制造业是国民经济的基础和支柱，是一个国家综合实力的重要体现，并从经济层面展示了国家在世界上的竞争力。随着云计算、大数据和物联网等新兴技术的兴起，全球掀起了以制造业转型升级为首要任务的新一轮工业变革，世界上主要的工业发达体纷纷制定了适应本国情况的发展战略。在此背景下，为了加快从制造大国向制造强国的转型，我国于2015年提出实施“中国制造2025”。为了落实这一规划纲要，智能制造是重要抓手之一，而工业大数据则为实现智能制造提供了基础与必要条件。

我们将具体介绍大数据技术在顾客服务模式、生产系统和质量检测三大环节中的应用。

1） 基于大数据的顾客服务模式优化

随着大数据技术的普及，尤其是随着移动互联网时代的到来，顾客对服务的及时性、便捷性与精准性产生了更高的期望，而传统的顾客服务模式已经不能满足顾客日新月异的服务需求。这就使很多公司都开始尝试利用大数据优化自身的业务模式，改善顾客体验。

在营销领域，大数据在顾客分析（Customer Analysis）层面上带来了三项变革，这三项变革彻底颠覆了传统的营销模式。变革之一是收集和存储顾客行为的大数据变得简单易行。在传统营销模式中，被动营销占主导地位，营销链长，缺乏实效性。而造成这些问题的一个重要原因便是实时的对顾客数据进行采集成本过高。而在互联网技术广泛普及的今天，顾客的行为数据往往可以被自动进行记录，现有的存储技术也能够支持相关数据仓库的构建，因此以顾客为导向的主动营销应运而生。变革之二是从大数据中挖掘和顾客相关的知识变得有章可循。数据中隐含着顾客行为的潜在模式，而营销人员则可以利用这些隐含的潜在模式提升自身服务的市场优势。随着近年来人工智能技术的飞速发展，不断有新的算法被提出，模型做出推荐、预测的效果也越来越好，这些新理论、新技术都为利用数据了解顾客提供了坚实的基础。变革之三是利用用户画像提升个性化服务体验逐渐成为了业界的共识。从数据中挖掘知识是为了创造价值，而改善顾客服务模式就是创造价值最重要的体现之一。从动态定价到产品设计，从个性推荐到精准触达，大数据让顾客在享受服务的同时轻松地获取到自己感兴趣的内容，同时提升企业自身的收益，达到了一举两得的双赢效果。

在医疗服务领域，实际上早在大数据技术普及之前，各个医疗机构便积累了大量的历史数据，只不过这些数据是以硬拷贝的形式存储的。随着大数据技术的发展，快速地数字化这些数据已经成为目前的一大趋势。这些历史数据蕴含着极高的科研价值，可以在临床决策支持、疾病监测和人群健康管理等领域发挥巨大作用。医疗保健行业的大数据包括与患者医疗保健相关的所有数据，它包括来自医嘱录入系统（Computerized Physician Order Entry，CPOE）和临床决策支持系统（医生的书面记录和处方、医学成像和其他管理数据）的临床数据，电子患者记录中的患者数据（EPR），传感器数据，社交媒体的相关博文等等。可以在服务中提升顾客的体验。高质量的数据可以减少医疗服务中的差错，提升医疗护理服务系统的协调能力，保障药品的安全性和有效性，提升医疗诊断与决策的准确性。

在交通出行服务领域，随着智能手机的普及，具备定位导航等功能的电子地图极大程度地改变了人群的出行体验。而各大图商在提供服务的同时也积累了海量的历史数据。利用人工智能技术从历史数据中学习交通流变化的规律，再与平台的实时数据相结合，电子地图应用可以将当前的道路交通状况以及对未来一段时间交通状况的预测呈现给用户，并为用户推荐出行方案，为用户的出行带来了极大的便利。与此同时，在线约车、拼车等服务将线下出行的需求端和供给端短路，同样带来了一场出行服务的革命。随着网约车平台的快速发展，网约车平台同样可以利用历史信息和实时数据对交通状况进行预测，从而对车辆进行提前调度，进而缩短顾客的等待时间，在提升资源利用效率的同时提升用户体验。而对于航空服务，同样有FlightCaster等网站基于大数据提供航班延误预告，从而帮助顾客更好地规划时间。

许多以制造业为经济基础的发达国家都在进行产业升级，力图重振工业。在这一背景下，制造业不仅要在生产制造方面谋发展，还应当在服务模式方面求创新。Vandermerve和Rada在其1988年的一项研究中指出，现代企业越来越多地以顾客为中心，为顾客提供产品、服务、支持与知识四位一体的“市场套餐”，以增强企业的竞争优势；此外，他们还断言，在制造业中也应该关注并发展创新型增值服务，以便快速提高企业的核心竞争力。制造服务化（Mmanufacturing Servitization）这一战略创新概念应运而生。制造服务化指的是，制造企业由单纯地销售产品，转变为销售产品服务系统（Product-Service System）。产品服务系统，顾名思义，包含了综合产品和服务产品两个部分。在产品服务系统的业务模式中，“增值”二字是核心。企业在原有产品制造的基础之上，积极探寻能使产品增值的服务环节一并提供给客户，复杂产品的使用培训就是一个典型的例子。在这种模式下，制造企业不仅能够从一次性的产品销售中获得收益，还能从提供的增值服务中获得持续的利润，同时这也将建立企业和客户之间的良好关系，更有利于业务的进一步开展。工业4.0为积累相关的行业数据提供了技术支持。显然，全面服务解决方案的效果是可以通过大数据进行优化的。首先，顾客的消费数据和行为记录可以优化个性化定制生产与服务的效果。顾客的需求千差万别，对海量数据进行充分的挖掘分析有助于更好地了解顾客的消费需求，将个性化需求与产品服务系统相结合，并辅助以精准的个性化服务，有机地实现“大批量的个性化生产”。其次，大数据分析系统可以实时监测与优化运营状态。在新兴技术快速发展的今天，顾客的需求丰富而有多变，市场的环境很难预测并充满挑战，只有能够快速适应市场变化，在第一时间察觉到顾客的新需求，才能让产品服务系统的效益发挥到极致，而这些又都依赖于对大数据的实时挖掘。第三，对全价值链数据进行整合分析可以挖掘出各个生产与服务环节中存在的问题，通过各个环节上获取到的信息反馈来迅速地锁定生产、服务中的薄弱环

节，并加以改善。

若干年前，西尔斯控股意识到从Craftsman、Lands’End等品牌海量的顾客、产品及促销数据中，可以提取到极具价值的信息。尽管进行个性化推荐与促销是非常有效的服务模式，但是这当中也存在着很多困难：推行一次个性化促销活动可能需要八周的时间，因为需要分析的数据规模非常庞大。为了降低这一工作的时间成本，西尔斯搭建了自己的Hadoop集群，并开始以此为依托构建自己的数据分析系统，最终将生成促销活动数据的时间缩短到一周以内，促销活动的质量和效果也得到了长足的提升。据西尔斯公司的CTO菲尔·雪莱的介绍，在工程实践中，从旧的数据库仓储模式向新的大数据生态系统过渡实际是很容易的。由于在2010年时大数据技术还不是很普遍，公司当时选择和Cloudera签约以解决问题。但是随着时间的推移，公司的技术人员和分析师已经开始逐渐熟悉新的大数据分析平台了。

从西尔斯公司的案例中，我们不难看出：如果推行得当，大数据技术可以很好地改善顾客服务模式，提升服务的精准性、及时性，改善用户体验。从理论层面上，公司应首先对现有数据、可获数据进行充分的分析，并对顾客的感知、服务的特性进行充分的了解，从而提出利用数据改善用户体验的服务模式。从实践层面上，公司应能够拥有高效率、高性能的技术环境，在工程上真正地实现对顾客服务模式的改进，提高企业的效益。

2）基于大数据的生产系统优化

在生产系统的演进之中，大数据扮演着重要的角色。在美国和德国的工业4.0中，大数据均被作为重点提及。我们认为，大数据在生产系统中的兴起主要由以下因素导致：

（1）随着收集、存储数据的成本快速降低，生产中的数据痕迹越来越多地被记录下来。这一趋势是由传感器技术、通讯技术、云计算技术和存储技术的发展共同助推形成的。

（2）分析、利用数据的手段不断发展，可用于分析、利用生产中数据算法的提出，使得生产大数据潜藏的价值被发掘出来。适用于生产大数据的抽取、清洗算法，将数据由繁化简，降低噪音，提高数据可用性；适用于生产大数据的数据挖掘、模式识别算法，可以更好地发现数据中的隐藏信息；适用于生产大数据的路径规划、回归预测、机器学习算法，使得更加实时、智能的生产决策成为可能。

（3）随着制造流程和商业活动的复杂性日益增长，仅靠人的经验和分析已经无法满足如此复杂的管理需求，因此在生产系统中引入数据支持势在必行。

实际上，大数据最早兴起于互联网行业，然而仅仅依靠传统的互联网分析技术，是无法完全满足生产系统的需求的。有学者提出了生产系统大数据有别于互联网大数据的“3B”特征：

（1）Below Surface——隐匿性

对互联网大数据的研究主要注重相关性的挖掘和数据特征的提取，而生产系统大数据需要洞悉特征背后的意义，也即需要对因果进行分析，而不仅仅停留在相关性上。

（2）Broken——碎片化

相对于互联网大数据体量之“大”，生产系统大数据更注重覆盖面之“全”。更加全面的数据能够保证从数据中提取的信息可以覆盖生产过程中各类变化条件。

（3）Bad Quality——低质性

除了对抗数据的碎片化，生产系统大数据还需要提高数据的质量。在互联网大数据中，数据“质”的缺陷可以用“量”来弥补，这是因为互联网大数据可以只针对数据本身进行挖掘而不考虑数据的意义，可以直接使用挖掘到的结果。而生产大数据对预测和分析的容错率往往较低，对准确性有较高的需求。

目前大数据环境下制造业的变革可以看作是“5M+1M+6C”。其中“5M”对应了传统生产系统的关键组成部分，包括Material—材料、Machine—机器、Methods—工艺方法、Measurement—测量和Maintenance—维护。“1M”对应了Modeling，即数据和知识的建模。“6C”则对应了引入大数据技术对传统生产系统的增值，包括Connection—传感器之间的连接，Cloud—云，Cyber—虚拟模型，Content/Context—数据内容与来源，Community—社群（数据分享与协同），Customization—定制化。其中“5M”是生产系统的基础，是前三次工业革命生产系统主要改善和竞争的领域；“1M”则是生产系统向智能化转型的关键驱动；“6C”是真正为客户创造价值的创新服务，是工业4.0下生产系统新的核心竞争力。

大数据作用于生产系统，实现由“5M+1M+6C”的综合之后，其价值主要体现在以下几个方面：

（1）零部件及装备层面的大数据应用

在零部件和装备层面，应用大数据技术可以对零件的状态进行记录、特征提取和建模工作，利用得到的模型与零件和装备当前状态产生的数据进行比较，可以识别设备当前的健康状态。通过对当前运行模式的匹配，结合对健康模式随时间变化的分析，能够更加准确地预测零件及设备未来状态的变化，实现设备的自预测能力。例如Kaiser等人提出了基于传感器的预测性维护策略（SUDM），与传统的基于周期检测的维护策略相比，这一方法可以降低60%以上的维护费用。将大数据方法应用于设备维护后，不仅拓展了数据来源渠道，还进一步挖掘了数据中的潜在信息。如Gebraeel通过使用神经网络分析振动信号，对装备使用寿命进行了预测。

基于对设备当前和未来性能的预测，可以制定最优化的执行策略，使设备在满足任务要求的前提下，使用尽可能少的资源，同时尽可能减少对设备可用性的损害，同时在最优的维护时机对设备进行维护。

（2）生产系统层面的智能化

在大数据的支持下，工厂对于设备的健康状态、剩余可用时间、当前精度有了更为准确的认识和预测。这种能力使工厂可以以准确的信息为基础，采取最优的维护措施以提高管理效率，最优化机器的正常运行时间，最终实现零意外和零停机的状态。

（3）服务与制造的结合

制造业向服务端转移是已被公认的趋势。服务型制造这一概念最早由Vandermerewe和Rada于1988年突出，将“制造”的概念进行了扩展，向客户提供从需求调研、产品设计、工程、制造、交付、售后、回收和再制造的全生命周期看作生产的过程。对于服务型制造企业，他们出售的不仅仅是制造的产品，还包括依托于产品的一系列服务。

正如我们之前提到的“5M+1M+6C”模型，基于大数据技术提供的“6C”正是服务型制造所提供增值服务的重要组成部分。在全周期的生产环境下，制造企业通过内嵌在产品中的传感器，获得机器数据，提供机器设备的作业监控、性能维护和预防性养护等一系列增值服务；此外，大数据应用于服务型制造，还可以辅助追踪分析用户需求，从用户的数据中获取隐性的知识，用于指导生产决策和改进；最后，大数据作为沟通用户和生产企业的重要渠道，将有助于企业优化生产流程，提供定制化的产品以满足用户的不同需求。

3）基于大数据的质量检测优化

质量检测是制造过程中最关键的工序之一。传统的质量检测是基于采样的，通过计划采样或者事件驱动采样等手段，质量控制部门从生产线上采样产品，在实验室中执行各种测试来对样品进行鉴定。在过去的生产运营中，这一流程被证明是有效的，但是其缺点也是不容忽视的。有一方面，基于采样的方法往往具有较高的成本；另一方面，基于采样的方法实时性难以保证。使用大数据方法使得质量控制可以基于全量样本进行。这一改进将大大提高质量检测的准确性和实时性。此外，随着大数据算法的发展，模型可以发现多来源质量监测数据之间的潜在联系，从而更加精确地定位质量缺陷。

基于实时制造大数据和相关算法，可以实时对产品质量的瑕疵进行检测。Jia等人研究了利用CCD摄像头和图像识别与比对算法，实时检测汽车生产中塑料件喷涂表面质量。Mirapeix等人则研究了使用神经网络识别等离子体光谱中的异常值，来检测弧焊中的质量缺陷。除此之外，也有大量学者研究了基于计算机视觉的织物缺陷，Kumar对这一研究领域进行了比较完整的综述。实时检测算法的发展使得决策者可以基于实时信息进行决策，这一优势可以大大降低了因决策延迟而带来的损失。同时，也实时监测实现了对制造产品的全量检测。

基于制造大数据及算法，可以实现基于模型的预测性质量管理（Predictive Quality Control）。预测性质量管理是指利用现有数据预测批次内或下一批次的产品表现，以实时调整生产参数。Aumi等人提出使用MPC算法将基于批次的质量控制转化为批次内的质量控制，通过预测算法在一个生产批次中基于已生产的产品预测同一批次中未生产产品的质量情况，同时实时调整生产参数。

通过大数据算法的分析，我们可以发现指标与产品缺陷之间的潜在联系，从而更加准确的定位缺陷的发生以及分析背后的原因。例如Liu等人使用神经网络研究了直流电机运行参数与其失效之间的潜在关系。Samanta等人则结合神经网络和支持向量机（SVM）方法研究了轴承失效与其他运行参数间的潜在关联。这类研究有助于通过加快检测速度，或者提高检测准确度，减少抽样工序所需要的检测消耗。

此外，由于许多不同的工厂可能会生产相同的产品，或者使用相同的设备。使用大数据方法分析多个工厂的结构化及非结构化性能数据将有助于我们定位出现异常的生产流程。在一项针对制造运营管理（MOM）人员的调查中，有36%的受访者表示将多个工厂的数据关联起来有助于改进生产绩效。

基于大数据的工具，以及物联网技术的快速发展。质量检测将从出厂前的一过性检测逐渐转变为产品全生命周期的持续检测。通过综合多数据源的数据，如用户反馈、经销商反馈以及传感器信息，生产商可以对产品的全周期质量进行监测。例如，劳斯莱斯公司使用微软Azure IoT平台，对其制造的飞机引擎进行持续的质量检测，实现了对引擎的预防性维护（Predictive Maintenance）。

改编自：《智能车间的大数据应用》（作者：张洁，吕佑龙， 鲍劲松，汪俊亮 ）