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
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 很多数据分析师精通Excel函数和透视表,但当被问到“数据从哪里来”“表和视图有什么区别”“数据库管理系统和SQL是什么关系 ...
2026-05-25数字化经营时代,企业的市场竞争早已从经验决策转向数据决策。门店营收、用户转化、产品销量、成本损耗、存量资产等所有经营行为 ...
2026-05-22在MySQL数据库日常运维、业务数据校验、数据迁移与数据清洗场景中,自增主键ID的连续性校验是一项基础且关键的工作。MySQL的Auto ...
2026-05-22 很多企业团队并非缺乏指标,而是陷入“指标失控”:仪表盘上堆满实时跳动的数据,却无法回答“当前瓶颈在哪、下一步该做什么 ...
2026-05-22【核心关键词】大数据、可视化、存储、架构、客户、离线、产品、同步、实时、数据仓库、数据分析、数据可视化、存储数据、离线 ...
2026-05-21在电商流量红利消退、公域获客成本持续走高的当下,存量用户深度挖掘已成为店铺增收增效的核心抓手。相较于付费投放获取的陌生新 ...
2026-05-21 很多数据分析师每天盯着几十个指标,但当被问到“这套指标要支撑什么业务目标”“指标之间是什么逻辑关系”“业务变化时如何 ...
2026-05-21在数据驱动决策的时代,数据质量直接决定分析结果的可靠性与准确性,而异常值作为数据清洗中的核心痛点,往往会扭曲分析结论、误 ...
2026-05-20 很多数据分析师每天盯着GMV、DAU、转化率,但当被问到“哪些指标在所有行业都适用”“哪些指标只对电商有意义”“二者如何搭 ...
2026-05-20Agent的能力边界,很大程度上取决于其掌握的Skill质量和数量。传统做法是靠人工编写和维护Skill,但这条路很快会遇到瓶颈。业务 ...
2026-05-20在统计分析中,方差分析(ANOVA)是一种常用的假设检验方法,核心用于分析“一个或多个自变量对单个因变量的影响”,广泛应用于 ...
2026-05-19 很多数据分析师每天盯着GMV、DAU、转化率,但当被问到“什么是指标”“指标和维度有什么区别”“如何定义指标值的计算规则和 ...
2026-05-19想高效备考 CDA 一级,拒绝盲目刷题、冗余学习?《CDA 一级教材知识手册》重磅来袭!以官方教材为核心,浓缩 13 章 103 个核心考 ...
2026-05-19在数据统计分析中,卡方检验是一种常用的非参数检验方法,核心用于判断两个或多个分类变量之间是否存在显著关联,广泛应用于市场 ...
2026-05-18在企业数字化转型的浪潮中,很多企业陷入了“技术堆砌”的误区——上线了ERP、CRM、BI等各类系统,积累了海量数据,却依然面临“ ...
2026-05-18