工业大数据大有可为，浅谈制造业7大应用场景

工业大数据应用将带来工业企业创新和变革的新时代。通过互联网、移动物联网等带来的低成本感知、高速移动连接、分布式计算和高级分析，信息技术和全球工业系统正在深入融合，给全球工业带来深刻的变革，创新企业的研发、生产、运营、营销和管理方式。这些创新不同行业的工业企业带来了更快的速度、更高的效率和更高的洞察力。工业大数据的典型应用包括产品创新、产品故障诊断与预测、工业生产线物联网分析、工业企业供应链优化和产品精准营销等诸多方面。本文我们讲就工业大数据在制造企业的应用场景进行逐一梳理。

一、加速产品创新

客户与工业企业之间的交互和交易行为将产生大量数据，挖掘和分析这些客户动态数据，能够帮助客户参与到产品的需求分析和产品设计等创新活动中，为产品创新作出贡献。福特公司是这方面的表率，他们将大数据技术应用到了福特福克斯电动车的产品创新和优化中，这款车成为了一款名副其实的“大数据电动车”。第一代福特福克斯电动车在驾驶和停车时产生大量数据。在行驶中，司机持续地更新车辆的加速度、刹车、电池充电和位置信息。这对于司机很有用，但数据也传回福特工程师那里，以了解客户的驾驶习惯，包括如何、何时以及何处充电。即使车辆处于静止状态，它也会持续将车辆胎压和电池系统的数据传送给最近的智能电话。

这种以客户为中心的大数据应用场景具有多方面的好处，因为大数据实现了宝贵的新型产品创新和协作方式。司机获得有用的最新信息，而位于底特律的工程师汇总关于驾驶行为的信息，以了解客户，制订产品改进计划，并实施新产品创新。而且，电力公司和其他第三方供应商也可以分析数百万英里的驾驶数据，以决定在何处建立新的充电站，以及如何防止脆弱的电网超负荷运转。

二、设备故障分析及预测

在制造业生产线上，工业生产设备都会受到持续的振动和冲击，这导致设备材料和零件的磨损老化，从而导致工业设备容易产生故障，而当人们意识到故障时，可能已经产生了很多不良品，甚至整个工业设备已经奔溃停机，从而造成巨大的损失。

如果能在故障发生之前进行故障预测，提前维修更换即将出现问题的零部件，这样就可以提高工业设备的寿命以及避免某个设备突然出现故障对整个工业生产带来严重的影响。随着工业4.0的到来，智能工厂的工业设备都配上了各种感应器，采集其振动、温度、电流、电压等数据显得轻而易举，通过分析这些实时的传感数据，对工业设备进行故障预测将是一种行之有效的措施。

因此设备故障预测方案成为了制造行业所青睐的解决方案，其具备的核心功能有：

1、故障超前预警，减少设备停机时间；

2、分析结果实时推送，减少人工成本；

3、适用于企业各种类型的设备，通用性强。

三、工业物联网生产线的大数据应用

现代化工业制造生产线安装有数以千计的小型传感器，来探测温度、压力、热能、振动和噪声。因为每隔几秒就收集一次数据，利用这些数据可以实现很多形式的分析，包括设备诊断、用电量分析、能耗分析、质量事故分析(包括违反生产规定、零部件故障)等。

首先，在生产工艺改进方面，在生产过程中使用这些大数据，就能分析整个生产流程，了解每个环节是如何执行的。一旦有某个流程偏离了标准工艺，就会产生一个报警信号，能更快速地发现错误或者瓶颈所在，也就能更容易解决问题。利用大数据技术，还可以对工业产品的生产过程建立虚拟模型，仿真并优化生产流程，当所有流程和绩效数据都能在系统中重建时，这种透明度将有助于制造商改进其生产流程。再如，在能耗分析方面，在设备生产过程中利用传感器集中监控所有的生产流程，能够发现能耗的异常或峰值情形，由此便可在生产过程中优化能源的消耗，对所有流程进行分析将会大大降低能耗。

四、产品销售预测与需求管理

近年来，保险业加速了数字化进程，大数据与保险营销深度融合，成为现代化保险营销的重要武器。慧都大数据助力保险行业精准营销，并成功帮助中意人寿保险有限公司更好地服务客户和发挥忠诚客户，提高销售效率及客户复购率。

五、工业供应链的分析与优化

当前，大数据分析已经是很多电子商务企业提升供应链竞争力的重要手段。例如，电子商务企业京东商城，通过大数据提前分析和预测各地商品需求量，从而提高配送和仓储的效能，保证了次日货到的客户体验。RFID等产品电子标识技术、物联网技术以及移动互联网技术能帮助工业企业获得完整的产品供应链的大数据，利用这些数据进行分析，将带来仓储、配送、销售效率的大幅提升和成本的大幅下降。

六、生产计划与排程

制造业面对多品种小批量的生产模式，数据的精细化自动及时方便的采集(MES/DCS)及多变性导致数据剧烈增大，再加上十几年的信息化的 历史 数据，对于需要快速响应的APS来说，是一个巨大的挑战。大数据可以给予我们更详细的数据信息，发现 历史 预测与实际的偏差概率，考虑产能约束、人员技能约束、物料可用约束、工装模具约束，通过智能的优化算法，制定预计划排产，并监控计划与现场实际的偏差，动态的调整计划排产。帮我们规避“画像”的缺陷，直接将群体特征直接强加给个体(工作中心数据直接改变为具体一个设备、人员、模具等数据)。通过数据的关联分析并监控它，我们就能计划未来。

七、生产质量分析与预测

在工业生产中，设备失效、人员疏忽、参数异常、原材料差异、环境波动等因素而导致质量偏离，引起质量等级的缺陷和损失非常巨大。工艺流程复杂的大型制造业，如钢铁、 汽车 、电子、服装等行业，信息数据孤岛凸显，导致质量问题频发，尤其需要“及时发现和预测异常，迅速控制和分析质量异常的原因，进行生产过程改进，稳定生产过程，减少产品质量波动”。

生产质量分析，从工厂订单下单-订单生产-流入市场， 针对整个生产链进行全面的质量分析。其中，打通质量和人、机、料、法、环等数据，各生产数据环环相扣，聚焦质量管理的全量数据分析，帮助企业快速 探索 缺陷根本原因。

1、打通质量和人、机、料、法、环，对影响质量的全量数据进行交互分析， 探索 相互关系，挖掘数据背后的真实原因，获取结果“是什么”，回答“为什么”。

2、将传统的静态汇报模式，改为交互式动态会议，随时随地可以组织生产、质量相关专题会议。通过对维度展示生产和质量KPI，实时预警、掌握产线运营状况。

3、简单易上手的质量分析工具，员工只需对数据进行选取、拖曳，自助灵活地达成期望的数据结果。

4、摒弃以往静态的数据报表，整合多个业务系统数据，多场景数据大屏，自适应多屏，进行综合展示分析，让决策更清晰。

————————————————

著名广告大师约翰·沃纳梅克曾经说过一句同样著名的话：我知道我的广告费有一半被浪费了，但我不知道是哪一半没浪费了。

最近不少来咨询小K的品牌商，都聚焦在客户画像、会员体系、自动化营销上，在品牌红利、流量红利结束后，企业的诉求从粗暴追求曝光、流量、新客，回归到了精细化营销需求： 如何做到精准触达高价值客户，达到有效的业务增长？

而上述的聚焦问题，无一都离不开大数据。

1、数据拷问

大数据作用主要在于描绘准确客户画像、构建完整的会员体系，并且最终可进行可持续的自动化精准营销，其对于市场、营销人员而言直接体现在留存、转化等目标KPI的提升上。正如曾任小米顾问的爆品专家金错刀在《爆品战略》中所提到，对于数据不仅仅只是盲目利用，要擅长“数据拷问”，挖掘真实、有用的数据并且为我所用。而金错刀认为数据拷问有以下三个关键维度，均可套用到营销上：

关键客户数据： 找到营销中起决定作用的用户/客户数据。如RFM模型中客户价值数据、客户画像数据等。

横比和纵比： 对于已有的数据，通过与友商相关数据对比（横向）和与品牌自身历史营销事件数据对比（纵比）。

细分和溯源： 尽可能多的维度去细分数据，并且从源头分析客户消费行为，这主要为了后续系列精准营销做铺垫，节约营销资源。

2、Knight案例

Knight利用大数据技术帮助某著名饮食策划公司打造忠诚度会员计划：

该饮食策划公司从19世纪80年代起已涉足餐饮行业，合作客户包括麦当劳、百盛餐饮、索菲特饭店、俏江南、星巴克等企业。

客户挑战：

原会员系统割裂封闭，难以实现与客户互动和管理

无法与客户建立持续互动，有效提升客户忠诚度和销量

需要统一平台支持会员管理业务

解决方案：

打造全渠道客户忠诚度管理平台

接入打通客户沟通渠道，提升客户体验

持续客户互动，社群营销，增强客户粘性和活跃度

追踪用户数据，提升营销精准度

项目成效：

打通信息孤岛，实现数据实时获取、共享和分析

多渠道接入客户互动，提升用户体验

完整的客户忠诚度数据平台，增加客户粘性

3、Knight大数据特点

客户触点广： 涵盖微信、自有门店、微商城、天猫、京东等主流渠道，进行全域营销

洞察维度多样化： 可准确分辨客户是否品牌官方会员、会员等级、是否品牌方旗下任何公众号粉丝等

信息来源准确： 可精准收录客户来源渠道及详细客户信息

客群细分洞察： 根据客群价值做客户旅程阶段、价值度、忠诚度、活跃度等客群细分，为精准营销提供最有效数据依据

自动化、自定义、多样化的客户标签： 科学预设标签，如触达方式、社交行为、积分使用偏好等；系统智能自动打标签；根据需求自定义添加标签分类，让工具更贴合品牌营销需求

---