制造商經常利用數字化策略提高自身競爭力，解決勞動力短缺問題，提高生產效率。這些努力是基于保持行業(yè)領先地位的愿景，而不單單是降低競爭力風險的措施。

然而，收集數據會推動一波又一波的創(chuàng)新，以創(chuàng)造快速、大膽、有競爭力且靈巧的組織，實現降本增效。

讓我們看看數據收集可以改變運營的三種方式。

1、對模式和關系的高級分析

傳統(tǒng)商業(yè)領域的管理主要通過使用Six Sigma或者Lean來改善生產過程，以減少產品生產過程中的可變性。但是，在相同或更少投入的情況下提高產出會被無數變量影響，不管是單個變量還是多個變量都可能使之前的努力白費。

所生成的車間數據量對于我們來說過于龐大，卻能為制造廠商提供有深刻意義的見解。對制造商數據集的高級分析能力使企業(yè)能夠尋找數據間的模式、敏感性和相關性，以實現有意義的產量增長。下面我們來看一個關于貴金屬礦的例子。

一個礦山的礦石生產量下降了20%，這時候就需要優(yōu)化運作方式而不僅僅是提高開采速度。管理層運用高級分析能力分析了大量變量和用來采礦的多個設備。開采的過程包括研磨、氰化、氧化和浸出，包括多個復雜的參數。

分析表明，浸出過程的一個核心參數是溶解氧，它將氧氣濃度與過程控制的波動相關聯。當氧氣水平達到峰值時，礦的生產水平也會有所改善。據此，團隊對礦石的浸出回收過程作了細微調整，使得礦山在三個月內的平均生產量提高了3.7%。在沒有資本進行投資和重大變動的情況下，該礦山年均利潤增長了10000萬到2000萬美元。

2、使用機器學習和人工智能技術

機器學習和人工智能的應用，再加上工業(yè)物聯網（LLOT）和邊緣計算的爆炸式增長，已經徹底改變了設備的維護工作。

像石油、汽油、礦產、化工、紙漿和紙張等資產密集型行業(yè)的制造商，正逐步成為以機器學習推動預測性維護為目標的行業(yè)領軍者。在這些企業(yè)里，關鍵資產出問題將會給企業(yè)帶來重大災難，甚至會影響到生命安全、環(huán)境以及經濟生存能力。

預測性維護使企業(yè)維修專業(yè)人員能夠鎖定關鍵設備。預測性算法在監(jiān)測實時運行時可以回溯并學習歷史運行數據以識別操作特性的失敗，而這種失敗則預示著給未來帶來損失失敗。雖然這個過程既復雜又費時，但對制造商來說確是利大于弊。

一家大型海上石油和天然氣生產商在9個海上平臺實施了PdM。工作開始之初，它只負責識別那些因故障產生重大影響的關鍵設備。在此基礎上，生產商們可以確保將投資回報率控制在可接受的范圍內。

在對30年的運營數據進行分析引擎訓練后，數據科學家建立了數百個高級分析模型，并實施了一個測試制度，將誤報率降低到可接受的水平。平均減少了20%的停機時間，年產量增加了50多萬桶石油。

3、全面了解供應鏈

幾年前，一個對623家企業(yè)的調查發(fā)現，近60%的公司認為他們的供應鏈是一種競爭優(yōu)勢，77%的公司聲稱會將其營業(yè)額的5%至15%用于解決供應鏈問題。

這些企業(yè)TOP5的技術都與數據管理有關。并且，獲得供應鏈的全面可見性戰(zhàn)略已經從2015年的第六位上升到2017年的第三位。

隨著最近的疫情和全球供應問題的產生，人們只能推測出事情的優(yōu)先項。下面的圖表說明了受訪者認為他們在供應鏈中的可見度。

利用大數據可以為供應鏈提供端到端的可視性，并支持更先進的自動化技術，改善企業(yè)間的關系，提高生產力和部門協作，使制造商能夠及早發(fā)現問題，并能更加靈活和主動地處理問題。聯邦快遞每天處理超過900萬件貨物，它已經意識到這種數量的數據所帶來的潛力。

聯邦快遞沒有將精力放在支出分析或者需求計劃上，而是利用大量非結構化的數據得出更全面的觀點。一個成果是使用GPS傳感設備和基于網絡的協作平臺來跟蹤時間敏感和高價值的貨物。

該舉措使重要領導或客戶能夠收到實時警報、分析和更新，在貨物打開時給出精確的位置、溫度讀數和建議。德勤咨詢的經驗表明，通過更好地分析供應鏈數據，這些公司可以實現2%至4%的利潤率增長。

寫在最后

數據收集和高級分析為制造商提供的遠不止是保持其競爭地位的機會。如果使用得當，它可以重塑一個組織，改變供應鏈，利用大數據和預測性分析來重構生產線，并提高工作效率和可持續(xù)性。雖然這個過程無疑是復雜的，也可能是耗時的，但投資回報率是一個令人信服的理由。

原文標題：3 Major Benefits Data Collection Brings To The Manufacturing Process

原文作者：Bryan Christiansen