1704033401
开展试点，循序渐进，各有侧重
1704033402
1704033403
许多企业还是认为，利用传统数据技术得出智能可行洞察是件麻烦不小的事。实际上，得益于数据分析技术的进步，这一观点已经过时。上文列举的自来水公司案例就可以证明这一点。
1704033404
1704033405
时至今日，我们已经不需要在将数据导入算法以提取洞察之前，先对其进行标准化或格式化处理。统计应用和数据库系统可接收、存储和消化各种结构化或非结构化的数据，并兼容多种数据类型，如数字、文本或可视数据。即使是不同代数据收集技术采集到的五花八门的数据，现如今也已不再是什么大问题。
1704033406
1704033407
那么企业的数据分析现在处于什么阶段？如何正确构建数据分析能力？
1704033408
1704033409
目前，大多数工业企业已逐渐认识到数据策略和数据分析的主要优势，但还没有十足把握。
1704033410
1704033411
因此，很多企业设立了数据分析项目试点，尝试边学边做。现阶段，相关技术仍在飞速发展，“小处着手，迅速推广”着实是企业构建数据分析能力的唯一方法。
1704033412
1704033413
数据分析终将沿着其他技术的轨迹发展。20年前，企业花费巨大成本，从零开始构建客户关系管理（Customer Relationship Management，简称CRM）能力，且大多是基于自身专有的IT基础。如今，企业均从第三方供应商处购得，CRM也已发展为一项能够按需定制和扩展的成熟云服务。
1704033414
1704033415
最终，数据分析也会如此。但哪些行业平台将会脱颖而出，成为数据分析服务的头号供应商，目前仍是众说纷纭。同其他IT市场一样，面向企业的数据分析服务提供商将会不断合并。不出几年，就会有数家知名供应商可供首席信息官（CIO）和首席技术官（CTO）选择，企业之间也可以相互借鉴。
1704033416
1704033417
这一切都意味着在当前环境中，明智的做法是循序渐进，采取试点项目的形式，聚焦特定用例（见图5.3），一旦有效则迅速推广开来。所以，先有针对性地开展小型分析试点，但企业要尽可能多地开展试点。
1704033418
1704033419
汽车制造商如何扩大分析规模
1704033420
1704033421
欧洲一家汽车制造商近年来发展迅猛，其最终目标是建立一个覆盖全公司的数据分析平台。
1704033422
1704033423
首先，该制造商围绕其质量和保修体系，开展了一个小型分析项目，并最终完成了每年节约1亿美元的价值创造目标，保固管理和维修成本也降低了20%。
1704033424
1704033425
初始问题如下：公司超过3%的营业额用在了汽车保修期内的维修上——三年内保修——而业内领军企业在这一方面的开销只有2%或者更少。
1704033426
1704033427
汽车制造商的目标是提高汽车质量和客户满意度，并通过审查保修申请，降低保修成本。数据分析平台提供了足够的透明性，企业要做的就是充分利用这一平台，彻底改变其保修和质量管理流程。
1704033428
1704033429
海量数据可供利用：多达数百万条的保修申请，每一条均附有描述车辆故障、诊断代码和受影响零件的表格。制造商还能获得部分市场和车型的交易商数据及联网汽车诊断数据。
1704033430
1704033431
往常的做法是有组织地对这些数据进行分析，精确定位每个技术问题并区分轻重缓急，以确定某个具体问题是涉及两辆、三辆还是10万辆汽车，或者根本问题是出在设计还是制造上面。然而，制造商并没有采取这种做法。
1704033432
1704033433
借助新型分析平台，制造商可以提取高清洞察，确定质量解决项目实施的先后顺序，并同供应商和设计部门进行探讨。目前，企业只为符合条件的客户保修，且已成功减少故障检测次数。
1704033434
1704033435
之所以说这是制造商长期战略的一部分，一个重要原因是这个围绕质量和保固管理创建的分析平台将会不断壮大，最终帮助零件制造商提高产品质量——且该平台会逐步涵盖整个价值链。
1704033436
1704033438
灵活的数据分析服务和边缘计算
1704033439
1704033440
只有从小型数据分析项目入手、后期逐步推广，才能充分彰显基于云的数据解决方案的优势，因为这样一来，技术运用正确与否的风险就全部由云供应商承担。对工业企业而言，如果数据分析变成一种订阅服务，那一切就会变得更加简单。
1704033441
1704033442
对数据分析服务提供商而言，云服务有成百上千种，哪种将会统领市场这一问题仍没有定论。但云服务的特殊之处在于其初期投资很低，只需构建几项内部能力即可。试点成本和概念验证的成本也降到了最低。云服务还有另一优势，那就是如果某项技术的实际运用效果不佳，可以随时终止。如此一来，现有的云供应商就有机会参与到企业开展的小规模、低风险试点项目中来。
1704033443
1704033444
同时，云分析也存在一些问题，因而不适用于某些情境。一家大型跨国工业企业的海量数据并不是每次都能轻易地打包并发送至数据云，以提取洞见，因为从各处收集而来的用于远程分析的机器数据通常都太过庞大，不是一种有效的实时决策工具。
1704033445
1704033446
譬如说，不同地点上百台机器的震动或温度数据的传输需要时间，而要获得低延迟可行洞察，要求极高的数据传输速度。又或者利用率99.9%的云分析平台成本太高，企业无法负担。
1704033447
1704033448
幸运的是，不是所有的企业数据都要上传至中央处理器，如同云计算以及企业融合运营数据网和信息数据网时的做法一样。解决方案是在数据生成设备附近部署更多的分析中心——这一相对较新的概念就是“边缘计算”，意味着数据处理不再总是发生在后台。恰恰相反，企业内会形成一个分布式数据分析格局，这样一来就不会出现要处理的数据过多，而分析中心不够用的情况（见图5.6）。
1704033449
[
上一页 ]
[ :1.7040334e+09 ]
[
下一页 ]