分析能力分析了大量变量和用来采矿的多个设备。开采的过程包括研磨、氰化、氧化和浸出，包括多个复杂的参数。

分析表明，浸出过程的一个核心参数是溶解氧，它将氧气浓度与过程控制的波动相关联。当氧气水平达到峰值时，矿的生产水平也会有所改善。据此，团队对矿石的浸出回收过程作了细微调整，使得矿山在三个月内的平均生产量提高了3.7%。在没有资本进行投资和重大变动的情况下，该矿山年均利润增长了10000万到2000万美元。

2、使用机器学习和人工智能技术

机器学习和人工智能的应用，再加上工业物联网（LLOT）和边缘计算的爆炸式增长，已经彻底改变了设备的维护工作。

像石油、汽油、矿产、化工、纸浆和纸张等资产密集型行业的制造商，正逐步成为以机器学习推动预测性维护为目标的行业领军者。在这些企业里，关键资产出问题将会给企业带来重大灾难，甚至会影响到生命安全、环境以及经济生存能力。

预测性维护使企业维修专业人员能够锁定关键设备。预测性算法在监测实时运行时可以回溯并学习历史运行数据以识别操作特性的失败，而这种失败则预示着给未来带来损失失败。虽然这个过程既复杂又费时，但对制造商来说确是利大于弊。

一家大型海上石油和天然气生产商在9个海上平台实施了PdM。工作开始之初，它只负责识别那些因故障产生重大影响的关键设备。在此基础上，生产商们可以确保将投资回报率控制在可接受的范围内。

在对30年的运营数据进行分析引擎训练后，数据科学家建立了数百个高级分析模型，并实施了一个测试制度，将误报率降低到可接受的水平。平均减少了20%的停机时间，年产量增加了50多万桶石油。

3、全面了解供应链

几年前，一个对623家企业的调查发现，近60%的公司认为他们的供应链是一种竞争优势，77%的公司声称会将其营业额的5%至15%用于解决供应链问题。

这些企业TOP5的技术都与数据管理有关。并且，获得供应链的全面可见性战略已经从2015年的第六位上升到2017年的第三位。

随着最近的疫情和全球供应问题的产生，人们只能推测出事情的优先项。下面的图表说明了受访者认为他们在供应链中的可见度。

利用大数据可以为供应链提供端到端的可视性，并支持更先进的自动化技术，改善企业间的关系，提高生产力和部门协作，使制造商能够及早发现问题，并能更加灵活和主动地处理问题。联邦快递每天处理超过900万件货物，它已经意识到这种数量的数据所带来的潜力。

联邦快递没有将精力放在支出分析或者需求计划上，而是利用大量非结构化的数据得出更全面的观点。一个成果是使用GPS传感设备和基于网络的协作平台来跟踪时间敏感和高价值的货物。

该举措使重要领导或客户能够收到实时警报、分析和更新，在货物打开时给出精确的位置、温度读数和建议。德勤咨询的经验表明，通过更好地分析供应链数据，这些公司可以实现2%至4%的利润率增长。

写在最后

数据收集和高级分析为制造商提供的远不止是保持其竞争地位的机会。如果使用得当，它可以重塑一个组织，改变供应链，利用大数据和预测性分析来重构生产线，并提高工作效率和可持续性。虽然这个过程无疑是复杂的，也可能是耗时的，但投资回报率是一个令人信服的理由。