工业大数据的业务价值与应用场景

工业大数据的业务价值在于两个方面，第一是得益于新数据源（如传感器数据、社交媒体数据等）的产生和采集，与传统制造业数据进行整合和关联，从而打通从产品研发、供应链、生产制造、营销和销售，到售后服务等产品全生命周期的数据流。另外，基于这些整合的数据，通过大数据的技术，对海量数据进行深层次分析，根据不同的业务需要进行业务建模预测，从而实现工业大数据的业务价值。

工业大数据的利用和挖掘贯穿于制造行业全流程价值链中，典型应用包括产品创新、敏捷供应链、精益化生产、产品精准营销、产品故障诊断与预测等诸多方面。工业大数据应用场景如图8-22所示。

图8-22　工业大数据应用场景

下面我们就按照工业大数据在不同产品阶段中的应用来分别进行描述。

在传统的产品研发阶段，企业通常利用市场调研数据、销量数据来了解客户对产品的喜好，辅助产品设计。然而，由于相关数据的收集缺乏有效手段，数据量和覆盖范围不足，难以支撑数据的深入分析和挖掘。

在工业4.0时代，制造企业从新的数据源收集数据，以支持产品研发。主要的数据源有：

（1）客户在社交媒体上发表的对产品的评价数据。

（2）客户在在线网站的行为数据，如点击流数据、购物篮数据、下单数据等。

（3）安装在产品上的传感器传回的用户使用数据等。

制造企业可以利用这些新兴的数据了解客户对产品的喜好、客户潜在的产品需求、客户对现有产品功能的使用情况等，根据这些数据，企业可以有针对性地研发新的产品，或对现有产品进行功能改进等。

此外，制造企业和OEM、供货商和合作伙伴等可以通过开放的数据平台在产品数据方面进行共享，在产品研发设计上进行协同合作，提高研发效率，大大降低成本。

1.数据驱动产品创新

客户与工业企业之间的交互和交易行为将产生大量数据，客户在使用产品过程中传感器也会传回大量数据，通过对客户使用产品数据、客户在社交媒体或客户服务中心对相关产品的反馈等数据的深入分析，挖掘和分析这些客户动态数据，了解客户，并预测进一步的产品需求；使用产品生命周期管理的方式，以市场为导向开发下一系列产品，从而实现数据驱动的产品创新。

宝洁公司通过集成传统系统来源的数据和新的来源的在线数据，包括产品研发、供应链、客户操作和交互等数据，这些有结构化的数据，也有非结构化的数据。基于这些数据，宝洁公司使用仿真模型和预测分析，以支持最佳的产品设计。在开发一款洗洁精产品的过程中，通过快速原型的方法，通过分析和梳理成千上万次的开发设计数据，使用数据建模分析的方法来确定水分如何影响肥皂的香味分子，以确保在洗碗过程中香味在合适的时间出来。

福特公司利用其电动车产品在驾驶和停车时产生的大量数据，如车辆的加速度、刹车、电池充电和位置等信息，通过这些数据可以了解客户的驾驶习惯，包括如何、何时以及何处充电。这样，基于这些信息的整合与分析，以了解客户，制订产品改进计划，并实施新产品创新。

一个汽车制造商采用数据驱动设计方式，通过收集、整合自己在线采购网站和客户实际购买的数据，进行分析，识别出客户愿意支付的某款汽车型号的产品选项。基于分析结果，将该产品提供的相关产品选项限制在13000个，要知道其竞争对手的同类产品选项在27000000个左右，而其中大部分功能是客户不经常使用或选购的。通过消除大量客户不必要的功能，增加那些有较高价值、客户愿意付出更高价格的产品功能，该汽车制造商大大降低了产品开发时间和生产成本。

2.产品协同设计

在工业4.0和物联网的大环境下，工业系统越来越复杂，软件含量越来越高，制造企业采用传统逆向工程的系统研制方式已经不能满足市场的需求，企业必须具备快速研发创新的能力。但是由于工程链条长，上下游工具太多，各个层面的数据离散，无法快速有效地掌握、分析数据以做出决策。

要推动产品创新，开发出解决新出现的客户需求的产品，制造商们正越来越多地依赖外部输入，拓展创新渠道。这里的“外部”，是除传统制造商内的产品设计部门，可以是合作伙伴、OEM、供货商等，也可以是最终客户，通过建立一个协同的产品设计平台，基于共享的产品设计数据，将外部资源参与到相关产品的需求分析和产品设计等创新活动中。

在航空航天行业，现代喷气式涡轮发动机有成百上千个独立部件，其中一部分由发动机制造商自己制造，其他部件可能会从供应商网络中来自世界各地的数百家供应商中采购。在这种背景下，与供应商进行代工合作变得非常有价值。设计师和制造工程师可以共享数据，并快速和廉价地创建模拟出不同的产品设计、零部件和供应商的选择，分析出由于一处设计的改动可能会影响到许多其他部件的制造，并计算出相关的制造成本。发动机制造商可以在其网络中分享组件设计的三维模型，每家供应商均可依次共享价格、物流和质量方面的信息。这种信息共享方式和透明度减少了管理设计变更所需的人力，也降低了发动机制造商和供应商的风险，同时加快了供应链网络变革的速度。这是特别有用的，因为在设计阶段的决策通常会影响80%以上的制造成本。

其他行业，如汽车制造业也已经采用了基于数据的产品协同设计的理念，并应用于实际生产中。通过这种方式，丰田、菲亚特和日产都把新车型的开发时间削减了30%～50%。丰田声称，在建造样车之前就已经消除了80%以上的设计缺陷。

消费品制造商，如宝洁，在2000年初曾经面临研发成本上升过快，但回报反而降低的问题。为此，公司建立了一个开放式创新项目InnoCentive，通过邀请外部的利益相关者，包括消费者与外部专家，包括学术界和行业研究人员，以开发新产品的消费者的想法，甚至通过网络平台的产品开发合作。通过大数据技术，从这些外部大量的产品创意构思中，通过数据挖掘的手段自动地提取出真正有价值的想法进行真正的产品研发投入。今天，宝洁有超过一半的新产品来自于公司外部的创意，而在2000年的时候，来自于外部想法的新产品研发的比率仅占15%。与此同时，研发生产率提升了60%，成本占比从4.8%降到3.4%。

从供应链上看，工业4.0推动了设计、生产、销售与服务等各个环节以及相关价值链、生态系统的变革与重塑。在生产的环节，需要通过物联网的实施及从生产系统到ERP系统的垂直整合，以及与CRM、SCM等系统的水平整合，实现生产的自动化、柔性化、智能化。工业企业通过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。

在工业4.0时代，与传统方式相比，制造企业除了内部的客户数据、生产计划数据、供货商数据、订单数据之外，还可以从新的数据源收集数据，以支持供应链管理与优化。主要的数据源有：

（1）客户在产品购物网站的行为数据，如点击流数据、购物篮数据、下单数据等。

（2）传感器数据，比如库存传感器数据（体现库存情况）、产品传感器数据（体现产品使用状况，是否需要换件了）。

（3）其他外部数据，比如气象数据、商场促销数据等。

制造企业可以利用这些新兴的数据了解客户对产品的需求情况、库存情况、供货商情况，甚至极端天气对产品需求的影响、商场促销活动造成的对产品购买需求的急剧攀升等，通过对这些数据的分析，企业可以有针对性地优化整个供应链上的所有环节，合理做出产品生产计划，以最有效率的方式满足市场对产品的需求。

1.市场需求预测

只有完美地理解了客户的需求，无论是产品数量需求，还是对客户愿意付钱的产品功能的理解，才能最大限度地实现市场价值最大化。因此，市场需求预测显得至关重要。然而，需求的波动一直是困扰制造商的一个关键问题。制造商一直以来都使用需求预测和生产计划来解决不确定性并提高运营效率。

工业数字化整合产业链的所有数据，可以提供涵盖供应商库存、在途运输到下游客户需求的一系列详细的实时数据，以提高需求预测和供应链规划。利用销售数据、产品的传感器数据和出自供应商数据库的数据，工业制造企业便可准确地预测全球不同区域的需求。例如，利用大数据和先进的分析方法，陶氏化学公司把销售额预测的错误率从40%降至10%以内。

此外，制造商企业还通过整合从其他外部来源的数据，以便于更为准确的预测需求。比如从零售商的数据，如促销数据（如产品、价格、销售数据）、货架数据（如特定型号产品上市、退市计划的数据），以及库存数据（如每个仓库的库存数据、单店的销售数据等）。这样准确的预测，可以帮助制造企业更有效地使用现金，并提供更高层次的服务。一流的生产商也加快了规划周期的频率，使他们与生产周期同步。事实上，一些制造商正在使用实时需求预测数据来调整生产，也可以根据生产数据与零售商需求的匹配制定产品促销活动。

2.库存管理优化

库存过多，导致成本升高。减少过多的库存可以降低这些成本，如不准确的库存数量、不合理的安全库存规划或生产过剩。

生产制造企业可以实现对库存的自动监控和跟踪，可以实时掌握库存情况，根据供应商市场销售价格，可以在价格下跌时买进，所以制造企业便可节约大量的成本。如果再利用产品中传感器所产生的数据，知道产品出了什么故障，哪里需要配件，他们还可以预测何处以及何时需要零件。这将会极大地减少库存，优化供应链。

德国的制造商伍尔特公司（Würth）使用智能相机技术捕获供应箱的实际填充水平，确认供应箱是存放在货架上还是被移动到了生产线上。基于这些准确的填充水平信息对库存情况进行自动调整。通过这样的实时供应链优化，总体上减少了20%的库存成本。

在工业4.0时代，伴随着传感器以及网络技术的演进，越来越多的生产制造环节以及产品本身都具备物联网功能，进而产生大量的物联网数据。与传统方式相比，制造企业从新的数据源收集数据，主要的数据源有：

（1）安装在生产线上的传感器数据，这些数以千计的小型传感器每隔几秒就收集温度、压力、热能、振动和噪声等数据。

（2）产品质量数据。

（3）机器性能数据及日志。

（4）在线产品定制订购网站数据，如客户定制产品数据等。

具体来说，制造企业可以通过采集、汇总、分析生产过程中产生的数据，系统自动从数据中实时侦测在生产制造过程中生产机器、流程和产品3个方面出现的异常情况，如周期性的产品下降、电压的异常变化、次品率的突然上升等。然后通过自动的机器学习算法，如分类和聚类，对这些数据进行预处理和分析。然后根据潜在的问题与驱动因素的相关性分析，找出造成问题的根源，用以预测未来可能发生的生产问题，并采取相应措施加以调整和控制（图8-23）。

图8-23　工业大数据的分析挖掘

此外，通过融合互联网上的社区网络、电子商务等其他生态圈服务，端到端地实现个体消费需求与企业生产制造的对接，能够协助制造企业打造“批量个性化定制”的生产模式，真正实现需求驱动生产的业务模式。

1.生产过程实时监控

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。这样，原有的生产设备具有了感知能力，通过实时收集的海量数据，对整个生产制造过程的方方面面进行了详细的数字化记录，涉及设备运行情况、用电情况、产品质量情况等的数据，这样可以全局掌握生产情况，通过有针对性的措施，减低生产过程中的原材料消耗、提高加工速度和产出，达到降低生产成本、提升收益的目的。

欧洲ABB公司通过大数据技术实时监控水泥窑的整个生产过程，以提升和优化产能。通过部署大量的传感器，收集有关水泥窑的进料、燃料、风机阻尼器位置等数据，系统实时根据算法模型和业务目标计算出最优的生产参数，并根据计算出来的参数结果自动发送到水泥窑的控制系统，实现对生产流程的动态调整和优化。通过这种方式，实时生产过程优化可以提升5%的产量。

2.产品质量早期预警

由于废品或残次品需要返工导致额外成本（机器时间、材料和劳动力），在生产过程中尽可能早地发现生产缺陷，不仅可以大大降低返工成本，也可以帮助发现任何潜在的产品工艺或设计上的缺陷。由于缺陷通常是许多因素的结果，比如可能是不稳定的生产过程导致的，也可能是在供应链或分销过程中由于缺乏包装造成的，或是因为不熟练的安装操作所导致的。通过分析装配线传感器的长期历史数据或是产品生产测试过程中产生的庞大测试结果数据集，进行相关性分析，通过建立质量模型，可以发现微小的异常，找到导致产品缺陷的相关因子。在工业4.0中，通常结合使用SPC、先进过程控制（APC）来消除这些质量问题，从而为制造企业创造价值。

丰田汽车在生产过程中使用实时的数据分析来控制APC进行实时误差修正，从而减少返工和报废。这样，可以降低10%～20%的残次品质量成本。

3.预测性机器维护

在制造业，机器非计划停机每一分钟都意味着资金损失和收入损失。对于产生收入的生产设备而言，停机意味着导致重大损失以及昂贵的维修费用。在机器故障之前进行预测性维护，可以减少计划停机时间、计划外停机时间，从而产生价值。

在实际环境中，实时监控机器设备使用状况的数据，通过特征模式来预测故障的发生，从而减少非生产时间（NPT）。

通用电气公司通过远程传感器收集和报告机器的状态数据进行预测性维护，可以及时发现机器出问题的早期迹象，从而以最小的成本和维护资源，提高机器的可用性。预测性维护帮助通用电气公司减少30%～50%的机器停机时间，并将机器的平均寿命增加了20%以上。

4.产品批量定制生产

大批量定制（Mass Customization，MC）是以近似大批量生产的效率生产商品和提供服务以满足客户的个性化需求。工业4.0的实质是需求驱动的产品批量定制生产的能力。制造业企业可以实时从网上接收众多消费者的个性化定制数据，基于这些客户个性化需求，通过协同配置资源、供应链管理，综合需求、供应、产品、生产能力等方方面面的信息，进行判断、分析、处理，自行驱动后台原材料的准备以及生产设备的调整（通常是Batch size 1类的微生产过程），直至产生出符合个性化需求的定制产品等步骤。这一步可以说是工业4.0的终极目标。

在这个过程中，智能生产设备支持个性化生产的能力、如何收集产品个性化需求的数据、对这些产品数据进行判断与处理，以及产品配置数据与智能生产设备的集成，并驱动个性化生产过程，是实现产品批量定制的关键。

红领集团借助互联网搭建起消费者与制造商的直接交互平台，去除了商场、渠道等中间环节，从产品定制、设计生产到物流售后，全过程采用数据驱动。系统根据市场发送的订单自动排单、裁剪、配里料、配线、配扣、整合板型等，最终实现同一产品的不同型号、款式、面料的转换，以及流水线上不同数据、规格、元素的灵活搭配。

在传统的营销和销售阶段，企业通常利用传统广告轰炸式的营销与销售手段来影响市场，这种粗放式的方式不仅投入不菲，而且往往由于目标受众不明确而导致效果不佳，投入的效果也无从衡量。

在数字化时代，依托多平台的线上和线下的大数据采集，以及大数据技术的分析与预测能力，能够使广告更加精准有效，给制造企业带来更高的投资回报率。在工业4.0时代，制造企业从新的数据源收集数据，以支持数字化营销，主要的数据源有：

（1）客户在社交媒体上发表的对产品的评价数据。

（2）客户在在线网站的行为数据，如点击流数据、购物篮数据、下单数据等。

（3）安装在产品上的传感器传回的用户使用数据等。

制造企业可以利用这些新兴的数据了解客户对产品的喜好、客户的潜在产品需求、客户对现有产品功能的使用情况等，根据这些数据洞察，企业可以有针对性地进行客户分群和定位，有针对性地进行一对一的精准营销，并可基于特定的事件（比如社会热点事件、客户使用产品的时间、客户位置移动信息、客户在线网站浏览动作等）触发相应的营销活动，根据客户产品情况做产品交叉销售或向上销售。

为了提升营销活动的效果，企业通常利用数据管理平台（DMP）来管理营销大数据，开展数字化营销活动，以获得更好的跨渠道的端到端消费者体验（图8-24）。在这个过程中，DMP平台可以协助制造企业做以下工作：

图8-24　端到端的购买者体验和营销人员体验（来源：Oracle）

（1）管理现有客户和潜在目标客户的信息，可以针对客户数据根据企业自身的用户分类、用户细分定义、各广告活动以及不同的广告投资回报（ROI）组别对自由的用户数据进行“切和分”，并可以与第三方用户数据进行比较、分析和关联。

（2）运用自身用户数据和第三方供应的用户数据来优化用户到站后所看到的网页内容，即不同的用户所看到的是与其兴趣或需求相关的量身定制的网页内容。

（3）可无缝衔接各种第三方用户数据源，提升合作供应商所提供匿名用户数据的使用效果和规模效应。

（4）对营销活动的ROI进行跟踪和分析，不仅能分析哪个广告效果更好，还能分析哪个用户细分在广告投放中的表现更好。比如，通过将网站的访客数据与第三方数据源进行对比研究，从而获得对访客群体特征获得更有价值的认识，将广告定向到更可能转化的用户。

以服装制造行业为例，通过线上与线下大数据支撑，我们可以知道，这个品牌的顾客群到底是喜欢什么样的衣服，喜欢什么样的颜色，什么样的板型好销，可以利用大数据很好地分析你要做什么。另外，在商品开发完之后可以放到在线店铺中进行试销预测，通过收集每一个款式的点击量以及顾客喜爱的程度，还可以结合店铺微淘、微博和微信里和老顾客进行产品营销和互动，展开有针对性的营销。

在工业4.0时代，制造企业一个新的数据来源就是通过在智能产品上安装传感器收集客户使用数据，结合已有的传统数据，如设备的维护维修数据、环境与工地现场的数据、客户订单和保修数据，数据制造企业可以加以分析和利用，向产品的拥有者、使用者和维护者提供产品服务建议，比如不当操作告警、设备磨损指示或可能发生的故障预警等。并通过实时监控资产性能来发现问题，提前通知相关人员采取行动。这一切让产品的售后服务更加智能、主动和人性化，也可以帮助设备制造商完成从产品导向性企业向服务导向性企业的转变。

1.预测性产品服务

在售后服务阶段，工业大数据一个越来越重要的应用就是预测性产品服务。制造商使用产品传感器数据，获取产品使用的性能数据，并预测提供产品服务的时机。例如，分析由传感器嵌入在复杂产品中的数据，使飞机、电梯和数据中心服务器制造商提供主动智能的预防性维护服务包。根据麦肯锡的统计，通常情况下，通过预测性产品维护可以降低维修成本10%～40%。

比如，波音飞机不到几微秒就采集一次有关发动机、燃油系统、液压和电力系统等数以百计的在航状态数据，通过这些数据的分析，波音公司可以实时掌握每一架飞机的性能状况，并制定主动的维修服务计划。

Oracle公司的一体机产品也提供企业级客户类似服务选项。客户可以通过防火墙将主机运行的状态信息实时发送到Oracle的运维服务中心，Oracle负责对这些反映机器运行状况的数据进行分析，并提供主动性的产品运维和保障服务。当一个Oracle维修技术人员出现在客户机房时，客户甚至都没有意识到机器组件已经发生故障。

对于消费类产品，产品产生故障或者某些部件需要更换的需求通常与产品的使用方式相关。通过分析这些产品的使用数据，可以帮助制造商在客户的产品需要维护之前及时提醒客户。例如，宝马的ConnectedDrive可以基于实时交通信息为驾驶员提供驾驶路线；车上安装的传感器在识别到有事故时，会自动寻求救援；根据车辆的实际使用状况，提醒司机维护保养，并将操作数据直接自动发送到后台的服务中心。

2.产品保修问题分析

据统计，制造厂商的产品保修费用占到产品收入的3%，仅在美国每年将近370亿美元。而这部分保修费用的成本，可能是产品质量原因，可能是产品设计缺陷，还有可能是欺诈骗保。而由于分散在多个数据系统中，而且数据形式多样，既包括结构化数据，也包括非结构化数据；既包括内部数据，也包括外部数据。因此如何整合这些数据，进行分析，快速找出售后保修问题的原因，是提升客户满意度、降低维保费用的关键所在。

比如，美国汽车制造商德尔福（Delphi）公司是全球领先的汽车与汽车电子零部件供应商，他们面临的客户售后保修问题的困境有如下方面：

（1）有关客户产品保修的数据分散在16个不同的内部或外部系统（来自原始设备制造商，还有第三方数据）内，数据包括结构化和非结构化数据，数据不兼容，无法进行整合分析，更不用谈快速有效地找出产品质量问题。

（2）无法满足客户保修30天内必须响应的时间要求。一旦30天内没能响应客户保修要求，客户有权要求按天赔偿，这不仅增加成本，而且降低客户满意度。

在Oracle的帮助下，通过将内部16个不同系统的数据进行整合，包括客户交易数据、产品零件数据、客户问题跟踪系统事件数据及问题描述数据等。基于这些整合的数据，在部署的第一个月，工程师发现了一个产品性能问题的根本原因，业务价值100万美元。而且，通过自动化的数据分析和挖掘技术，可以在几个小时内找到产品性能的问题所在。