制造企业的数据分析应该怎么走？怎么做？如何识别这些热门技术的适用性？接下来，我们将讨论和分析。
经过近几年各层次的宣传，制造企业(销售、研发、供应)的负责人已经熟悉了很多热词，比如工业互联网、工业互联网、数字工厂、工业4.0、智能制造、智慧营销、数字供应链、大数据、人工智能(AI)等。当每天被各种热词灌输时，总会忍不住想：
我的生意该怎么办？
有效吗？
我们能改善我们的商业状况吗？
能增加销量吗？
库存情况能改善吗？
质量能提高吗？
你能降低成本吗？等待.
然后，我们将讨论和分析制造企业如何走数据分析之路，如何走，以及如何识别这些热门技术的适用性。
怎样区分热点词汇和技术对企业的适用性
>① 国家宏观战略和企业落地战略的差异
制造型企业主要是以产销研供为主开展经营和管理的工作，因此消费者放心开心省心、盈利能力、成本下降、高效运营、质量优良、合法合规等是企业落地战略的核心。国家宏观层面战略宣传的热点，很多时候偏重于一个长周期的战略布局且带有其他很多因素，包括国家竞争层面的布局，行业和产业的长期发展等，而制造型企业落地战略在时下的情况更多需要着重在中短期的盈利，一部分会兼顾到长期的发展，所以企业在选择战略的路上，要分清长期和国家宏观战略的匹配，同时短期怎样突破变局和僵局进行对应布局。
同样，对于数据分析类的技术，也要看短期怎样看齐发达国家企业过去几十年积累的数据分析体系、模型和应用，夯实基础，结合管理和经营进行有效的变革。长期要看怎样在有了这些基础之后，在利用更前沿的数据分析技术进行布局，比如大数据，人工智能等技术。当然，对于本来可以一步到位的场景，可以直接采用，但是对于制造型企业，往往这种场景会比较少。对于销售面对电商场景和线下大量门店的消费品制造型企业，往往在营销端短期就要尽快布局云、中台、大数据分析等技术实现快速变现和应对竞争，但是产研供更多依赖中长期的积累和基础才有可能使用更多的前沿数据分析技术，产生投资回报较高的收益。
制造型企业使用数据分析的本质
数据分析在制造型企业其实主要就是两个目的：判断和预测。如果按照层次来分，我们可以分为三个层次：
第一个层次: 描述过去已经发生的。比如使用常规excel报表, 说明产销研供各个层面发生了什么。然后通过查询和汇总描述数量、频率和地点等关键因素。在通过BI工具，比如PowerBI, Tableau等进行多维度的透视分析，寻找更多维度的因素。这一层次，是所有制造型企业应该具备的，不幸的是，这一层次中多维度分析透视很多企业还懵懵懂懂，Excel和BI工具的使用还不够深度，对业务和经营管理的理解也欠缺。在这个层次，我们还只是停留在描述统计的领域，并未做更高一些的数据分析。
第二个层次：了解现在正在发生的或短期即将发生的。在这个层次，我们进入了高一级的数据分析领域，会采用大量的统计分析方法和工具，数据的实时性也要求较高，即对信息化系统也有一定的要求。比如通过采集多种工艺参数来及时调整原材料的成分或规格波动带来的产量减少；比如通过DOE、田口正交可以判断接下来要做的事情是否合理，不管是配方，效果，工艺参数，营销效果等。这里面即可以根据实时采集的数据进行描述性分析，并结合经验或实验数据进行判读和控制，也可以通过统计分析方法建立数学模型进行自动或半自动判断，比如常见的线性和非线性回归方程、PID、传导方程、矩阵参数调用等。这些方法论即可以使用在生产制造过程中，也可以使用在营销和其他职能体系中，当然，我们也可以使用互联网企业常用的推荐算法，比如对全网销售数据的实时分析，对目标人群的实时动态划分到推送。
在这个领域，数据分析工具就非常的多了，除了常见的Excel, PowerBI, Tableau等工具的深度使用，还有专用的数据分析工具，比如Minitab, JMP, SPSS, SAS等，这些可以使用在传统的统计分析领域和特定的行业（比如生物制药领域），也可以使用在营销等场景下的机器学习应用。除了这些分析工具，很多的工业软件和硬件本身也具有统计分析甚至机器学习的能力，最常见的就是视觉系统，比如Intel的OpenVINO所支持的深度学习算法系统，比如某些MES里集成了SPC的工具。所以，怎样使用现成的领域里的数据分析工具也是一门学问。基本上所有制造型企业需要进行的数据分析场景在现成的各种软件和硬件产品里都有，并不需要重新开发大量的平台和新算法。
绝大数企业应该突破的就是第二个层次，在组织、人才、体系和工具上在中短期着重建设这个部分，赶上发达国家的龙头企业。这块也是发达国家龙头企业在过去几十年数据分析领域着重建设的，并形成了其各个模块的核心竞争力。
第三个层次：预测未来的情况。这里我们要说明一下，在第二个层次中其实我们已经建立了很多模型和算法对未来进行预测。因此，在第三个层次中，我们更加强调除了预测未来的情况还会预测可能出现的不同情况的概率，以及其最好的解决应对方案，以及解决方案会带来的可能的结果。这就更多涉及了AI这个层面，在制造型企业见到这种应用场景偏少（常见的销售预测、质量CPK、研发和工艺的实验设计、可靠性设计及预测、仿真模拟类的、机器学习类的包括预防性维护等都列入第二层次），所以这里不再赘述。也许，这个部分，更多是要借用真正的大数据平台，结合企业内的数据，社会数据，第三方数据等进行深度的学习。
制造型企业使用数据分析的场景
通常在统计学领域，我们把企业的数据都可以叫商业数据，不管这个数据是来自于市场部门、质量部门、服务部门、供应链部门、研发部门还是人资部门。对应的一门学科就叫商业统计学。基于如上的定义，我们来探索一下数据分析和数据分析体系在不同场景中的应用可能是怎样的？（本文限于篇幅不介绍具体案例，只涉及场景）
① 营销：
我们分三个主要的场景来说明。第一个是线下营销场景，使用到商业统计分析的主要是产品怎么组合带来的销售额最大、该给哪些消费者寄礼物和卷能够加大其消费概率、哪里选店最合理、区域销售因素主要是哪些因素决定的、销售预测、折扣多少比例能达到最大销售额/销售利润率、哪些产品的反馈更好、应该开发哪些产品、不同产品在不同区域和人群应该怎么投放/陈列等。
第二个是线上场景，在这里使用商业统计分析和机器学习的组合方法较多，包含人群圈选和分类、千人千面的营销策略、推送策略、自然语义相关的评论分析等。
第三个是营销管理相关的场景，更多是营销活动费用的最大化投入产出、营销策略的好坏及效果、不同区域的营销策略制定、销售预算的有效性/广告有效性、营销团队的分析。
在如上三个主要场景中，牵扯的算法比较多，传统的商业统计分析方法较多，包含假设检验，回归，DoE，机器学习，方差分析，时间序列分析等，使用的工具可以是Excel，JMP，Minitab，Tableau，SPSS，Adobe Analytics等，也可以结合一些SAAS平台的集成工具，比如SAP IBP和CX两个套件里的分析工具，阿里的PAI。具体使用场景要看场景来进行选择。数据分析体系建议主要借用CRISP-DM体系，但是要对商业数据分析建模要有经验，才可以构建出清晰的业务需求。
② 研发：
这里我们分为两个主要场景来讲，即一个是偏重于研究和产品开发场景，一个是工艺。在研究和产品开发领域，除了学科领域内的算法，在研发过程中，物理集成/配方的开发、最优组合或参数或者配方对应某一效果/性能/成本/质量/服务/效率的最佳组合、可靠性分析和预测、公差分析、寿命预测等。在工艺场景也类似于研发，比如工艺参数优化、工艺过程控制、工艺开发等。
③ 供应链：
对于仓储物流、计划体系等场景，着重可以使用经典的供应链统计学，里面有大量的算法可以使用，包含运筹学等。在这里对于制造型企业并未有太大的突破，更多的是怎么使用好现成的方法和算法，不再赘述。
④ 生产制造：
除了工艺以外，质量、设备、计划排产、精益生产技术、shop floor层面、工厂布局/物流路线、EHS、生产组织方式等方方面面其实都可以使用数据分析，比如在质量方面，从制程控制SPC、质量提升、抽样控制、判定好坏、识别影响质量的因素等方面。在设备方面，这里不建议非设备生产商去研究自己工厂设备的预防性维护。
⑤ 其他职能模块：
除了如上四个大的模块，其他职能也可以充分使用数据分析提高管理水平和效率，减少风险和成本。比如在人资，可以使用统计分析来分析人员结构，薪资结构，不同培训课程的培训效果，人员离职的分类及对策等。在风控领域，更多是看数据的波动和异常，尤其是财务类，这里方差类分析也是有用的，机器学习类比如分类算法也是常用的。甚至在经营和战略层面，我们也可以使用回归和方差等分析来判断预算是否能够产生经营效果，并对未来的销售进行预测。
制造型企业搭建两级数据分析组织
采用两级数据分析的虚拟组织通常是大公司的业界最佳实践。
● 第一级，即在总部层面或者某一部门内部有行业专家掌握数据分析的能力可以对重大变革项目进行支撑，同时兼任培训培养和提高本组织内的数据分析能力的职能，构建本体系内的数据分析体系、方法论、模型、工具选择等；
● 第二级，即全体员工或部分骨干员工，掌握一定的数据分析能力，具有对日常工作运用其数据分析的能力，其在第一级专家所构建的数据分析体系、方法论、模型和选定的工具之下进行操作。
“总结：对于产销研供的制造型企业，一是建议企业要明白自己的痛点，在根据痛点来布局组织、人才、方法论体系、工具和流程；二是建议要打好基础，不管是管理的基础还是数据分析的基础；三是切勿好高骛远，认为热点的技术能够马上提高企业竞争力，只有当数据分析和企业的经营管理以及决策等较好的结合，才能产生比较大的效果，形成企业的核心竞争力。
