制造型企業的(de)數據分(fēn)析之路應該怎麽走？怎麽做(zuò)？怎麽辨識這(zhè)些熱(rè)點技術的(de)适用(yòng)性？接下(xià)來(lái)我們會進行討(tǎo)論和(hé)分(fēn)析。
經過這(zhè)幾年各種層面的(de)宣傳，制造型企業（銷産研供）的(de)負責人(rén)已經熟知很多(duō)熱(rè)詞，比如工業互聯網，産業互聯網，數字化(huà)工廠，工業4.0，智能制造，智慧營銷，數字化(huà)供應鏈，大(dà)數據，人(rén)工智能(AI)等，在每天被各種熱(rè)詞灌輸的(de)時(shí)候，總是不禁想到：種種問題在腦(nǎo)海裏翻騰。随著(zhe)很多(duō)公司推出的(de)咨詢類、軟件類、硬件類、系統集成類的(de)産品和(hé)服務，林(lín)林(lín)總總，讓人(rén)眼花缭亂，在這(zhè)些産品和(hé)服務裏，總是會強調數據分(fēn)析，大(dà)數據，機器學習(xí)，人(rén)工智能這(zhè)些熱(rè)點提高(gāo)企業管理(lǐ)人(rén)員(yuán)的(de)興趣，企業管理(lǐ)人(rén)員(yuán)也(yě)對(duì)此寄于較高(gāo)的(de)期望值，有些人(rén)會覺得(de)這(zhè)些數據分(fēn)析的(de)技術能夠馬上改變企業的(de)現狀，解決很多(duō)年的(de)頑疾。那麽，制造型企業的(de)數據分(fēn)析之路應該怎麽走，怎麽做(zuò)，怎麽辨識這(zhè)些熱(rè)點技術的(de)适用(yòng)性，接下(xià)來(lái)我們會進行討(tǎo)論和(hé)分(fēn)析。
怎樣區(qū)分(fēn)熱(rè)點詞彙和(hé)技術
① 國家宏觀戰略和(hé)企業落地戰略的(de)差異制造型企業主要是以産銷研供爲主開展經營和(hé)管理(lǐ)的(de)工作，因此消費者放心開心省心、盈利能力、成本下(xià)降、高(gāo)效運營、質量優良、合法合規等是企業落地戰略的(de)核心。國家宏觀層面戰略宣傳的(de)熱(rè)點，很多(duō)時(shí)候偏重于一個(gè)長(cháng)周期的(de)戰略布局且帶有其他(tā)很多(duō)因素，包括國家競争層面的(de)布局，行業和(hé)産業的(de)長(cháng)期發展等，而制造型企業落地戰略在時(shí)下(xià)的(de)情況更多(duō)需要著(zhe)重在中短期的(de)盈利，一部分(fēn)會兼顧到長(cháng)期的(de)發展，所以企業在選擇戰略的(de)路上，要分(fēn)清長(cháng)期和(hé)國家宏觀戰略的(de)匹配，同時(shí)短期怎樣突破變局和(hé)僵局進行對(duì)應布局。同樣，對(duì)于數據分(fēn)析類的(de)技術，也(yě)要看短期怎樣看齊發達國家企業過去幾十年積累的(de)數據分(fēn)析體系、模型和(hé)應用(yòng)，夯實基礎，結合管理(lǐ)和(hé)經營進行有效的(de)變革。長(cháng)期要看怎樣在有了(le)這(zhè)些基礎之後，在利用(yòng)更前沿的(de)數據分(fēn)析技術進行布局，比如大(dà)數據，人(rén)工智能等技術。當然，對(duì)于本來(lái)可(kě)以一步到位的(de)場(chǎng)景，可(kě)以直接采用(yòng)，但是對(duì)于制造型企業，往往這(zhè)種場(chǎng)景會比較少。對(duì)于銷售面對(duì)電商場(chǎng)景和(hé)線下(xià)大(dà)量門店(diàn)的(de)消費品制造型企業，往往在營銷端短期就要盡快(kuài)布局雲、中台、大(dà)數據分(fēn)析等技術實現快(kuài)速變現和(hé)應對(duì)競争，但是産研供更多(duō)依賴中長(cháng)期的(de)積累和(hé)基礎才有可(kě)能使用(yòng)更多(duō)的(de)前沿數據分(fēn)析技術，産生投資回報較高(gāo)的(de)收益。
② 工業産品和(hé)互聯網IT産品的(de)差異第二産業制造出來(lái)的(de)工業産品，不管是屬于消費類産品還(hái)是裝備産品、原材料産品、半成品等，和(hé)互聯網IT産品存在物(wù)理(lǐ)本質上的(de)差别，工業産品多(duō)是聲、光(guāng)、熱(rè)、力、電、磁、數據、材料等多(duō)學科混合的(de)物(wù)理(lǐ)産品，背後蘊藏著(zhe)複雜(zá)的(de)技術，其在産生過程中的(de)數據分(fēn)析是多(duō)種多(duō)樣的(de)，也(yě)有很多(duō)的(de)成熟體系存在，比如DoE（實驗設計）在研發、工藝、質量甚至市場(chǎng)層面都有成熟的(de)應用(yòng)，并未因爲時(shí)下(xià)熱(rè)點的(de)數據分(fēn)析技術發生本質的(de)變化(huà)，也(yě)是衆多(duō)全球業界領先的(de)企業長(cháng)久以來(lái)使用(yòng)的(de)，其中除了(le)統計學的(de)知識外，還(hái)蘊藏著(zhe)大(dà)量的(de)行業知識和(hé)多(duō)學科知識。IT産品更多(duō)是以代碼的(de)形式存在，傳統的(de)工業類/行業類IT産品本身蘊含著(zhe)大(dà)量的(de)行業和(hé)多(duō)學科知識，互聯網IT産品本身對(duì)制造業和(hé)多(duō)學科知識缺乏認知和(hé)積累，所以就造成了(le)傳統的(de)工業類/行業類IT産品在國内的(de)應用(yòng)并未普及，大(dà)家就被新興熱(rè)點來(lái)自于互聯網類的(de)IT産品沖昏了(le)頭腦(nǎo)，而著(zhe)急使用(yòng)大(dà)數據、機器學習(xí)、人(rén)工智能等技術，想一步登天（當然很多(duō)人(rén)其實也(yě)不知道要多(duō)少步才算(suàn)是登天）。另外，傳統的(de)工業産品和(hé)互聯網類IT産品發展的(de)速度快(kuài)慢(màn)不一。所以要區(qū)分(fēn)工業産品的(de)實質，适用(yòng)于工業産品的(de)IT類産品，和(hé)适用(yòng)于互聯網類的(de)IT産品之間的(de)差異，避免脫實向虛和(hé)投資回報過長(cháng)甚至倒挂。③ 互聯網型企業和(hé)制造型企業的(de)差異一部分(fēn)電商類型企業或互聯網企業從組織上、經營目的(de)上、數據本身和(hé)分(fēn)析方法以及分(fēn)析工具和(hé)數據分(fēn)析的(de)基礎上來(lái)看可(kě)能存在如下(xià)的(de)差異。所以，不管從數據分(fēn)析的(de)種種維度上和(hé)組織上來(lái)看，其實兩者差異較大(dà)，那麽，在有這(zhè)些差異的(de)情況下(xià)，我們就需要挑三揀四，找到有用(yòng)的(de)部分(fēn)來(lái)補足制造型企業的(de)不足。筆者認爲最大(dà)可(kě)借鑒互聯網企業的(de)來(lái)自于其對(duì)C端營銷的(de)數據分(fēn)析技術和(hé)經驗，以及其信息化(huà)系統，其他(tā)在銷産研供方面更應該借鑒本行業/相鄰行業的(de)業界最佳實踐爲主。雖然這(zhè)是個(gè)老掉牙的(de)話(huà)題，但是筆者認爲還(hái)是有必要講一下(xià)。乙方企業在大(dà)談各種熱(rè)點技術尤其是數據分(fēn)析技術及相關技術的(de)時(shí)候，總是會描繪很好的(de)結果和(hé)場(chǎng)景，但是在商言商，簽單子是最重要的(de)。甲方在選擇技術的(de)時(shí)候要慎重考慮其實用(yòng)性、适用(yòng)性和(hé)經濟性。實用(yòng)性和(hé)适用(yòng)性就是這(zhè)個(gè)數據分(fēn)析技術在本領域到底有沒有實用(yòng)價值，适合不适合，還(hái)是大(dà)牛拉小車？或者大(dà)牛拉火車？或者本來(lái)就不應該牛來(lái)拉車？本來(lái)通(tōng)過更簡單的(de)統計分(fēn)析在excel/Minitab裏三分(fēn)鐘(zhōng)能解決的(de)問題，非要使用(yòng)更複雜(zá)的(de)算(suàn)法花幾個(gè)月(yuè)去琢磨，加一個(gè)千萬的(de)平台，實在是沒有必要。比如，能通(tōng)過六西格瑪解決的(de)質量分(fēn)析問題、工藝優化(huà)問題等，招一個(gè)六西格瑪黑(hēi)帶做(zuò)項目可(kě)能很快(kuài)就可(kě)以解決，沒有必要讓互聯網企業搭建一個(gè)系統，讓大(dà)數據科學家來(lái)解決，效果可(kě)能适得(de)其反，大(dà)數據科學家也(yě)有不能觸及的(de)聲、光(guāng)、熱(rè)、力、電、磁、數據、材料、企業管理(lǐ)等多(duō)學科的(de)經驗和(hé)知識。各位企業家可(kě)以思考一下(xià)，那些跨國老牌制造型企業，爲什(shén)麽在沒有大(dà)數據、雲的(de)時(shí)代一樣可(kě)以把産品做(zuò)好、質量做(zuò)好、經營管理(lǐ)做(zuò)好、銷售和(hé)市場(chǎng)做(zuò)好？他(tā)們這(zhè)幾十年是通(tōng)過哪些數據分(fēn)析方法、哪些數據分(fēn)析工具、哪些體系和(hé)組織保障建立這(zhè)麽深厚的(de)基礎的(de)？他(tā)們現在還(hái)在用(yòng)這(zhè)些嗎？我的(de)企業通(tōng)過熱(rè)點的(de)大(dà)數據技術能夠超越他(tā)們嗎？⑤ 熱(rè)點數據分(fēn)析技術和(hé)細分(fēn)市場(chǎng)的(de)數據分(fēn)析技術的(de)差異機器學習(xí)、人(rén)工智能、神經網絡這(zhè)些詞彙總是在找熱(rè)點，吊住大(dà)家的(de)胃口又不讓你真正體會到其美(měi)味。這(zhè)裏我們要注意其實在很多(duō)細分(fēn)的(de)領域是有成熟的(de)數據分(fēn)析技術、分(fēn)析軟件以及方法論體系支撐。比如制造型企業中的(de)供應鏈這(zhè)個(gè)模塊，不管從選開店(diàn)地址、分(fēn)倉選址、配送路徑、倉儲操作及庫存控制、銷售預測、需求管理(lǐ)、計劃與排産等，都有成熟的(de)方法論、體系和(hé)最佳實踐，比如供應鏈統計學、六西格瑪體系等，分(fēn)析工具也(yě)有很多(duō)這(zhè)裏不再列舉。當然，我們也(yě)不能說這(zhè)些熱(rè)點的(de)技術是沒有用(yòng)的(de)，在現在數據分(fēn)析工具裏，也(yě)開始大(dà)量的(de)集成了(le)這(zhè)些技術，隻是這(zhè)些技術是有一定的(de)适用(yòng)場(chǎng)景的(de)，但筆者認爲其中大(dà)多(duō)數對(duì)普通(tōng)的(de)制造型企業應用(yòng)以及效果是及其有限的(de)，而且某些情況下(xià)是投資回報很難收回的(de)。
制造型企業
數據分(fēn)析在制造型企業其實主要就是兩個(gè)目的(de)：判斷和(hé)預測。如果按照(zhào)層次來(lái)分(fēn)，我們可(kě)以分(fēn)爲三個(gè)層次：第一個(gè)層次: 描述過去已經發生的(de)。比如使用(yòng)常規excel報表, 說明(míng)産銷研供各個(gè)層面發生了(le)什(shén)麽。然後通(tōng)過查詢和(hé)彙總描述數量、頻(pín)率和(hé)地點等關鍵因素。在通(tōng)過BI工具，比如PowerBI, Tableau等進行多(duō)維度的(de)透視分(fēn)析，尋找更多(duō)維度的(de)因素。這(zhè)一層次，是所有制造型企業應該具備的(de)，不幸的(de)是，這(zhè)一層次中多(duō)維度分(fēn)析透視很多(duō)企業還(hái)懵懵懂(dǒng)懂(dǒng)，Excel和(hé)BI工具的(de)使用(yòng)還(hái)不夠深度，對(duì)業務和(hé)經營管理(lǐ)的(de)理(lǐ)解也(yě)欠缺。在這(zhè)個(gè)層次，我們還(hái)隻是停留在描述統計的(de)領域，并未做(zuò)更高(gāo)一些的(de)數據分(fēn)析。第二個(gè)層次：了(le)解現在正在發生的(de)或短期即将發生的(de)。在這(zhè)個(gè)層次，我們進入了(le)高(gāo)一級的(de)數據分(fēn)析領域，會采用(yòng)大(dà)量的(de)統計分(fēn)析方法和(hé)工具，數據的(de)實時(shí)性也(yě)要求較高(gāo)，即對(duì)信息化(huà)系統也(yě)有一定的(de)要求。比如通(tōng)過六西格瑪中的(de)SPC（制程穩定性控制）來(lái)實時(shí)采樣判斷生産制程中的(de)穩定性，以便采取及時(shí)的(de)措施控制不良品；比如通(tōng)過采集多(duō)種工藝參數來(lái)及時(shí)調整原材料的(de)成分(fēn)或規格波動帶來(lái)的(de)産量減少；比如通(tōng)過DOE、田口正交可(kě)以判斷接下(xià)來(lái)要做(zuò)的(de)事情是否合理(lǐ)，不管是配方，效果，工藝參數，營銷效果等。這(zhè)裏面即可(kě)以根據實時(shí)采集的(de)數據進行描述性分(fēn)析，并結合經驗或實驗數據進行判讀和(hé)控制，也(yě)可(kě)以通(tōng)過統計分(fēn)析方法建立數學模型進行自動或半自動判斷，比如常見的(de)線性和(hé)非線性回歸方程、PID、傳導方程、矩陣參數調用(yòng)等。這(zhè)些方法論即可(kě)以使用(yòng)在生産制造過程中，也(yě)可(kě)以使用(yòng)在營銷和(hé)其他(tā)職能體系中，當然，我們也(yě)可(kě)以使用(yòng)互聯網企業常用(yòng)的(de)推薦算(suàn)法，比如對(duì)全網銷售數據的(de)實時(shí)分(fēn)析，對(duì)目标人(rén)群的(de)實時(shí)動态劃分(fēn)到推送。在這(zhè)個(gè)領域，數據分(fēn)析工具就非常的(de)多(duō)了(le)，除了(le)常見的(de)Excel, PowerBI, Tableau等工具的(de)深度使用(yòng)，還(hái)有專用(yòng)的(de)數據分(fēn)析工具，比如Minitab, JMP, SPSS, SAS等，這(zhè)些可(kě)以使用(yòng)在傳統的(de)統計分(fēn)析領域和(hé)特定的(de)行業（比如生物(wù)制藥領域），也(yě)可(kě)以使用(yòng)在營銷等場(chǎng)景下(xià)的(de)機器學習(xí)應用(yòng)。除了(le)這(zhè)些分(fēn)析工具，很多(duō)的(de)工業軟件和(hé)硬件本身也(yě)具有統計分(fēn)析甚至機器學習(xí)的(de)能力，最常見的(de)就是視覺系統，比如Intel的(de)OpenVINO所支持的(de)深度學習(xí)算(suàn)法系統，比如某些MES裏集成了(le)SPC的(de)工具。所以，怎樣使用(yòng)現成的(de)領域裏的(de)數據分(fēn)析工具也(yě)是一門學問。基本上所有制造型企業需要進行的(de)數據分(fēn)析場(chǎng)景在現成的(de)各種軟件和(hé)硬件産品裏都有，并不需要重新開發大(dà)量的(de)平台和(hé)新算(suàn)法。筆者認爲，絕大(dà)數企業應該突破的(de)就是第二個(gè)層次，在組織、人(rén)才、體系和(hé)工具上在中短期著(zhe)重建設這(zhè)個(gè)部分(fēn)，趕上發達國家的(de)龍頭企業。這(zhè)塊也(yě)是發達國家龍頭企業在過去幾十年數據分(fēn)析領域著(zhe)重建設的(de)，并形成了(le)其各個(gè)模塊的(de)核心競争力。第三個(gè)層次：預測未來(lái)的(de)情況。這(zhè)裏我們要說明(míng)一下(xià)，在第二個(gè)層次中其實我們已經建立了(le)很多(duō)模型和(hé)算(suàn)法對(duì)未來(lái)進行預測。因此，在第三個(gè)層次中，我們更加強調除了(le)預測未來(lái)的(de)情況還(hái)會預測可(kě)能出現的(de)不同情況的(de)概率，以及其最好的(de)解決應對(duì)方案，以及解決方案會帶來(lái)的(de)可(kě)能的(de)結果。這(zhè)就更多(duō)涉及了(le)AI這(zhè)個(gè)層面，筆者在制造型企業見到這(zhè)種應用(yòng)場(chǎng)景偏少（常見的(de)銷售預測、質量CPK、研發和(hé)工藝的(de)實驗設計、可(kě)靠性設計及預測、仿真模拟類的(de)、機器學習(xí)類的(de)包括預防性維護等都列入第二層次），所以這(zhè)裏不再贅述。也(yě)許，這(zhè)個(gè)部分(fēn)，更多(duō)是要借用(yòng)真正的(de)大(dà)數據平台，結合企業内的(de)數據，社會數據，第三方數據等進行深度的(de)學習(xí)。
制造型企業
使用(yòng)數據分(fēn)析的(de)場(chǎng)景
通(tōng)常在統計學領域，我們把企業的(de)數據都可(kě)以叫商業數據，不管這(zhè)個(gè)數據是來(lái)自于市場(chǎng)部門、質量部門、服務部門、供應鏈部門、研發部門還(hái)是人(rén)資部門。對(duì)應的(de)一門學科就叫商業統計學。基于如上的(de)定義，我們來(lái)探索一下(xià)數據分(fēn)析和(hé)數據分(fēn)析體系在不同場(chǎng)景中的(de)應用(yòng)可(kě)能是怎樣的(de)？（本文限于篇幅不介紹具體案例，隻涉及場(chǎng)景）我們分(fēn)三個(gè)主要的(de)場(chǎng)景來(lái)說明(míng)。第一個(gè)是線下(xià)營銷場(chǎng)景，使用(yòng)到商業統計分(fēn)析的(de)主要是産品怎麽組合帶來(lái)的(de)銷售額最大(dà)、該給哪些消費者寄禮物(wù)和(hé)卷能夠加大(dà)其消費概率、哪裏選店(diàn)最合理(lǐ)、區(qū)域銷售因素主要是哪些因素決定的(de)、銷售預測、折扣多(duō)少比例能達到最大(dà)銷售額/銷售利潤率、哪些産品的(de)反饋更好、應該開發哪些産品、不同産品在不同區(qū)域和(hé)人(rén)群應該怎麽投放/陳列等。第二個(gè)是線上場(chǎng)景，在這(zhè)裏使用(yòng)商業統計分(fēn)析和(hé)機器學習(xí)的(de)組合方法較多(duō)，包含人(rén)群圈選和(hé)分(fēn)類、千人(rén)千面的(de)營銷策略、推送策略、自然語義相關的(de)評論分(fēn)析等。第三個(gè)是營銷管理(lǐ)相關的(de)場(chǎng)景，更多(duō)是營銷活動費用(yòng)的(de)最大(dà)化(huà)投入産出、營銷策略的(de)好壞及效果、不同區(qū)域的(de)營銷策略制定、銷售預算(suàn)的(de)有效性/廣告有效性、營銷團隊的(de)分(fēn)析。在如上三個(gè)主要場(chǎng)景中，牽扯的(de)算(suàn)法比較多(duō)，傳統的(de)商業統計分(fēn)析方法較多(duō)，包含假設檢驗，回歸，DoE，機器學習(xí)，方差分(fēn)析，時(shí)間序列分(fēn)析等，使用(yòng)的(de)工具可(kě)以是Excel,JMP,Minitab,Tableau,SPSS,Adobe Analytics等，也(yě)可(kě)以結合一些SAAS平台的(de)集成工具，比如SAP IBP和(hé)CX兩個(gè)套件裏的(de)分(fēn)析工具，阿裏的(de)PAI。具體使用(yòng)場(chǎng)景要看場(chǎng)景來(lái)進行選擇。數據分(fēn)析體系建議(yì)主要借用(yòng)CRISP-DM體系，但是要對(duì)商業數據分(fēn)析建模要有經驗，才可(kě)以構建出清晰的(de)業務需求。這(zhè)裏我們分(fēn)爲兩個(gè)主要場(chǎng)景來(lái)講，即一個(gè)是偏重于研究和(hé)産品開發場(chǎng)景，一個(gè)是工藝。在研究和(hé)産品開發領域，除了(le)學科領域内的(de)算(suàn)法，在研發過程中，物(wù)理(lǐ)集成/配方的(de)開發、最優組合或參數或者配方對(duì)應某一效果/性能/成本/質量/服務/效率的(de)最佳組合、可(kě)靠性分(fēn)析和(hé)預測、公差分(fēn)析、壽命預測等。在工藝場(chǎng)景也(yě)類似于研發，比如工藝參數優化(huà)、工藝過程控制、工藝開發等。算(suàn)法上，用(yòng)到傳統的(de)算(suàn)法比較多(duō)，DoE、回歸、方差、假設檢驗等，有特殊場(chǎng)景尤其是比較複雜(zá)的(de)超多(duō)因素場(chǎng)景，機器學習(xí)和(hé)神經網絡也(yě)會有不少應用(yòng)。在這(zhè)個(gè)部分(fēn)，常見的(de)數據分(fēn)析工具有Excel, JMP, Minitab, Matlab, 特殊領域的(de)仿真軟件等。數據分(fēn)析體系建議(yì)主要是六西格瑪類的(de)體系，在研發端可(kě)以使用(yòng)SPSS體系，在工藝端可(kě)以使用(yòng)經典六西格瑪(DMAIC)。對(duì)于倉儲物(wù)流、計劃體系等場(chǎng)景，著(zhe)重可(kě)以使用(yòng)經典的(de)供應鏈統計學，裏面有大(dà)量的(de)算(suàn)法可(kě)以使用(yòng)，包含運籌學等。在這(zhè)裏對(duì)于制造型企業并未有太大(dà)的(de)突破，更多(duō)的(de)是怎麽使用(yòng)好現成的(de)方法和(hé)算(suàn)法，不再贅述。比如對(duì)庫存控制的(de)領域，經典的(de)供應鏈統計學中有結合庫存邏輯和(hé)服務水(shuǐ)平（六西格瑪）和(hé)方差來(lái)控制最大(dà)庫存、最小庫存、安全庫存的(de)量對(duì)應銷售預測的(de)波動，也(yě)可(kě)以做(zuò)到動态安全庫存的(de)控制。對(duì)于物(wù)流倉儲設點，配送等可(kě)以使用(yòng)運籌學方法，也(yě)可(kě)以使用(yòng)機器學習(xí)的(de)算(suàn)法，最終實現的(de)都是最短路徑/最短時(shí)間/最小成本/最XXXX。分(fēn)析工具層面可(kě)以使用(yòng)Excel, JMP, SPSS以及專用(yòng)的(de)倉儲物(wù)流仿真工具和(hé)分(fēn)析工具。在數據分(fēn)析體系上建議(yì)使用(yòng)六西格瑪體系。除了(le)工藝以外，質量、設備、計劃排産、精益生産技術、shop floor層面、工廠布局/物(wù)流路線、EHS、生産組織方式等方方面面其實都可(kě)以使用(yòng)數據分(fēn)析，這(zhè)也(yě)是經典六西格瑪裏面講的(de)比較多(duō)的(de)。比如在質量方面，從制程控制SPC、質量提升、抽樣控制、判定好壞、識别影(yǐng)響質量的(de)因素等方面在六西格瑪裏都有各種分(fēn)析。在設備方面，這(zhè)裏筆者不建議(yì)非設備生産商去研究自己工廠設備的(de)預防性維護，因爲設備原理(lǐ)其實是不知道的(de)，而且預防性維護偏重于長(cháng)期的(de)數據收集及學習(xí)，比較成功的(de)更多(duō)是旋轉型設備。設備領域對(duì)于重資産型公司，比如化(huà)工行業，可(kě)以使用(yòng)分(fēn)類算(suàn)法來(lái)進行維護維修的(de)判斷和(hé)打造專家系統，使用(yòng)分(fēn)類算(suàn)法和(hé)其他(tā)算(suàn)法來(lái)盡量提高(gāo)設備的(de)在線率，減少MTBF和(hé)MTBR等，提高(gāo)服務水(shuǐ)平以此不影(yǐng)響生産效率和(hé)質量。計劃排産類的(de)算(suàn)法大(dà)多(duō)集成在APS軟件裏，比如遺傳算(suàn)法。精益生産要跟多(duō)的(de)結合六西格瑪項目推進效果會更好。在生産組織方式可(kě)以使用(yòng)很多(duō)的(de)統計學方法來(lái)判斷不同生産方式的(de)效率、成本、質量等。分(fēn)析工具角度用(yòng)的(de)最多(duō)的(de)就是Excel和(hé)Minitab, 也(yě)有不少是用(yòng)JMP等。在很多(duō)的(de)軟件系統裏是集成了(le)相應的(de)工具。最常見的(de)就是質量信息系統裏集成了(le)SPC等質量相關的(de)統計分(fēn)析工具。在數據分(fēn)析體系上建議(yì)使用(yòng)六西格瑪體系。除了(le)如上四個(gè)大(dà)的(de)模塊，其他(tā)職能也(yě)可(kě)以充分(fēn)使用(yòng)數據分(fēn)析提高(gāo)管理(lǐ)水(shuǐ)平和(hé)效率，減少風險和(hé)成本。比如在人(rén)資，可(kě)以使用(yòng)統計分(fēn)析來(lái)分(fēn)析人(rén)員(yuán)結構，薪資結構，不同培訓課程的(de)培訓效果，人(rén)員(yuán)離職的(de)分(fēn)類及對(duì)策等。在風控領域，更多(duō)是看數據的(de)波動和(hé)異常，尤其是财務類，這(zhè)裏方差類分(fēn)析也(yě)是有用(yòng)的(de)，機器學習(xí)類比如分(fēn)類算(suàn)法也(yě)是常用(yòng)的(de)。甚至在經營和(hé)戰略層面，我們也(yě)可(kě)以使用(yòng)回歸和(hé)方差等分(fēn)析來(lái)判斷預算(suàn)是否能夠産生經營效果，并對(duì)未來(lái)的(de)銷售進行預測。數據分(fēn)析體系上我們還(hái)是建議(yì)使用(yòng)六西格瑪體系，這(zhè)裏要說明(míng)的(de)六西格瑪體系非常适合流程再造，流程效率/出錯率改善，在服務型的(de)場(chǎng)景是非常适用(yòng)的(de)，提高(gāo)流程效率比如接單評審效率等也(yě)是可(kě)以做(zuò)出一番成績的(de)。
制造型企業
采用(yòng)兩級數據分(fēn)析的(de)虛拟組織通(tōng)常是大(dà)公司的(de)業界最佳實踐。● 第一級，即在總部層面或者某一部門内部有行業專家掌握數據分(fēn)析的(de)能力可(kě)以對(duì)重大(dà)變革項目進行支撐，同時(shí)兼任培訓培養和(hé)提高(gāo)本組織内的(de)數據分(fēn)析能力的(de)職能，構建本體系内的(de)數據分(fēn)析體系、方法論、模型、工具選擇等；● 第二級，即全體員(yuán)工或部分(fēn)骨幹員(yuán)工，掌握一定的(de)數據分(fēn)析能力，具有對(duì)日常工作運用(yòng)其數據分(fēn)析的(de)能力，其在第一級專家所構建的(de)數據分(fēn)析體系、方法論、模型和(hé)選定的(de)工具之下(xià)進行操作。比較典型的(de)案例就是六西格瑪體系和(hé)IPD(集成産品開發)中的(de)DFSS體系。“總結：對(duì)于産銷研供的(de)制造型企業，一是建議(yì)企業要明(míng)白自己的(de)痛點，在根據痛點來(lái)布局組織、人(rén)才、方法論體系、工具和(hé)流程；二是建議(yì)要打好基礎，不管是管理(lǐ)的(de)基礎還(hái)是數據分(fēn)析的(de)基礎；三是切勿好高(gāo)骛遠(yuǎn)，認爲熱(rè)點的(de)技術能夠馬上提高(gāo)企業競争力，隻有當數據分(fēn)析和(hé)企業的(de)經營管理(lǐ)以及決策等較好的(de)結合，才能産生比較大(dà)的(de)效果，形成企業的(de)核心競争力。
統計學：是通(tōng)過搜索、整理(lǐ)、分(fēn)析、描述數據等手段，以達到推斷所測對(duì)象的(de)本質，甚至預測對(duì)象未來(lái)的(de)一門綜合性科學。統計學用(yòng)到了(le)大(dà)量的(de)數學及其它學科的(de)專業知識，其應用(yòng)範圍幾乎覆蓋了(le)社會科學和(hé)自然科學的(de)各個(gè)領域。商業數據：所謂商業數據，是指一個(gè)産業，其價值鏈上各個(gè)重要環節的(de)曆史信息和(hé)即時(shí)信息的(de)集合，其内容包括商業企業内部數據、分(fēn)銷渠道數據、消費市場(chǎng)數據等。它不但能揭示這(zhè)個(gè)産業的(de)曆史，還(hái)能反映産業的(de)最新發展，更重要的(de)是能預示産業的(de)未來(lái)，爲該産業價值鏈上各類企業的(de)戰略、研發、營銷、管理(lǐ)等提供可(kě)靠的(de)咨詢和(hé)指導。商業統計學：商業統計學是社會經濟統計學的(de)一個(gè)分(fēn)支，是商業統計工作實踐經驗的(de)科學總結和(hé)理(lǐ)論概括，并随著(zhe)商業統計實踐的(de)發展而不斷完善。商業統計學研究商業統計工作的(de)規律，闡述有關商業統計工作的(de)理(lǐ)論和(hé)方法，即如何搜集、整理(lǐ)商業統計資料和(hé)如何開展商業統計分(fēn)析與預測的(de)理(lǐ)論和(hé)方法，指導商業統計工作的(de)實踐。大(dà)數據：在維克托.邁爾-舍恩伯格及肯尼斯.庫克耶編寫的(de)《大(dà)數據時(shí)代》中大(dà)數據指不用(yòng)随機分(fēn)析法（抽樣調查）這(zhè)樣捷徑，而采用(yòng)所有數據進行分(fēn)析處理(lǐ)。大(dà)數據的(de)5V特點（IBM提出）：Volume（大(dà)量）、Velocity（高(gāo)速）、Variety（多(duō)樣）、Value（低價值密度）、Veracity（真實性）。機器學習(xí)：是一門多(duō)學科交叉專業，涵蓋概率論知識，統計學知識，近似理(lǐ)論知識和(hé)複雜(zá)算(suàn)法知識，使用(yòng)計算(suàn)機作爲工具并緻力于真實實時(shí)的(de)模拟人(rén)類學習(xí)方式，并将現有内容進行知識結構劃分(fēn)來(lái)有效提高(gāo)學習(xí)效率。
