本文图片来源：A3

　　通过大数据分析，制造商可以找出运营中的瓶颈和低效环节并加以改进，但企业在应用时也需要考虑一些关键因素。

　　通过基于人工智能（AI）的机器视觉来实现检测过程的自动化，制造商可以持续推进质量改进计划，从而提高产量和过程效率并降低成本。在更高的层面上，很多制造商正将这些努力视为与工业4.0或工业物联网（IIoT）相关的、更广泛智能制造战略的一部分，即使用快速、简单和具有成本效益高的技术来提高灵活性、效率和创新。

　　“归根结底，能够通过提高质量、降低成本或两者兼而有之来产品差异化并提高竞争力的制造企业，才能获得更好的发展。”Neurala公司首席执行官Max Versace表示。

　　NextLink Labs的首席信息安全官Jeremy Dodson对此表示赞同，通过自动化特定过程和使用大数据分析，制造商可以找出运营中的瓶颈和低效环节并加以改进，从而提高生产效率。

　　01  大数据对自动化的好处

　　Gartner将大数据定义为高容量、高速度和高多样性的信息资产，这些资产需要具有成本效益的、创新的信息处理形式。通过有效的分析工具，制造商可以从大数据中获得洞察，并就其运营、供应链和产品开发做出明智的决策。通过收集和分析生产过程中的数据，制造商可以实时识别和解决质量问题，从而提高产品质量。

　　利用大数据和分析来更好地了解客户的需求和偏好，制造商可以改善客户体验，不仅可以提高客户满意度，还可以通过更短的创新周期来实现产品的个性化。

　　西门子公司边缘/工业物联网产品营销经理Chris Liu表示：“由于5G无线、OPC和其它全系统IP标准的快速发展，可用数据量呈爆炸式增长，这些标准推动了设施中安装和连接设备数量的增加。”

　　然而，随着大数据持续呈指数级增长，暗数据或组织中没有任何人使用的数据数量也在增加。根据TRUE Global Intelligence最近发布的一份“暗数据状态”报告，企业中约55%的数据不仅未被开发，而且实际上可能完全被隐藏、未被发现、未量化，甚至不为人知。

▲数字优化涉及应用大数据和AI来提高生产效率，而数字化转型则从根本上改变了企业的运营方式。

　　“大多数公司产生的数据已经远远超过了他们的使用量。”微软公司制造业行业主管Jeff Winter说。得克萨斯大学的一项研究指出，数据可用性增加10%会导致《财富》1000强公司的平均收入增加20亿美元。他解释说，在企业提高管理和处理如此海量数据的能力之前，必须明确工业4.0的愿景以及它对企业的意义。

　　在数字化转型方面，企业可能有很多不同的目标。优化生产与降低成本、拓展新市场、创建新的业务模式或改变客户体验有着不同的标准。这一切的核心是获得和利用这些数据的能力。

　　02  数字化优化与数字化转型

　　目前，许多公司都专注于数字化优化(Digital Optimization)，这意味着只是在当前基础上做得更好。优化本身并不是特别具有变革性。优化可能涉及大数据和AI应用，例如，在减少浪费的同时，更快、更高效地制造产品并将其交付给客户。

　　相比之下，数字化转型更关注于使用大数据和AI从根本上改变公司的运营方式。数字化优化和转型带来了不同的挑战、优势和复杂性。不管最终的目标如何，数字化转型通常都要困难得多，因为它会影响整个组织的所有人员和流程，而优化则很少有这样的影响。

　　“例如，我们正在合作的一些企业，他们的整个数字化转型使命是改变客户体验。制造只是其中的一小部分，但这也包括一种全新的业务模式，即基于成果的合同，将产品作为服务进行销售，这也会显著改变运营管理、项目管理和工程。”Winter说。

　　03  制造领域关键大数据的注意事项

　　在定义愿景、选择目标并决定是否专注于数字化优化、转型还是两者兼顾之后，下一步是了解需要解决的问题，并确定为每个问题需要收集的数据。

　　例如，如果一个项目以最大限度地减少产品召回费用为中心，那么仅仅存储被检查产品的图像和检查结果是不够的。Versace解释道：“如果你想在召回事件中迅速采取行动，那么获取生产日期、时间、批号、产品编号、分销商或客户发货地点也很重要。只有这样，您才能开始定义数据的收集、组织、保护和存储过程，以便在需要时快速访问。”

　　数据治理是另一个需要考虑的关键因素。Dodson表示，必须制定明确的政策和程序来管理和保护数据，包括谁可以访问数据以及如何使用数据。制造商应实施强有力的网络安全措施，防止数据泄露和网络威胁。这包括加密、防火墙和安全的数据存储。

　　数据质量也至关重要。必须确保所收集的数据是准确和相关的。这需要验证数据质量，并确保数据得到一致的管理。数据分析是成功的另一个关键因素。制造商需要有一个分析和使用所收集数据的计划。这可能包括使用数据可视化软件等工具，或雇佣数据分析师来帮助解释数据。

　　“在数据存储和基础设施方面，制造商应该有一个可扩展和可靠的基础设施来存储和管理其运营产生的大量数据。”Dodson说：“数据隐私也非常重要。制造商需要对如何收集和使用数据保持透明，并尊重客户和员工的隐私。这可能需要实施同意管理系统并遵守相关的数据隐私法规。”

　　在制造业方面，数据稳定性是一个不能忽视的关键因素。Liu表示，“虽然100毫秒的数据采集率令人印象深刻，但系统稳定性对于确保数据在采集周期内不丢失至关重要。”

　　最后，为了让大数据发挥最大价值，制造商可能需要在不同部门和系统间共享和整合数据。这样做需要仔细的规划和协调，以确保以安全和可控的方式共享数据。

　　04  边缘计算与云计算的权衡

　　在越来越多地使用技术和自动化时，需要仔细权衡边缘计算和基于云的方法之间的利弊。可以采用混合的方法，平衡处理速度与处理能力的需求。对于工业应用而言，现场部署的边缘计算在实时处理方面总是比云计算更快。

　　采用本地部署方式，制造商可以更好地控制基础设施和数据，因为它们都位于企业的设施内。在某些情况下，本地部署方式可以提供更高的安全性，因为制造商可以更好地控制其数据中心的物理安全，并根据需要实施额外的安全措施。

　　不过，它的缺点是前期成本较高。因为制造商必须购买和维护所有必要的硬件和软件，建立本地基础设施可能比使用基于云的服务更昂贵。可扩展性有限是另一个缺点。本地部署的基础设施需要实际添加或移除硬件，因此随着需求的变化而扩大或缩小规模可能更具挑战性。

　　相比之下，基于云的解决方案提供了更低的前期成本。基于云的服务通常是在订阅的基础上付费的，这比购买和维护本地硬件和软件更具成本效益。因为云服务供应商可以根据需要添加或删除资源，基于云的服务通常更容易随着需求的变化而进行扩展或缩减。

　　云服务对基础设施和数据的控制较少。通过基于云的方法，制造商依靠供应商来维护和保护基础设施和数据。虽然云供应商通常都有健全的安全措施，但仍存在数据泄露或其它安全事件的风险。

　　最终，在边缘部署和基于云的方法之间如何选择，取决于制造商的具体需求和优先事项。制造商必须仔细评估他们的实际需求，并选择最能满足其安全性、成本、控制和可扩展性需求的方法。

　　虽然大数据和自动化优势巨大，但制造商在推出新技术时优先考虑网络安全至关重要。如果没有适当的网络安全措施，制造商就有可能暴露敏感数据，并遭受代价高昂的漏洞攻击，这可能会抵消技术进步所带来的好处。

　　关键概念：

　　■ 数据分析工具可以帮助制造商分析海量数据，并对其运营做出更好的决策。

　　■ 制造商可以提高客户体验和满意度，同时通过更短的创新周期，生产更好的产品。

　　思考一下：

　　为了让大数据发挥更大价值，您的企业都做了哪些尝试？