大数据在制造业中的10大数据用例分析

如今，生产行业被描述为大数据，智能工厂，工业4.0和物联网（IoT）等术语。这些术语都与第四次工业革命有关，第四次工业革命的特点是制造技术的自动化和数据交换。使机器和产品本身甚至员工可以通过传感器，条形码，GPS信号相互通信，同时创建每次交互的记录。  

制造业是受大数据趋势和可能性影响最大的行业，因为它产生的数据的性质和数量。大多数制造商刚刚开始发现使用大数据工具的潜力，但最大的制造商中已经有一些先驱者提供了一些大数据用例。

1.风险管理

供应链管理有许多不同的领域，大数据可以提供重要帮助。
供应商现在可以选择与合作伙伴和客户共享他们的生产数据，从而为双方创造完全透明和高效的沟通渠道。通过这种方式，制造商可以准确地查看供应商是否延迟生产或及时，然后调整所有相关流程并避免等待时间。
质量数据也可以以相同的方式共享，制造商可以在收到零件之前从供应商处获得所有与生产和产品相关的质量指标。
通过更好地了解供应商质量水平和其他绩效指标，制造商可以清楚地了解其供应商组合，并在供应商合同谈判时掌握有见地的数据。
提供供应商生产和质量信息还可以提供更好的风险管理所需的所有数据和见解。供应商依赖关系是可量化的，允许制造商在战略风险管理方面做出基于事实的决策。

2.构建订单配置

制造“订购产品”成为一种趋势，不仅在汽车行业，而且在航空，计算机服务甚至消费品领域。按订单生产（BTO）生产方法是一种非常有效且有利可图的商业模式。但是，为了从中看到真正的增长，需要有一个定义明确的数据平台来分析客户行为和销售数据。制造商需要能够访问所有销售数据，并能够进行精确的预测分析，以预测每种可能配置的订单量，并相应地调整其供应链。此外，还需要销售和生产数据分析来确定每种产品配置的盈利能力。通过这种方式，制造商可以定义其理想的产品组合，以便在给定时间内实现最高的收益。

3.提高产品质量

产品质量维护是制造商的首要任务。他们中的大多数已经拥有显着提高质量水平和降低质量相关成本所需的数据，但只有极少数人能够以提供可操作的见解的方式连接他们的数据源。

在测试中使用预测分析时可以节省大量成本。单个产品可能需要数千种不同的质量测试。如果使用模式识别和预测分析来确定真正需要的测试的数量和类型，而不是对所有项目执行所有测试，则可以大大减少所需测试的数量。

通过大数据分析，还可以显着提高生产线质量。传感器数据分析可以及早发现制造缺陷，从而减少与调整生产过程相关的时间和成本。  

4.售后

即使由于生产过程中的最小错误，保修和召回的成本也很容易失控。借助大数据，可以避免或预见保修或召回问题，从而可能节省大量资金。这些保修相关成本往往与制造过程的质量直接相关，因此处理生产数据的智能分析工具可能对制造过程和制造的产品质量产生重大影响。

5.跟踪日常生产

为了优化生产质量和产量，制造商需要从他们的生产线获得每日数据流，以便实时查看差异和机会。这包括来自生产机器的传感器数据以及与运营数据正确链接在一起的财务信息，以便进行分析。通过允许员工徽章和生产线单元之间的数据交换，还可以实时跟踪员工数据。

因此，只要有合适的工具可用于数据分析，来自生产线的所有数据都会为优化，成本节约和预防创造持续的机会。

6.数据驱动的企业增长

通过使用大数据，可以快速比较不同站点的性能，并找出差异的原因。除内部生产和销售数据外，还可以分析整个市场，构建假设情景并使用预测模型。

获取这些类型的见解意味着可以根据事实数据回答与全球增长战略相关的问题。在收集和分析相关数据后，诸如在何处开设新工厂，应该重新定位/关闭哪个公司站点或是否引入新产品等问题都很容易回答。

7.预防性和预防性维护

由于现有的传统传感器技术，可以从几乎任何类型的机械或消费产品中实时收集和分析操作数据。

当使用模式识别方法分析操作数据时，可以提前预测即将发生的故障和维护需求。这样可以防止与维护相关的停机时间和成本。同时，预防性维护将通过防止不可逆转的故障大大延长机器的使用寿命。

预测性维护是一种不仅用于工业而且用于消费产品的现象，通常对维护的需求将取决于产品的使用。在消费电子产品中，生产者经常跟踪设备上的消费者活动，然后提前通知最佳维护时间。这创造了理想的用户体验，同时大大降低了制造商的维护和保修成本。

8.架空跟踪

间接成本决定了每个制造商的盈利能力。为了对这些成本进行真正的控制和可视性，需要使用连接数据源和高级分析功能的大数据环境。
部分标准化是可以极大地促进降低供应商相关成本的重要领域之一。它可以显着减少零件和供应商的扩散。这不仅节省了成本，还节省了管理零件数据的时间。
人工成本跟踪是另一个可能影响间接费用的重要领域。制造业平均30-40％的间接费用是由人工成本决定的。因此，关键是不仅要将工作角色和工资与某些流程联系起来，还要与个人联系起来。可以使用放置在车间的传感器跟踪员工徽章。通过这种方式，制造商可以确定流程中每项任务的确切成本，并分解为个人。

9.测试和模拟新的制造过程

在实施新产品或新工艺时不必承担风险的那一天，制造业已经到来。制造过程和产品都可以在生产/实施之前进行测试。这可以归功于数字双胞胎，虚拟现实环境和制造过程模拟。使用此类环境和工具可以使制造商消除决策过程中的风险。制造公司所谓的数字化转型的目标是实施这样的数据平台，使战略决策成为一门科学。  

10.物流

在物流方面，大数据的使用不如其他制造领域广泛使用。仓储和运输都是大数据工具可以使用的领域，投资回报率很高，但是，世界上只有少数公司在运营数据驱动的物流服务。仓储自动化的先驱是DHL，亚马逊和Ocado，仅举几个例子。这些公司用智能机器人取代了大部分人力资源，这些机器人系统地在仓库中移动来挑选和收集每个单独的交付项目。这些公司的交付速度呈指数级增长，人工和人为错误的成本也随之消失。

一些最大的物流和制造公司的运输也正在发生变革。大数据基础设施使他们能够实时跟踪货物，天气和道路状况。这样，当由于任何变化而可以实现更快和/或更具成本效益的路线时，卡车可以在途中随时转向。可以避免自然灾害和其他不可预测的事件，为一些最大的运输商每年节省数百万美元。

总结

要存储的数据量每天都在增长，数据采集不再是问题。挑战在于理解数据，揭示数据中的模式并将其用于运营改进并支持战略决策。

今天的制造企业必须找到一种方法来处理和处理这些前所未有的数据量。并非所有生成的数据都能提供有用的信息，但根据估计，33％的数据在分析时可能很有用。然而，只有0.5％的可用数据由公司处理。这意味着制造商没有使用剩余的32.5％的数据，这些数据可以为他们提供有价值的业务洞察和收入增长。