我们LNS研118金博宝app究公司在过去的几年里一直在研究、撰写、建议和咨询大数据分析在工业领域。作为我们的一部分重要指标研究我们已经展示了制造商如何相信商业模式转型和资产等领域价值。
我们还讨论了如何将大数据分析部署为网络服务的一部分工业物联网(IIoT)平台作为它的紧密耦合云这取决于成功部署的连接性,用户希望它能作为下一代应用程序的一部分。
尽管如此,绝大多数工业公司仍然没有成功地使用大数据分析技术。为了让大数据分析在工业领域成为现实,我们作为一个行业需要做出许多额外的改变,包括:
- 改善连接
- 解决数据模型的缺点
- 转换系统架构
- 开发一个简单的框架来理解和部署传统的和下一代的大数据分析
数据科学家的短缺
然而,即使这一切都发生了,它也无法解决一个根本的限制因素:数据科学家的数量和费用。永远都不会足够数据并不是每一家工业公司都能像IBM、SAP、通用电气(GE)和西门子(Siemens)这样的公司,从硅谷或马萨诸塞州剑桥等地区招聘100到1000名数据科学家。此外,还没有足够的资源来构建共享服务大数据和数字化内部和外部用户服务。
此外,即使每个制造公司都有能力采取这种方法,这是最好的方法吗?我们是否都应该教数据科学家如何得到工业部门的支持4.0工业智能制造计划?或者我们应该教授行业领袖和专业知识大数据和数字技术?
幸运的是,我们有一个相对较近的例子,可以帮助我们了解什么是正确的方法。就在几年前精益和六西格玛是趋势,近25%的工业公司正在采用支持六西格玛的项目。虽然随着时间的推移,推出了许多不同的六西格玛咨询和技术公司,但在早期的许多年里,它完全是一种本土方法,工业公司自己开发了工具、方法、培训和认证计划来支持这些努力。
建立在从六西格玛计划中学到的基础上
值得注意的是,随着六西格玛动力的增长,摩托罗拉、通用电气和其他公司推出了项目和举措。这些公司不会雇佣成百上千的统计或金融天才。相反,这些公司聘请了制造和工程领域的专家,教授了足够有针对性的统计、财务和项目管理技能,以启动、领导和完成成功的六西格玛项目。重点是教会制造商、供应商和客户足够的统计数据来减少过程中的可变性,并理解这些减少的好处,而不需要掌握多变量统计数据。
然后,随着势头进一步增长,益处变得不可否认,围绕六西格玛培训出现了一个完全有机的认证计划,棕带、黑带和主黑带都声称具有不同的熟练程度,并记录了项目节省。随着时间的推移,这些认证甚至成为了重要的招聘标准和简历构建者,巩固了六西格玛在我们行业中的重要性和价值。
大数据分析是一个程序而不是工具
今天的工业企业需要采取类似的大数据分析方法。作为一个行业,我们需要有机地开发一个行业特定的大数据分析工具集,这样我们就可以教今天的主题专家足够的数据科学来实现数字化转型,而不是相反。为了实现这种变化,我们需要看到一些早期采用者采用这种方法,并向其他人证明这种方法的价值;我们已经开始看到了。思科目前在其供应链组织中有80名数据科学家,他们都是通过2年的内部培训计划完全培养出来的,思科并不是唯一这样做的公司。默克(Merck)等其他公司也采取了类似的方法,建立了一个本土数据科学团队,开始提供强大的投资回报率。
正如六西格玛不是由技术和咨询公司卖给行业,而是由领先的工业公司开发和推广;大数据分析也必须如此,为了取得成功,这些领先的工业公司需要建立以下制度:
- 大数据分析术语的通用语言和品牌,包括:工具、方法、培训和认证。
- 一个行业特定的框架,用于将用例映射到经过验证的大数据分析工具。
- 一种通用的方法,用于识别用例,估计潜在的财务收益,并跟踪实际的财务收益,以证明未来的工作是正确的。
- 一个共同的培训和认证计划,以帮助开发和交流在工业部门创造新的人力资本。
118金博宝appLNS Research希望一些领先的工业公司能够迎接挑战。随着这些公司沿着这条道路前进,我们希望继续倡导和支持这一变化,并成为行业内这一有机发展的强有力的沟通渠道,以帮助扩展和加速这一趋势。
新的研究焦点通过探索当今制造业正在发展的云和工业物联网技术,从单一的、单工厂的MOM架构迁移,最大限度地降低风险的战略和建议。