制造商如何处理使用大数据来形成数据驱动的决策？在 The Manufacturer 与分析公司 FICO 共同组织的晚宴上，十几位制造总监分享了他们的观点。在所有行业中，制造业被认为产生了最多的数据——也浪费了最多的数据。这在伯明翰高级汽车制造商的广泛讨论中得到了很好的体现，虽然他们大多是根据“查塔姆研究所”规则发言的（没有个人- 可识别的评论），直截了当地面对创建数据驱动的决策文化的挑战 - 以及这样做的必要性。FICO 是一家领先的分析软件公司，在决策管理方面拥有 60 年的专业知识，其高管在场讨论采用更加数据驱动的制造运营方法的一些技术影响。“似乎有一场完美的风暴袭击了制造钻机现在，”FICO 制造实践负责人 Richard Muratore 指出。 “政治不确定性、有利的货币条件和颠覆性技术都汇集在一起——我很高兴能帮助您从这些情况中获得价值。 Muratore 随后介绍了当晚的演讲嘉宾，来自 FICO 的客户 Jaguar Land Rover，他们分享了自己在数据驱动之旅中的一些学习要点。制造工程总监 Peter Domeney，捷豹路虎表示，虽然他完全理解好数据和好信息的重要性，但他认为使用的各种术语既令人困惑，也掩盖了制造商真正的机会是什么。“工业互联网，工业4.0 、大数据、第四次工业革命——技术标签和标语比以往任何时候都多，但我有时不确定有什么区别他们之间的关系是，”Domeney 承认。他接着分享了一个轶事，概括了正在发生的巨大技术变革，以及这些变革如何挑战高管们以不同的方式思考。
执行摘要
业务与往常不同：为什么你有唱片集吗？拥抱新的商业模式。您无法管理看不到的事物利用未知事物：概率和绩效管理从边缘收集和分析数据边际收益推动价值创造跳出“我们如何做到”的框框思考您会选择哪种报告更喜欢：轮班结束与提前一周升级：游戏化和激励适合你的团队：透明度和绩效管理大数据：你能拥有太多好东西吗？自动化与人——我们需要把人带走以提高竞争力吗？风险业务：如果你从未失败过，你是否足够努力？“我正忙着将我的 LP 收藏转换为我 com 上的音频文件puter 和我儿子问我，“你为什么要收集唱片？”他的意思是——当他使用 Spotify 访问数百万首歌曲时，我为什么要把自己限制在我的唱片收藏中？当我只想听音乐时，为什么我觉得有必要拥有音乐？我只使用了技术能力的 1%。”Domeney 随后将注意力转移到他在 JLR 团队中的一项计划——一名研究生工程师（“他对制造发动机一无所知！”）提议他们启动一个项目来“开发”未知'。“他来找我说'我有一个非常好的主意：让我们连接我们所有的数据库并发现我们不知道存在的问题'。他开始将 JLR 的七个数据库链接在一起，我们发现了数百个“未知数”——即数据相关性Domeney 解释说：“FICO 解决方案是 JLR 团队寻找‘未知的未知数’的核心——帮助揭示业务中隐藏的相关性和因果关系，并指出节省大量资金的方法。帮助识别了一组 96 台制造气缸体的机器中的故障蓄能器。作为一个整体，他们的表现在正常范围内，但对能源消耗与生产力的更深入分析表明，存在“异常交易”的异常值——该团队发现蓄电池工作效率低下，无法吸收多余的能量。另一个相关性表明，JLR 有更多工作人员在当地足球队伍尔弗汉普顿 (Wolverhampton) 比赛时上班迟到：“这不是火箭科学，但我们通过发短信警告人们道路拥堵所获得的边际收益是至关重要的，因为有一场足球比赛。”一个例子相关性不等于因果关系的地方是工厂效率与食堂菜单上的食物之间的联系：当菜单上有坎伯兰香肠时，员工表现不佳，但当菜单上有炸鱼和薯条时，员工表现出色。这是提供的食物——还是提供的时间，即“星期五因素”？在上述情况下，答案很容易获得，但只有在您提出正确的问题后才能获得。 Domeney 认为，实现更好审讯的下一步是将连接和传感器部署到“边缘”——在子组件级别。由于这会产生太多无法发送到云端的数据，他建议仅在出现异常时才审查数据——这无疑需要采用不同的方法来设计机器。“最终，企业失败是因为他们的实施是错误的，而不是因为战略，”他总结道。 “如果组织卫星离子不重视数据，那么你的数据分析永远是失败的。 “轮班报告”的用语表明我们在数据分析方面是多么的向后看。我们需要更加敏捷，问自己，‘我们明天的预期表现是什么？’”FICO 的 Muratore 表示，着手进行彻底的转型项目可能会令人望而生畏，即使对于捷豹路虎这样的老牌公司也是如此。为了创造未来，你必须做以前没有做过的事情。捷豹路虎团队的反馈令人鼓舞，我们是值得信赖的合作伙伴，拥有能力、技术、分析专业知识和灵活性，能够以不同的方式思考需要解决的问题。高级汽车制造高管——包括日产、JCB 的代表， Unipart 和 Yamazaki Mazak，以及 JLR 的 Domeney – 继续强调工业互联网在实现增量绩效方面可以发挥的作用在场的 16 位高管一致认为，制造业的基本面在过去几十年中基本没有变化，需要更多关注制造流程创新，而不仅仅是产品创新。然而，从制造设备到子组件级别的数据收集既带来了机遇也带来了挑战。机遇围绕着构建更准确的物理模型的能力，并通过渐进式改进推动制造优化。人们一致认为，85% 效率的全球最佳实践绩效基准仍然为价值创造留下了很大空间——因为部分改进带来了复合利润率收益。挑战被确定为从连接的制造设备收集的数据是否符合目的。作为一个行业，制造业创造——然后丢弃——比任何其他行业都多的数据。如果公司不重视数据，它将无法利用 4IR（第四次工业革命）所承诺的性能阶跃变化。大数据与更好的数据？
对于正确的方法是专注于更好地管理更少的数据，还是低成本计算资源的出现是否能够更有效地分析公司的数据湖。同样，分析速度是否可以换取全面性也存在分歧正在分析的数据集。据估计，被分析的数据量每增加 10%，结果就会提高 3%。大家一致认为，物联网 (IoT) 创造了一个独特的机会，可以“在边缘嵌入智能” ' - 换句话说，首先使用廉价的传感器进行收集，然后使用分布式计算能力来优先传递哪些数据以进行更高级别的分析。一家制造商使用信用卡交易监控语言来强调汇集数据所需的新思维，然后寻找异常交易以实时了解您的运营中发生的事情，然后为可能发生的事情建立概率模型未来。总而言之——虽然制造商应该如何最好地管理不断增长的数据量，但仍然希望获得更精细的运营视图。无论这是来自更协作的供应链数据共享方法，还是有意搜索“未知的未知数”——对更快、更好的决策周期的渴望是当晚的基本主题。
