京公网安备 11010802034615号
经营许可证编号:京B2-20210330
制造企业利用大数据分析应对极具挑战的商业环境
一项针对200位高管开展的调查显示,大多数制造企业有计划明年增加数据分析方面的投资,即使需要推迟其他技术投资
霍尼韦尔成熟的自动化技术和服务能够助力制造业向工业物联网演变
美国得克萨斯州休斯敦2016年9月19日电 /美通社/ -- 霍尼韦尔 ( 纽约证券交易所代码: HON )过程控制部近期联合KRC Research研究机构开展的一项针对制造企业高管的调查显示,大多数受访者(67%)都在积极推进数据分析方面的投资计划以应对极具挑战的商业环境,即便削减其它领域的投资也势在必行。
当被问及原因时,很多受访者表示数据分析是工业物联网(IIoT)的关键组成部分,它能够有效解决导致停机和利损的一系列问题。
霍尼韦尔过程控制部数字化转型业务副总裁兼总经理安德鲁·赫德(Andrew Hird)表示:“企业高管们需要确保公司业务平稳且安全地运营。即便现金紧张,他们也希望能够利用工业物联网技术应对业务挑战。四十多年来,霍尼韦尔为帮助制造商实现这些目标提供了领先的自动化技术。 霍尼韦尔工业物联网 解决方案正是实现这场业务演变的下一步举措。”
来自北美制造业的200多位高管于2016年5月23日至6月8日参与了这项名为“数据对制造业的巨大影响:高管意见研究”的调查。其它主要发现包括:
一些公司表示不得不在意外停机和设备故障的威胁下继续运营,而这些因素是扩大收益的最大障碍。
大多数公司表示它们正在对数据分析技术进行投资。
25%以上的受访者表示明年不打算对数据分析进行投资。原因主要是对数据分析所带来的好处不了解以及资源不足。
艰难的停机周期
意外停机是收益最大化的头号威胁,不过42%的受访者承认在经营过程中有过让设备保持超负荷运行状态的操作。当被问及近年来出现一系列问题的频率时,71%的受访者表示至少偶尔会出现设备故障,64%的受访者表示出现过类似频率的意外停机。
赫德表示:“工厂设备超负荷运行会带来设备故障、潜在安全事故等一系列问题。这些问题不可避免地会导致更多的停机时间,从而造成收益损失。很显然,很多公司都陷入了这种恶性循环之中。霍尼韦尔高效的工业物联网解决方案所提供的预测性分析能够帮助公司走出这种恶性循环。”
40%的受访者认为意外停机是收益最大化的头号威胁。其他威胁因素包括:
供应链管理问题(39%)
人员配备不足(37%)
不合格产品(36%)
设备故障(32%)
数据分析是可行的解决方案
数据分析是制造企业成功实施工业物联网的关键组成部分。大多数受访者对数据分析作为解决方案所带来的收益持积极态度。比如,受访高管们承认大数据分析能够降低以下问题的出现频率:
设备故障(70%)
意外停机(68%)
计划外维修(64%)
供应链管理问题(60%)
受访者认为,数据有助他们得到必要的信息并实时做出正确决定(63%),减少浪费(57%),并预测停机风险(56%)。
赫德表示:“这其中的道理不难理解。这些高管明白数据分析能够帮助他们应对业务运营所面临的头号威胁 -- 意外停机。因此,他们觉得有必要继续投资。”
此外,超过三分之二的受访者(68%)表示,他们目前正在对数据分析进行投资。50%的受访者表示,自己所在的公司已经在数据分析使用方面步入了正轨。15%的受访者表示,其公司在数据分析使用方面走在了行业前列。
并非人人都采取了行动
尽管大多数受访者表示正在进行和/或计划在明年增加数据分析方面的投资,但仍有32%的受访者表示目前没有对数据分析进行投资,33%的受访者表示未来一年公司没有数据分析方面的投资计划或者不知道这方面有什么投资计划。
目前没有投资计划的受访者中:
61%的受访者认为现有系统能够确保安全性、保证产量,并帮助公司获得成功
45%的受访者表示在没有数据分析的情况下公司依然实现了增长
42%的受访者表示他们对大数据所能带来的好处不甚了解
35%的受访者表示人们夸大了大数据所能带来的好处
在没有投资计划的受访者中,63%的受访者表示他们没有这方面的合适资源,39%的受访者则表示他们没有合适的数据分析人才。
赫德解释道:“对于一些公司来说,部署工业物联网还存在着一些障碍。有些认为他们并不需要,另外一些公司则表示缺少合适的资源。好消息就是,工业物联网并不需要企业进行脱胎换骨的改变,它可以根据各个公司的情况进行阶段性渐进式实施和扩展。这也是霍尼韦尔将工业物联网称为演变,而不是变革的原因所在。”
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
逻辑回归是数据分析、机器学习、统计建模中应用最广泛的二分类预测模型,常用于风险判断、行为预测、归因分析等场景。在SPSS、Py ...
2026-06-02数字经济时代,市场竞争日趋同质化,用户消费需求愈发个性化、多元化,传统依托经验、粗放式、广撒网的营销模式弊端日益凸显。长 ...
2026-06-02 很多数据分析师做过按月份的销售额趋势图,画过按天的流量折线图,但当被问到“时间序列和普通数据有什么本质区别”“季节性 ...
2026-06-02在市场竞争日趋饱和、用户需求不断细分的当下,企业创业创新、产品迭代与市场拓展不再依赖经验决策,而是需要系统化、工具化的商 ...
2026-06-01【核心关键词】调度、岗位、数据库、企业、报表、培训、程序、数据分析、数据加工、业务部门、企业数据、调度工具、业务指标、 ...
2026-06-01 很多数据分析师能熟练地计算指标、搭建标签体系,但当被问到“画像到底在解决什么问题”“画像和标签是什么关系”“画像如何 ...
2026-06-01在数据统计分析、数据清洗、异常值识别与数据分布研究中,箱型图是最直观、高效、专业的可视化分析工具。相较于柱状图、折线图仅 ...
2026-05-29Tkinter是Python内置的标准GUI图形界面库,具备无需额外安装、调用简单、兼容性强、轻量化高效等优势,是Python快速开发桌面小程 ...
2026-05-29 很多分析师在设计标签时思路清晰,但真到落地环节却面临“数据在手,不知如何转化为可用标签”的困境:或因加工方式选择不当 ...
2026-05-29【核心关键词】大数据、经理、专业、金融、客户、传统、建模、数据产品、互联网金融、产品经理、数据分析、金融行业、数据模型 ...
2026-05-28 很多分析师每天和数据打交道,但当被问到“标签是什么”“标签和指标有什么区别”“标签体系如何设计”时,却常常答不上来。 ...
2026-05-28随着大数据技术的快速普及,各行各业积累了海量的用户数据、交易数据、生产数据与行为数据。单纯的数据统计与报表分析只能呈现表 ...
2026-05-28在Python网络请求、接口测试、数据爬取、业务对接开发中,Requests库是最简洁、最高效的HTTP请求工具,凭借简洁的语法、完善的适 ...
2026-05-272025 年,零售与服务行业的竞争已从 “经验驱动” 全面转向 “数据驱动”。中小企业门店普遍面临数据零散、分析浅层、决策凭感觉 ...
2026-05-27 很多数据分析师每天都在写SQL,但当被问到“数据查询语言(DQL)的本质是什么”“SELECT语句中各子句的书写顺序与实际执行顺 ...
2026-05-27在统计学分析、实验研究、业务数据复盘过程中,单因素方差分析是检验自变量对因变量是否存在显著影响的核心方法。其中,两个水平 ...
2026-05-26【核心关键词】算法、客户、大数据、互联网、调优、建模、模型优化、机器学习、评分卡模型、模型开发、智能风控、业务场景、数 ...
2026-05-26 很多数据分析师写过无数个 SELECT,但当被问到“新建一张表,该如何定义字段类型来保证数据质量”“创建视图和存储物理表有 ...
2026-05-26在数据清洗、统计分析与数据质量检测工作中,箱型图(又称箱线图、Box Plot)是最直观、最高效的可视化分析工具之一。相较于柱状 ...
2026-05-25在大数据分析、数据清洗、质量管控、风险监测等领域,异常数据识别是保障数据质量、确保分析结论精准、规避业务决策失误的核心基 ...
2026-05-25