制造业的数据分析为什么难,我们该怎么做?
制造业数字化转型升级是新一轮技术革命和产业变革的重点方向,着力提升制造业产业链、供应链的数字战斗力。随着数字化转型浪潮逐渐推进,制造型企业的管理者已经熟知很多热词,比如工业互联网,产业互联网,数字化工厂,工业4.0,智能制造,智慧营销,数字化供应链,大数据,数据智能、人工智能(AI)等,在每天被各种热词灌输的时候,总是不禁去问:
我的公司怎么应用这些新技术?
能否给我们提升效益?
能否改善经营情况?
能否提升销量?
能否帮我们开拓市场?
我的企业应该怎么干才行?
能否降低我们的成本?等等...
种种问题在脑海里不断涌现,一直想探个究竟!随着很多公司推出的咨询类、软硬件、系统集成、数据应用等产品和服务,林林总总,让人眼花缭乱,在这些产品和服务里,总是会强调数据分析,大数据,机器学习,数据挖掘、数据智能、人工智能这些热点,提高企业管理人员的兴趣,企业管理人员也对此寄于较高的期望,有些人会觉得这些数据分析的技术能够马上改变企业的现状,以为能解决多年的顽疾。
事实上,以目前数据分析,尤其是大数据应用领域行情来看,制造业确实不如互联网信息行业、零售行业,金融等行业对数据的应用深入。
那么,生产制造型企业的数据分析之路应该怎么走,怎么做,怎么辨识这些热点技术的适用性、可行性,接下来我们来进行讨论和分析。
***************************************************************************************************************
— 01 —
全方位看数据,数据应用市场洞察!
① 国家对数据定位清晰,数据成为新的生产要素
2020年4月,中共中央、国务院发布《关于构建更加完善的要素市场化配置体制机制的意见》,将数据作为与土地、劳动力、资本、技术并列的生产要素,要求“加快培育数据要素市场”。数据要素涉及数据生产、采集、存储、加工、分析、服务等多个环节,是驱动数字经济发展的“助燃剂”,对价值创造和生产力发展有广泛影响,推动人类社会迈向一个网络化连接、数据化描绘、融合化发展的数字经济新时代。通过市场化竞争的方式,将这些要素视为”商品”,让其在市场中充分流动,自由竞价,最终使得每个要素都流向其可以产生最大价值的地方。
② 制造业数据分析方法不断趋于客户化、场景化
时代的变迁下,数据分析技术或方法不断趋于客户化,立足于客户需求,快速提供服务。场景化的演变将需求从原来整体式的需求,逐渐演变成场景化需求,就像我们现在需要某个东西,马上就可以拿到。我们举例说明,比如客户有商品销量预测这个场景,如何实现:每个制造商都知道他们不仅在为当前已有的订单制造产品,而且还在为不久的将来可能出现的需求订单生产产品。需求预测很重要,因为它们能够指导生产链,如果预测失误,可能产生“一边是强劲的销售量”,而“另一边却是工厂缺乏大量的相应配件库存,无法满足需求”。对于大多数公司而言,预测是基于前几年的历史数据价值,而不是基于更具可行性的前瞻性数据。但是,制造商可以将现有数据与预测分析相结合,以更精确地预测购买趋势。这些预测性见解不仅基于先前的销售,还基于流程以及生产线的运行状况,从而可以更明智地进行风险管理并减少生产浪费。
③ 制造型企业数据应用向互联网企业借鉴经验
一部分电商类型企业或互联网企业从组织上、经营目的上、数据本身和分析方法以及分析工具和数据分析的基础上来看存在很多差异。不管从数据分析的种种维度上和组织上来看,其实两者都有差异,那么,在有这些差异的情况下,制造业数据应用就需要精挑细选,找到有用的部分来补足制造型企业的不足。制造业可借鉴互联网企业的来自于其对C端精准营销数据分析技术和经验,以及其信息化系统,其他在研产供销等方面更应该借鉴本行业/相邻行业的最佳实践的数据应用与分析经验。
④热点数据分析技术在某些细分领域有成熟应用
机器学习、人工智能、神经网络这些词汇总是在找热点,吊住大家的胃口又不让你真正体会到其美味。这里我们要注意其实在很多细分的领域是有成熟的数据分析技术、分析软件以及方法论体系支撑。比如制造型企业中的供应链这个模块,不管从选开店地址、分仓选址、配送路径、仓储操作及库存控制、销售预测、需求管理、计划与排产等,都有成熟的方法论、体系和最佳实践,比如供应链统计学、六西格玛体系等,分析工具也有很多这里不再列举。当然,我们也不能说这些热点的技术是没有用的,在现在数据分析工具里,也开始大量的集成了这些技术,只是这些技术是有一定的适用场景的。
**************************************************************************************************************
— 02 —
制造业,数据分析的本质是什么?
数据分析在制造型企业其实主要就是两个目的:诊断和预测,诊断主要是回顾过去,也可以理解为现状分析,而预测则是展望未来,也就是前瞻性分析。如果按照层次来分,我们把它分为四个层次:
第一个层次: 现状分析(过去发生了什么)。
这个层次主要是针对企业内部历史数据,进行统计、汇总进行描述性分析,看看过去企业发生了什么。以前,常用Excel工具,各个部门自己需要时也都会做。后来随着BI工具的普及和应用,有的企业也会用,比如:QlikView,经营分析平台,或者微软PowerBI等软件进行多维分析、穿透查询。分析下目前企业整体运营情况,并通过各种运营指标衡量运营是好是坏,它的表现如何。
按理说,很多制造业数字化也达到一定的程度了,但这一层,也有很多企业用的还不够深入,对业务和经营管理的理解也欠缺。因为在这个层次,还只是停留在描述性的分析,并未做更高一些的数据应用。
第二个层次:原因分析(为什么会发生)。
在这个层次,我们进入了高一级的数据分析领域,找寻上个层次发生问题的原因,看看到底为什么会发生,比如,一个地区的销售业绩下滑,到底是人员问题,还是市场饱和问题;利润下滑,到底是成本问题,还是营销问题,等等。在这个层级,我们也会用很多统计方法和工具,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。
根据数据分析市场相关数据来看,多数企业数据分析大部分处在这个位置,都在寻找突破的方式和方法,让企业数据分析能力更上一层楼。
第三个层次:洞察规律(现在如何去做)。
所谓洞察,就是理解事物为什么会发生,找到事物发展的规律,并对未来事物的发展进行预判。商业洞察就是对商业逻辑的探寻,寻求商业现象背后的逻辑和因果关系,从而为商业决策提供依据,支持洞察的就是企业的数据。通过数据技术手段对企业的数据进行监控、监督、检查寻找规律,找到更好的应对商业问题的方式,以便更好,更快的开展业务。
第四个层次:预测未来(未来会发生什么)。
经过了前面几个层次的数据应用的建设,对很多企业来说已经达到一定目的了,通过数据发现了问题,找到了问题发生的原因,然后再去改善,更好的支撑了企业的运营。
当然,这还不够,因为预测才是数据分析的终极目标,我们最终要用预测指导未来实践的规律。前三个层次中展现数据是其实是数字化的证据,而在日常的管理上,数据的价值更加在与其是“数字化的依据”,是决策的依据。既然是依据,那么就必须对未来的状况做出判断,即要对未来做出预测。数据分析是为经营和管理决策服务的,最终还是要指导我们未来的实践,所以预测是数据价值最能发挥力量的方式。
**************************************************************************************************************
— 03 —
制造业,使用数据分析的场景
其实,对于制造业的数据分析,每个组织,每个领域都有需求,数据分析应该贯穿整个企业的价值链各个环节。
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?
① 营销
营销领域在数据分析上尤为重要,营销的对象就是消费者,就是制造的最前端,正面客户需求。能否更好的链接客户,识别潜在客户,保持现有客户,争取竞争对手的客户,关键看我们对客户的了解多少,对营销数据的掌控是关键因素。
又或者企业如何更好的识别现有客户是否有坏账风险,是否有法务、司法等风险,一旦客户有风险发生,应收账款是否能收回,这些都需要对企业内部营销数据,和外部大数据结合进行综合评分、评估给出风险等级,以备风险发生。
对于一些有零售门店的制造型企业,门店的要货及配送,以及精准识别客户喜好,做好精准营销,以及零售商品的关联推荐,对门店的销售量提升至关重要。大数据时代,这些需求正逐渐被放大,很多企业都在利用大数据技术指导企业营销。
② 供应链
在供应链管理过程中利用大数据分析技术不仅使供应链管理者更好地监控供应链状态,而且还可以更轻松高效地与供应商伙伴进行协作。大数据技术对看不到的商机有很强的洞察力,能够发现更多的合作点,合作伙伴之间可以通过新的商机和合作点形成新的合作关系,大大增加企业开展业务的能力。
由于供应链数据分析为供应链加持了超能力,交易、物流、售后等所有环节都可以更快地进行。利用大数据,企业能够更快地分析最有价值的数据,提升供应链的整体能力,除此之外,大数据还能及时发现供应链的不足和缺陷,让企业在供应链出现大范围的影响之前进行优化和改进。
③ 生产制造
设备预测与监控,变被动为主动:制造系统往往在超负荷状态下运行,任何工作中断都可能导致螺旋式上升的损失。即便如此,大部分公司采用的解决停机问题的最佳方案只不过是等故障发生后再解决的方式。到目前为止,这种反应性系统还在被采用,是因为显然缺少更好的替代方案。通过整合大数据分析,企业可以开发能够持续衡量自身维修需求的制造系统。这种特性赋予了制造系统在许多情况下进行自我修复的能力,并为不太容易解决的情况提供早期警报。更重要的是,数据分析可以洞悉哪些组件最常发生故障,从而帮您从被动式维修提升为主动式维修。
结合物联网,提供机器利用率与有效性:制造商遇到的最大问题之一是进入低效运转的境况。虽然主观上他们希望构建高效的制造链,但由于安装不当、使用不当或仅缺乏停机时间协调,各种不同的因素都可能会成为降低生产线整体效率中的关键。通过将现有的物联网系统与强大的制造业预测分析相结合,企业可以实时洞察其生产线在微观和宏观上的运行状况。追踪单台机器的停机时间如何影响整个制造链,或者探索不同的配置如何提高整体效率,这不是“痴人说梦”,而是必须要做到的。生成可操作的数据以使企业在整个制造过程中实现真正的改进,是将分析应用于制造业的主要优势。
当然,对于生产领域还有更多的场景试用数据,比如,车间看板,生产线看板,库存及质量可视化管理,等等,都是利用数据分析技术,让数据发挥其应有的价值。
④ 财务
财务人员对数据分析的需求是非常迫切的,这个和财务本身的工作有关,每天需要各种报表,查看收入、收款,资金,现金流等,还要评估是否有财务风险,坏账,费用是否超预算等等。
越来越多的经营数据被存储在不同系统、不同数据库、不同账套中,面对日积月累的财务数据,对于财务工作者光是处理这些数据就能损耗掉自己大半的精力,领导若是有些特殊的分析需求,还需要人工去系统将历史的数据导出来,这时已经不单单是出具报表之后就能完事了,那该拿这些财务数据怎么办?
大数据时代,数据分析人才短缺,掌握数据分析工具的会计人员更加稀缺。但是很多人觉得使用数据分析工具门槛太高,对技术小白不友好,便断了念头,只能忙于用Excel整理分析数据,痛苦于重复劳累的重复工作。近年来,出现了很多自助数据分析工具,可以说顺应了时代潮流,打破了技术壁垒,让每个处理数据的人都能轻松掌握使用数据分析工具,真正让数据成为生产力。
⑤ 智慧洞察,风险监控,预测未来:数据智能将是数据分析下一站
除了以上5个场景,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,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,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。
**************************************************************************************************************
— 04 —
制造型企业,数据分析建设指导
从流程驱动到数据驱动三步走,能力提升五台阶
第一步:夯实基础
整理数据规范,实现业务指标标准化
业务指标梳理,建立并完善指标库
建设财务、供应链、生产、成本等主题分析
第二步:能力提升
建设统一数据平台,满足日常业务报表及高层分析报表管控需求
建设企业运营分析、渠道分析、门店分析,市场分析
数据大屏,管理看板,移动分析提升企业经营管理
第三步:价值创造
完善企业数字化管理理念,提升数字化管理水平以数据驱动管理,为企业长远发展转型保驾护航
整合内外部数据,建设企业大数据平台,转变数据资产,形成洞察,风控,预测能力
数据价值提升之路,无论对制造业还是其他行业,注定都是不平坦的道路,因为数据整合和治理是在很多业务系统上线完成后,重新进行数据的规划和利用的,肯定涉及一些标准不统一,数据不完善,数据质量比较差的情况,但如果掌握了好的方法,同样可以把数据变废为宝,从基础整合,到被动分析,再到数据共享,全员参与主动分析,最后让数据价值最大提升。
**************************************************************************************************************
— 05 —
结尾
对于制造业来说,要做好数据分析,数据应用必须要做好准备,不能脑袋一热,找来几个热点技术厂商、或者软件厂商,过来讲讲,任凭厂商乱开药,结果不对症。
企业首先要立足于自身痛点,做好企业的数据战略,短期内应该达成什么样的目标,长期有什么样的规划。然后再组建团队,储备人才,寻找合适的方法论体系支撑。最后,打好数据基础,循序渐进。只有将数据分析、数据应用的方法和企业管理决策想结合,才能真正起到作用,形成企业的核心竞争力。
发布于 数据智能 社群
推荐阅读