重要挑战:工业分析失败的三大原因

先进的工业分析程序是在当今制造业的关键阶段。LNS最新的“Analytics That Matter”研究显示，在最近接受调查的工业企业中，有三分之一已经完全投入到高级分析项目中，几乎有两倍多的企业正在进行试点或在未来12个月内制定了预算。

在回报方面，虽然少数这些公司已经开始从这些项目中获得巨大的进步，但其余大多数公司仍然面临着各种挑战，结果微乎其微或停滞不前。

在这篇博客文章中，我们将简要讨论工业公司在分析之旅中面临的三大挑战数据质量、遗留系统和从工厂收集购买．

数据质量问题

如上图所示，数据质量是制造业企业分析计划面临的头号挑战。这并不奇怪，因为我听说过很多分析和数据科学团队花费70-80%的时间和精力在数据准备和清理上，而不是分析上。虽然执行数据清理很重要，但更重要的是要知道在哪里执行数据清理以及在哪里保留数据原样。

一些常见的数据质量问题包括数据丢失、数据不正确、异常、数据不符合要求的格式、数据没有上下文等等。有趣的是，虽然大多数公司拥有管理这些数据质量问题所需的技能集，甚至在某些情况下拥有正确的技术，但他们通常缺乏一套标准化的治理流程来执行这些问题。

因此，一些领先的公司已经采用了结合敏捷、DevOps和精益方法的DataOps，以确保高水平的数据质量。例如，一些常见的DataOps实践包括在组织的多个级别上创建数据保管人角色，将数据质量职责尽可能地推向源，等等。

供应商在数据质量方面也有重要的活动。一些主要的工业分析供应商最近将一些数据质量和调节&背景化功能作为其产品的一部分，一些新的供应商将自己定位为数据ops、数据质量和可靠性解决方案。

遗留系统及其数据模型

除了数据质量，Analytics面临的一个主要挑战是遗留系统。这些都是老一代的企业系统或数据库，功能有限，UI过时，互操作性极低，几乎给每个公司都带来了负担。尽管存在这些缺陷，但这些系统不能被撕裂和替换，因为它们与现有工作流和底层架构过于完整。

对于今天的大多数分析程序来说，将数据与这些遗留系统连接起来需要花费大量的时间和资源。为了解决这个问题，许多公司尝试将现有的遗留系统和其他数据源整合到一个公共数据模型中。但是，由于每个系统都有自己的数据模型和结构，因此构建自定义集成和api来实现这一点将是极其困难的，甚至是徒劳的任务。

另一方面，更有效的策略可能是构建基于图的数据模式，可以将其看作是映射这些数据源的公共属性和元素(节点)的数字线程。这种增量式数据模式以及敏捷方法可以帮助克服许多与构建公共数据模型相关的传统数据映射挑战，通常需要几年的时间。

上面所示的工业数据中心是LNS Research展示的数据模式如何将现有的遗留118金博宝app应用程序映射到一些现代平台和应用程序。

收集操作的买账

除了数据和技术，分析还面临着重大的组织挑战。第三种类型的挑战主要来自这样一个事实，即分析计划通常由IT或数字领导者推动，而没有工厂级工程师、主题专家和一线员工的参与。

正因为如此，许多工厂级团队最终不会积极参与任何分析计划，而是更喜欢基于纸张和直觉的决策来完成他们的工作。此外，还有工作保障的因素。许多一线员工不喜欢现代数据驱动流程的一个主要原因是，他们担心这些流程最终会取代他们的工作。

以上数据表明，这是近三分之一的追随者共同面临的挑战。另一方面，领导者通过在员工的思维中灌输以数据为中心的文化来应对这一挑战。这种以数据为中心的文化使整个组织(不仅仅是IT和数字团队)对数据的使用民主化，确保运营和工厂级人员:

• • • 以要求的格式访问要求的数据，

    • 相信数据，

    • 并能据此及时做出决定。

培养这种以数据为中心的文化，并让工厂级人员参与分析之旅，确保他们支持甚至担任这些分析计划的拥护者。

总结与建议

今天的制造商正处于分析的关键时刻。虽然行业领导者已经奠定了基础，现在正在积累逐步变化的好处，但剩下的大多数人却落后了，必须迅速行动起来，迅速应对挑战，才能迎头赶上。

这篇文章中提到的挑战绝不是一个详尽的列表;这只是制造商面临的一些更常见问题的一个子集。118金博宝appLNS Research建议，在分析项目中苦苦挣扎的公司开始通过以下方式应对这些挑战:

• • • 提高数据质量-工业分析程序面临的最大挑战-优先考虑．数据质量不仅仅是确保数据对所需的团队可用，还要确保数据是所需的格式，具有所需的上下文(元数据)，并在所需的时间内可用。更多关于数据质量的内容将在我们的下一个研究重点“重要的分析”系列中出现。

    • 灌输和培养以数据为中心的文化通过在整个企业中实现数据的民主化使用。这确保了工厂级别的工程师、经理、主题专家和操作员都被领导层所设定的愿景所吸引。

    • 实现DataOps和治理流程确保高水平的数据质量和上下文。这包括创建团队，组建跨职能委员会，甚至是具有正确工具和职责的执行级别的领导者，以将数据视为资产。

    • 没有花费大量时间和精力构建整体数据模型，而是采用一种更敏捷和增量的方法，通过映射公共元素和属性来构建基于图的数据模式。

本产业转型博客中的所有条目都代表了作者基于其行业经验的观点，以及他们对使用本文中描述的方法收集的信息的看法科研诚信．所有产品和公司名称均为其各自持有人的商标™或注册商标。使用它们并不意味着与他们有任何联系或认可。