制造型企業的數據分析之路應該怎么走？怎么做？怎么辨識這些熱點技術的適用性？接下來我們會進行討論和分析。

經過這幾年各種層面的宣傳，制造型企業（銷產研供）的負責人已經熟知很多熱詞，比如工業互聯網，產業互聯網，數字化工廠，工業4.0，智能制造，智慧營銷，數字化供應鏈，大數據，人工智能(AI)等，在每天被各種熱詞灌輸的時候，總是不禁想到：

我的企業應該怎么干？

有效果嗎？

能否改善經營情況？

能否增加銷量？

能否改善庫存情況？

能否提高質量？

能否降低成本？等...

種種問題在腦海里翻騰。隨著很多公司推出的咨詢類、軟件類、硬件類、系統集成類的產品和服務，林林總總，讓人眼花繚亂，在這些產品和服務里，總是會強調數據分析，大數據，機器學習，人工智能這些熱點提高企業管理人員的興趣，企業管理人員也對此寄于較高的期望值，有些人會覺得這些數據分析的技術能夠馬上改變企業的現狀，解決很多年的頑疾。那么，制造型企業的數據分析之路應該怎么走，怎么做，怎么辨識這些熱點技術的適用性，接下來我們會進行討論和分析。01

怎樣區分熱點詞匯和技術

對企業的適用性

① 國家宏觀戰略和企業落地戰略的差異制造型企業主要是以產銷研供為主開展經營和管理的工作，因此消費者放心開心省心、盈利能力、成本下降、高效運營、質量優良、合法合規等是企業落地戰略的核心。國家宏觀層面戰略宣傳的熱點，很多時候偏重于一個長周期的戰略布局且帶有其他很多因素，包括國家競爭層面的布局，行業和產業的長期發展等，而制造型企業落地戰略在時下的情況更多需要著重在中短期的盈利，一部分會兼顧到長期的發展，所以企業在選擇戰略的路上，要分清長期和國家宏觀戰略的匹配，同時短期怎樣突破變局和僵局進行對應布局。 同樣，對于數據分析類的技術，也要看短期怎樣看齊發達國家企業過去幾十年積累的數據分析體系、模型和應用，夯實基礎，結合管理和經營進行有效的變革。長期要看怎樣在有了這些基礎之后，在利用更前沿的數據分析技術進行布局，比如大數據，人工智能等技術。當然，對于本來可以一步到位的場景，可以直接采用，但是對于制造型企業，往往這種場景會比較少。對于銷售面對電商場景和線下大量門店的消費品制造型企業，往往在營銷端短期就要盡快布局云、中臺、大數據分析等技術實現快速變現和應對競爭，但是產研供更多依賴中長期的積累和基礎才有可能使用更多的前沿數據分析技術，產生投資回報較高的收益。

② 工業產品和互聯網IT產品的差異第二產業制造出來的工業產品，不管是屬于消費類產品還是裝備產品、原材料產品、半成品等，和互聯網IT產品存在物理本質上的差別，工業產品多是聲、光、熱、力、電、磁、數據、材料等多學科混合的物理產品，背后蘊藏著復雜的技術，其在產生過程中的數據分析是多種多樣的，也有很多的成熟體系存在，比如DoE（實驗設計）在研發、工藝、質量甚至市場層面都有成熟的應用，并未因為時下熱點的數據分析技術發生本質的變化，也是眾多全球業界領先的企業長久以來使用的，其中除了統計學的知識外，還蘊藏著大量的行業知識和多學科知識。 IT產品更多是以代碼的形式存在，傳統的工業類/行業類IT產品本身蘊含著大量的行業和多學科知識，互聯網IT產品本身對制造業和多學科知識缺乏認知和積累，所以就造成了傳統的工業類/行業類IT產品在國內的應用并未普及，大家就被新興熱點來自于互聯網類的IT產品沖昏了頭腦，而著急使用大數據、機器學習、人工智能等技術，想一步登天（當然很多人其實也不知道要多少步才算是登天）。另外，傳統的工業產品和互聯網類IT產品發展的速度快慢不一。所以要區分工業產品的實質，適用于工業產品的IT類產品，和適用于互聯網類的IT產品之間的差異，避免脫實向虛和投資回報過長甚至倒掛。③互聯網型企業和制造型企業的差異一部分電商類型企業或互聯網企業從組織上、經營目的上、數據本身和分析方法以及分析工具和數據分析的基礎上來看可能存在如下的差異。

*內容有些夸張，只為說明差異。 所以，不管從數據分析的種種維度上和組織上來看，其實兩者差異較大，那么，在有這些差異的情況下，我們就需要挑三揀四，找到有用的部分來補足制造型企業的不足。筆者認為最大可借鑒互聯網企業的來自于其對C端營銷的數據分析技術和經驗，以及其信息化系統，其他在銷產研供方面更應該借鑒本行業/相鄰行業的業界最佳實踐為主。④ 甲方企業和乙方企業的差異雖然這是個老掉牙的話題，但是筆者認為還是有必要講一下。乙方企業在大談各種熱點技術尤其是數據分析技術及相關技術的時候，總是會描繪很好的結果和場景，但是在商言商，簽單子是最重要的。甲方在選擇技術的時候要慎重考慮其實用性、適用性和經濟性。實用性和適用性就是這個數據分析技術在本領域到底有沒有實用價值，適合不適合，還是大牛拉小車？或者大牛拉火車？或者本來就不應該牛來拉車？本來通過更簡單的統計分析在excel/Minitab里三分鐘能解決的問題，非要使用更復雜的算法花幾個月去琢磨，加一個千萬的平臺，實在是沒有必要。 比如，能通過六西格瑪解決的質量分析問題、工藝優化問題等，招一個六西格瑪黑帶做項目可能很快就可以解決，沒有必要讓互聯網企業搭建一個系統，讓大數據科學家來解決，效果可能適得其反，大數據科學家也有不能觸及的聲、光、熱、力、電、磁、數據、材料、企業管理等多學科的經驗和知識。各位企業家可以思考一下，那些跨國老牌制造型企業，為什么在沒有大數據、云的時代一樣可以把產品做好、質量做好、經營管理做好、銷售和市場做好？他們這幾十年是通過哪些數據分析方法、哪些數據分析工具、哪些體系和組織保障建立這么深厚的基礎的？他們現在還在用這些嗎？我的企業通過熱點的大數據技術能夠超越他們嗎？⑤ 熱點數據分析技術和細分市場的數據分析技術的差異機器學習、人工智能、神經網絡這些詞匯總是在找熱點，吊住大家的胃口又不讓你真正體會到其美味。這里我們要注意其實在很多細分的領域是有成熟的數據分析技術、分析軟件以及方法論體系支撐。比如制造型企業中的供應鏈這個模塊，不管從選開店地址、分倉選址、配送路徑、倉儲操作及庫存控制、銷售預測、需求管理、計劃與排產等，都有成熟的方法論、體系和最佳實踐，比如供應鏈統計學、六西格瑪體系等，分析工具也有很多這里不再列舉。當然，我們也不能說這些熱點的技術是沒有用的，在現在數據分析工具里，也開始大量的集成了這些技術，只是這些技術是有一定的適用場景的，但筆者認為其中大多數對普通的制造型企業應用以及效果是及其有限的，而且某些情況下是投資回報很難收回的。

制造型企業

使用數據分析的本質

數據分析在制造型企業其實主要就是兩個目的：判斷和預測。如果按照層次來分，我們可以分為三個層次： 第一個層次: 描述過去已經發生的。比如使用常規excel報表, 說明產銷研供各個層面發生了什么。然后通過查詢和匯總描述數量、頻率和地點等關鍵因素。在通過BI工具，比如PowerBI, Tableau等進行多維度的透視分析，尋找更多維度的因素。這一層次，是所有制造型企業應該具備的，不幸的是，這一層次中多維度分析透視很多企業還懵懵懂懂，Excel和BI工具的使用還不夠深度，對業務和經營管理的理解也欠缺。在這個層次，我們還只是停留在描述統計的領域，并未做更高一些的數據分析。 第二個層次：了解現在正在發生的或短期即將發生的。在這個層次，我們進入了高一級的數據分析領域，會采用大量的統計分析方法和工具，數據的實時性也要求較高，即對信息化系統也有一定的要求。比如通過六西格瑪中的SPC（制程穩定性控制）來實時采樣判斷生產制程中的穩定性，以便采取及時的措施控制不良品；比如通過采集多種工藝參數來及時調整原材料的成分或規格波動帶來的產量減少；比如通過DOE、田口正交可以判斷接下來要做的事情是否合理，不管是配方，效果，工藝參數，營銷效果等。這里面即可以根據實時采集的數據進行描述性分析，并結合經驗或實驗數據進行判讀和控制，也可以通過統計分析方法建立數學模型進行自動或半自動判斷，比如常見的線性和非線性回歸方程、PID、傳導方程、矩陣參數調用等。這些方法論即可以使用在生產制造過程中，也可以使用在營銷和其他職能體系中，當然，我們也可以使用互聯網企業常用的推薦算法，比如對全網銷售數據的實時分析，對目標人群的實時動態劃分到推送。 在這個領域，數據分析工具就非常的多了，除了常見的Excel, PowerBI, Tableau等工具的深度使用，還有專用的數據分析工具，比如Minitab, JMP, SPSS, SAS等，這些可以使用在傳統的統計分析領域和特定的行業（比如生物制藥領域），也可以使用在營銷等場景下的機器學習應用。除了這些分析工具，很多的工業軟件和硬件本身也具有統計分析甚至機器學習的能力，最常見的就是視覺系統，比如Intel的OpenVINO所支持的深度學習算法系統，比如某些MES里集成了SPC的工具。所以，怎樣使用現成的領域里的數據分析工具也是一門學問。基本上所有制造型企業需要進行的數據分析場景在現成的各種軟件和硬件產品里都有，并不需要重新開發大量的平臺和新算法。 筆者認為，絕大數企業應該突破的就是第二個層次，在組織、人才、體系和工具上在中短期著重建設這個部分，趕上發達國家的龍頭企業。這塊也是發達國家龍頭企業在過去幾十年數據分析領域著重建設的，并形成了其各個模塊的核心競爭力。

第三個層次：預測未來的情況。這里我們要說明一下，在第二個層次中其實我們已經建立了很多模型和算法對未來進行預測。因此，在第三個層次中，我們更加強調除了預測未來的情況還會預測可能出現的不同情況的概率，以及其最好的解決應對方案，以及解決方案會帶來的可能的結果。這就更多涉及了AI這個層面，筆者在制造型企業見到這種應用場景偏少（常見的銷售預測、質量CPK、研發和工藝的實驗設計、可靠性設計及預測、仿真模擬類的、機器學習類的包括預防性維護等都列入第二層次），所以這里不再贅述。也許，這個部分，更多是要借用真正的大數據平臺，結合企業內的數據，社會數據，第三方數據等進行深度的學習。

制造型企業

使用數據分析的場景

通常在統計學領域，我們把企業的數據都可以叫商業數據，不管這個數據是來自于市場部門、質量部門、服務部門、供應鏈部門、研發部門還是人資部門。對應的一門學科就叫商業統計學。基于如上的定義，我們來探索一下數據分析和數據分析體系在不同場景中的應用可能是怎樣的？（本文限于篇幅不介紹具體案例，只涉及場景） ① 營銷： 我們分三個主要的場景來說明。第一個是線下營銷場景，使用到商業統計分析的主要是產品怎么組合帶來的銷售額最大、該給哪些消費者寄禮物和卷能夠加大其消費概率、哪里選店最合理、區域銷售因素主要是哪些因素決定的、銷售預測、折扣多少比例能達到最大銷售額/銷售利潤率、哪些產品的反饋更好、應該開發哪些產品、不同產品在不同區域和人群應該怎么投放/陳列等。第二個是線上場景，在這里使用商業統計分析和機器學習的組合方法較多，包含人群圈選和分類、千人千面的營銷策略、推送策略、自然語義相關的評論分析等。第三個是營銷管理相關的場景，更多是營銷活動費用的最大化投入產出、營銷策略的好壞及效果、不同區域的營銷策略制定、銷售預算的有效性/廣告有效性、營銷團隊的分析。 在如上三個主要場景中，牽扯的算法比較多，傳統的商業統計分析方法較多，包含假設檢驗，回歸，DoE，機器學習，方差分析，時間序列分析等，使用的工具可以是Excel,JMP,Minitab,Tableau,SPSS,Adobe Analytics等，也可以結合一些SAAS平臺的集成工具，比如SAP IBP和CX兩個套件里的分析工具，阿里的PAI。具體使用場景要看場景來進行選擇。數據分析體系建議主要借用CRISP-DM體系，但是要對商業數據分析建模要有經驗，才可以構建出清晰的業務需求。 ② 研發： 這里我們分為兩個主要場景來講，即一個是偏重于研究和產品開發場景，一個是工藝。在研究和產品開發領域，除了學科領域內的算法，在研發過程中，物理集成/配方的開發、最優組合或參數或者配方對應某一效果/性能/成本/質量/服務/效率的最佳組合、可靠性分析和預測、公差分析、壽命預測等。在工藝場景也類似于研發，比如工藝參數優化、工藝過程控制、工藝開發等。算法上，用到傳統的算法比較多，DoE、回歸、方差、假設檢驗等，有特殊場景尤其是比較復雜的超多因素場景，機器學習和神經網絡也會有不少應用。在這個部分，常見的數據分析工具有Excel, JMP, Minitab, Matlab, 特殊領域的仿真軟件等。數據分析體系建議主要是六西格瑪類的體系，在研發端可以使用SPSS體系，在工藝端可以使用經典六西格瑪(DMAIC)。 ③ 供應鏈： 對于倉儲物流、計劃體系等場景，著重可以使用經典的供應鏈統計學，里面有大量的算法可以使用，包含運籌學等。在這里對于制造型企業并未有太大的突破，更多的是怎么使用好現成的方法和算法，不再贅述。比如對庫存控制的領域，經典的供應鏈統計學中有結合庫存邏輯和服務水平（六西格瑪）和方差來控制最大庫存、最小庫存、安全庫存的量對應銷售預測的波動，也可以做到動態安全庫存的控制。對于物流倉儲設點，配送等可以使用運籌學方法，也可以使用機器學習的算法，最終實現的都是最短路徑/最短時間/最小成本/最XXXX。分析工具層面可以使用Excel, JMP, SPSS以及專用的倉儲物流仿真工具和分析工具。在數據分析體系上建議使用六西格瑪體系。 ④ 生產制造： 除了工藝以外，質量、設備、計劃排產、精益生產技術、shop floor層面、工廠布局/物流路線、EHS、生產組織方式等方方面面其實都可以使用數據分析，這也是經典六西格瑪里面講的比較多的。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、識別影響質量的因素等方面在六西格瑪里都有各種分析。在設備方面，這里筆者不建議非設備生產商去研究自己工廠設備的預防性維護，因為設備原理其實是不知道的，而且預防性維護偏重于長期的數據收集及學習，比較成功的更多是旋轉型設備。設備領域對于重資產型公司，比如化工行業，可以使用分類算法來進行維護維修的判斷和打造專家系統，使用分類算法和其他算法來盡量提高設備的在線率，減少MTBF和MTBR等，提高服務水平以此不影響生產效率和質量。計劃排產類的算法大多集成在APS軟件里，比如遺傳算法。精益生產要跟多的結合六西格瑪項目推進效果會更好。在生產組織方式可以使用很多的統計學方法來判斷不同生產方式的效率、成本、質量等。分析工具角度用的最多的就是Excel和Minitab, 也有不少是用JMP等。在很多的軟件系統里是集成了相應的工具。最常見的就是質量信息系統里集成了SPC等質量相關的統計分析工具。在數據分析體系上建議使用六西格瑪體系。 ⑤ 其他職能模塊：除了如上四個大的模塊，其他職能也可以充分使用數據分析提高管理水平和效率，減少風險和成本。比如在人資，可以使用統計分析來分析人員結構，薪資結構，不同培訓課程的培訓效果，人員離職的分類及對策等。在風控領域，更多是看數據的波動和異常，尤其是財務類，這里方差類分析也是有用的，機器學習類比如分類算法也是常用的。甚至在經營和戰略層面，我們也可以使用回歸和方差等分析來判斷預算是否能夠產生經營效果，并對未來的銷售進行預測。數據分析體系上我們還是建議使用六西格瑪體系，這里要說明的六西格瑪體系非常適合流程再造，流程效率/出錯率改善，在服務型的場景是非常適用的，提高流程效率比如接單評審效率等也是可以做出一番成績的。 04

制造型企業

搭建兩級數據分析組織

采用兩級數據分析的虛擬組織通常是大公司的業界最佳實踐。● 第一級，即在總部層面或者某一部門內部有行業專家掌握數據分析的能力可以對重大變革項目進行支撐，同時兼任培訓培養和提高本組織內的數據分析能力的職能，構建本體系內的數據分析體系、方法論、模型、工具選擇等； ●第二級，即全體員工或部分骨干員工，掌握一定的數據分析能力，具有對日常工作運用其數據分析的能力，其在第一級專家所構建的數據分析體系、方法論、模型和選定的工具之下進行操作。比較典型的案例就是六西格瑪體系和IPD(集成產品開發)中的DFSS體系。

“總結：對于產銷研供的制造型企業，一是建議企業要明白自己的痛點，在根據痛點來布局組織、人才、方法論體系、工具和流程；二是建議要打好基礎，不管是管理的基礎還是數據分析的基礎；三是切勿好高騖遠，認為熱點的技術能夠馬上提高企業競爭力，只有當數據分析和企業的經營管理以及決策等較好的結合，才能產生比較大的效果，形成企業的核心競爭力。

名詞定義 統計學：是通過搜索、整理、分析、描述數據等手段，以達到推斷所測對象的本質，甚至預測對象未來的一門綜合性科學。統計學用到了大量的數學及其它學科的專業知識，其應用范圍幾乎覆蓋了社會科學和自然科學的各個領域。 商業數據：所謂商業數據，是指一個產業，其價值鏈上各個重要環節的歷史信息和即時信息的集合，其內容包括商業企業內部數據、分銷渠道數據、消費市場數據等。它不但能揭示這個產業的歷史，還能反映產業的最新發展，更重要的是能預示產業的未來，為該產業價值鏈上各類企業的戰略、研發、營銷、管理等提供可靠的咨詢和指導。 商業統計學：商業統計學是社會經濟統計學的一個分支，是商業統計工作實踐經驗的科學總結和理論概括，并隨著商業統計實踐的發展而不斷完善。商業統計學研究商業統計工作的規律，闡述有關商業統計工作的理論和方法，即如何搜集、整理商業統計資料和如何開展商業統計分析與預測的理論和方法，指導商業統計工作的實踐。 大數據：在維克托.邁爾-舍恩伯格及肯尼斯.庫克耶編寫的《大數據時代》中大數據指不用隨機分析法（抽樣調查）這樣捷徑，而采用所有數據進行分析處理。大數據的5V特點（IBM提出）：Volume（大量）、Velocity（高速）、Variety（多樣）、Value（低價值密度）、Veracity（真實性）。 機器學習：是一門多學科交叉專業，涵蓋概率論知識，統計學知識，近似理論知識和復雜算法知識，使用計算機作為工具并致力于真實實時的模擬人類學習方式，并將現有內容進行知識結構劃分來有效提高學習效率。