制造企業(yè)的數(shù)據(jù)分析之路

經(jīng)過這幾年各種層面的宣傳，制造型企業(yè)（銷產(chǎn)研供）的負責人已經(jīng)熟知很多熱詞，比如工業(yè)互聯(lián)網(wǎng)，產(chǎn)業(yè)互聯(lián)網(wǎng)，數(shù)字化工廠，工業(yè)4.0，智能制造，智慧營銷，數(shù)字化供應鏈，大數(shù)據(jù)，人工智能(AI)等，在每天被各種熱詞灌輸?shù)臅r候，總是不禁想到：我的企業(yè)應該怎么干？有效果嗎？能否改善經(jīng)營情況？能否增加銷量？能否改善庫存情況？能否提高質(zhì)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(tǒng)集成類的產(chǎn)品和服務，林林總總，讓人眼花繚亂，在這些產(chǎn)品和服務里，總是會強調(diào)數(shù)據(jù)分析，大數(shù)據(jù)，機器學習，人工智能這些熱點提高企業(yè)管理人員的興趣，企業(yè)管理人員也對此寄于較高的期望值，有些人會覺得這些數(shù)據(jù)分析的技術能夠馬上改變企業(yè)的現(xiàn)狀，解決很多年的頑疾。那么，制造型企業(yè)的數(shù)據(jù)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(qū)分熱點詞匯和技術對企業(yè)的適用性①國家宏觀戰(zhàn)略和企業(yè)落地戰(zhàn)略的差異制造型企業(yè)主要是以產(chǎn)銷研供為主開展經(jīng)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(zhì)量優(yōu)良、合法合規(guī)等是企業(yè)落地戰(zhàn)略的核心。國家宏觀層面戰(zhàn)略宣傳的熱點，很多時候偏重于一個長周期的戰(zhàn)略布局且?guī)в衅渌芏嘁蛩?，包括國家競爭層面的布局，行業(yè)和產(chǎn)業(yè)的長期發(fā)展等，而制造型企業(yè)落地戰(zhàn)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(fā)展，所以企業(yè)在選擇戰(zhàn)略的路上，要分清長期和國家宏觀戰(zhàn)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(shù)據(jù)分析類的技術，也要看短期怎樣看齊發(fā)達國家企業(yè)過去幾十年積累的數(shù)據(jù)分析體系、模型和應用，夯實基礎，結(jié)合管理和經(jīng)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(shù)據(jù)分析技術進行布局，比如大數(shù)據(jù)，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(yè)，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(yè)，往往在營銷端短期就要盡快布局云、中臺、大數(shù)據(jù)分析等技術實現(xiàn)快速變現(xiàn)和應對競爭，但是產(chǎn)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(shù)據(jù)分析技術，產(chǎn)生投資回報較高的收益。②工業(yè)產(chǎn)品和互聯(lián)網(wǎng)IT產(chǎn)品的差異第二產(chǎn)業(yè)制造出來的工業(yè)產(chǎn)品，不管是屬于消費類產(chǎn)品還是裝備產(chǎn)品、原材料產(chǎn)品、半成品等，和互聯(lián)網(wǎng)IT產(chǎn)品存在物理本質(zhì)上的差別，工業(yè)產(chǎn)品多是聲、光、熱、力、電、磁、數(shù)據(jù)、材料等多學科混合的物理產(chǎn)品，背后蘊藏著復雜的技術，其在產(chǎn)生過程中的數(shù)據(jù)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(fā)、工藝、質(zhì)量甚至市場層面都有成熟的應用，并未因為時下熱點的數(shù)據(jù)分析技術發(fā)生本質(zhì)的變化，也是眾多全球業(yè)界領先的企業(yè)長久以來使用的，其中除了統(tǒng)計學的知識外，還蘊藏著大量的行業(yè)知識和多學科知識。IT產(chǎn)品更多是以代碼的形式存在，傳統(tǒng)的工業(yè)類/行業(yè)類IT產(chǎn)品本身蘊含著大量的行業(yè)和多學科知識，互聯(lián)網(wǎng)IT產(chǎn)品本身對制造業(yè)和多學科知識缺乏認知和積累，所以就造成了傳統(tǒng)的工業(yè)類/行業(yè)類IT產(chǎn)品在國內(nèi)的應用并未普及，大家就被新興熱點來自于互聯(lián)網(wǎng)類的IT產(chǎn)品沖昏了頭腦，而著急使用大數(shù)據(jù)、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(tǒng)的工業(yè)產(chǎn)品和互聯(lián)網(wǎng)類IT產(chǎn)品發(fā)展的速度快慢不一。所以要區(qū)分工業(yè)產(chǎn)品的實質(zhì)，適用于工業(yè)產(chǎn)品的IT類產(chǎn)品，和適用于互聯(lián)網(wǎng)類的IT產(chǎn)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(lián)網(wǎng)型企業(yè)和制造型企業(yè)的差異一部分電商類型企業(yè)或互聯(lián)網(wǎng)企業(yè)從組織上、經(jīng)營目的上、數(shù)據(jù)本身和分析方法以及分析工具和數(shù)據(jù)分析的基礎上來看可能存在如下的差異。*內(nèi)容有些夸張，只為說明差異。所以，不管從數(shù)據(jù)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(yè)的不足。筆者認為最大可借鑒互聯(lián)網(wǎng)企業(yè)的來自于其對C端營銷的數(shù)據(jù)分析技術和經(jīng)驗，以及其信息化系統(tǒng)，其他在銷產(chǎn)研供方面更應該借鑒本行業(yè)/相鄰行業(yè)的業(yè)界最佳實踐為主。④甲方企業(yè)和乙方企業(yè)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(yè)在大談各種熱點技術尤其是數(shù)據(jù)分析技術及相關技術的時候，總是會描繪很好的結(jié)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(jīng)濟性。實用性和適用性就是這個數(shù)據(jù)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(tǒng)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(zhì)量分析問題、工藝優(yōu)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(lián)網(wǎng)企業(yè)搭建一個系統(tǒng)，讓大數(shù)據(jù)科學家來解決，效果可能適得其反，大數(shù)據(jù)科學家也有不能觸及的聲、光、熱、力、電、磁、數(shù)據(jù)、材料、企業(yè)管理等多學科的經(jīng)驗和知識。各位企業(yè)家可以思考一下，那些跨國老牌制造型企業(yè)，為什么在沒有大數(shù)據(jù)、云的時代一樣可以把產(chǎn)品做好、質(zhì)量做好、經(jīng)營管理做好、銷售和市場做好？他們這幾十年是通過哪些數(shù)據(jù)分析方法、哪些數(shù)據(jù)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(xiàn)在還在用這些嗎？我的企業(yè)通過熱點的大數(shù)據(jù)技術能夠超越他們嗎？⑤熱點數(shù)據(jù)分析技術和細分市場的數(shù)據(jù)分析技術的差異機器學習、人工智能、神經(jīng)網(wǎng)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(shù)據(jù)分析技術、分析軟件以及方法論體系支撐。比如制造型企業(yè)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(chǎn)等，都有成熟的方法論、體系和最佳實踐，比如供應鏈統(tǒng)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(xiàn)在數(shù)據(jù)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(shù)對普通的制造型企業(yè)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。02制造型企業(yè)使用數(shù)據(jù)分析的本質(zhì)數(shù)據(jù)分析在制造型企業(yè)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(jīng)發(fā)生的。比如使用常規(guī)excel報表,說明產(chǎn)銷研供各個層面發(fā)生了什么。然后通過查詢和匯總描述數(shù)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(yè)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(yè)還懵懵懂懂，Excel和BI工具的使用還不夠深度，對業(yè)務和經(jīng)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(tǒng)計的領域，并未做更高一些的數(shù)據(jù)分析。第二個層次：了解現(xiàn)在正在發(fā)生的或短期即將發(fā)生的。在這個層次，我們進入了高一級的數(shù)據(jù)分析領域，會采用大量的統(tǒng)計分析方法和工具，數(shù)據(jù)的實時性也要求較高，即對信息化系統(tǒng)也有一定的要求。比如通過六西格瑪中的SPC（制程穩(wěn)定性控制）來實時采樣判斷生產(chǎn)制程中的穩(wěn)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(shù)來及時調(diào)整原材料的成分或規(guī)格波動帶來的產(chǎn)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(shù)，營銷效果等。這里面即可以根據(jù)實時采集的數(shù)據(jù)進行描述性分析，并結(jié)合經(jīng)驗或?qū)嶒灁?shù)據(jù)進行判讀和控制，也可以通過統(tǒng)計分析方法建立數(shù)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(shù)調(diào)用等。這些方法論即可以使用在生產(chǎn)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(lián)網(wǎng)企業(yè)常用的推薦算法，比如對全網(wǎng)銷售數(shù)據(jù)的實時分析，對目標人群的實時動態(tài)劃分到推送。在這個領域，數(shù)據(jù)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(shù)據(jù)分析工具，比如Minitab,JMP,SPSS,SAS等，這些可以使用在傳統(tǒng)的統(tǒng)計分析領域和特定的行業(yè)（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(yè)軟件和硬件本身也具有統(tǒng)計分析甚至機器學習的能力，最常見的就是視覺系統(tǒng)，比如Intel的OpenVINO所支持的深度學習算法系統(tǒng)，比如某些MES里集成了SPC的工具。所以，怎樣使用現(xiàn)成的領域里的數(shù)據(jù)分析工具也是一門學問?；旧纤兄圃煨推髽I(yè)需要進行的數(shù)據(jù)分析場景在現(xiàn)成的各種軟件和硬件產(chǎn)品里都有，并不需要重新開發(fā)大量的平臺和新算法。筆者認為，絕大數(shù)企業(yè)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(fā)達國家的龍頭企業(yè)。這塊也是發(fā)達國家龍頭企業(yè)在過去幾十年數(shù)據(jù)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(jīng)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(diào)除了預測未來的情況還會預測可能出現(xiàn)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(jié)果。這就更多涉及了AI這個層面，筆者在制造型企業(yè)見到這種應用場景偏少（常見的銷售預測、質(zhì)量CPK、研發(fā)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(shù)據(jù)平臺，結(jié)合企業(yè)內(nèi)的數(shù)據(jù)，社會數(shù)據(jù)，第三方數(shù)據(jù)等進行深度的學習。03制造型企業(yè)使用數(shù)據(jù)分析的場景通常在統(tǒng)計學領域，我們把企業(yè)的數(shù)據(jù)都可以叫商業(yè)數(shù)據(jù)，不管這個數(shù)據(jù)是來自于市場部門、質(zhì)量部門、服務部門、供應鏈部門、研發(fā)部門還是人資部門。對應的一門學科就叫商業(yè)統(tǒng)計學?；谌缟系亩x，我們來探索一下數(shù)據(jù)分析和數(shù)據(jù)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(yè)統(tǒng)計分析的主要是產(chǎn)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(qū)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(chǎn)品的反饋更好、應該開發(fā)哪些產(chǎn)品、不同產(chǎn)品在不同區(qū)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(yè)統(tǒng)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(chǎn)出、營銷策略的好壞及效果、不同區(qū)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(tǒng)的商業(yè)統(tǒng)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,AdobeAnalytics等，也可以結(jié)合一些SAAS平臺的集成工具，比如SAPIBP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(shù)據(jù)分析體系建議主要借用CRISP-DM體系，但是要對商業(yè)數(shù)據(jù)分析建模要有經(jīng)驗，才可以構(gòu)建出清晰的業(yè)務需求。②研發(fā)：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(chǎn)品開發(fā)場景，一個是工藝。在研究和產(chǎn)品開發(fā)領域，除了學科領域內(nèi)的算法，在研發(fā)過程中，物理集成/配方的開發(fā)、最優(yōu)組合或參數(shù)或者配方對應某一效果/性能/成本/質(zhì)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(fā)，比如工藝參數(shù)優(yōu)化、工藝過程控制、工藝開發(fā)等。算法上，用到傳統(tǒng)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(jīng)網(wǎng)絡也會有不少應用。在這個部分，常見的數(shù)據(jù)分析工具有Excel,JMP,Minitab,Matlab,特殊領域的仿真軟件等。數(shù)據(jù)分析體系建議主要是六西格瑪類的體系，在研發(fā)端可以使用SPSS體系，在工藝端可以使用經(jīng)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(jīng)典的供應鏈統(tǒng)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(yè)并未有太大的突破，更多的是怎么使用好現(xiàn)成的方法和算法，不再贅述。比如對庫存控制的領域，經(jīng)典的供應鏈統(tǒng)計學中有結(jié)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(tài)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(xiàn)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(shù)據(jù)分析體系上建議使用六西格瑪體系。④生產(chǎn)制造：除了工藝以外，質(zhì)量、設備、計劃排產(chǎn)、精益生產(chǎn)技術、shopfloor層面、工廠布局/物流路線、EHS、生產(chǎn)組織方式等方方面面其實都可以使用數(shù)據(jù)分析，這也是經(jīng)典六西格瑪里面講的比較多的。比如在質(zhì)量方面，從制程控制SPC、質(zhì)量提升、抽樣控制、判定好壞、識別影響質(zhì)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(chǎn)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(shù)據(jù)收集及學習，比較成功的更多是旋轉(zhuǎn)型設備。設備領域?qū)τ谥刭Y產(chǎn)型公司，比如化工行業(yè)，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(tǒng)，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(chǎn)效率和質(zhì)量。計劃排產(chǎn)類的算法大多集成在APS軟件里，比如遺傳算法。精益生產(chǎn)要跟多的結(jié)合六西格瑪項目推進效果會更好。在生產(chǎn)組織方式可以使用很多的統(tǒng)計學方法來判斷不同生產(chǎn)方式的效率、成本、質(zhì)量等。分析工具角度用的最多的就是Excel和Minitab,也有不