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
在数据可视化领域,树状图(Tree Diagram)是呈现层级结构数据的核心工具——无论是电商商品分类、企业组织架构,还是数据挖掘中 ...
2025-11-17核心结论:“分析前一天浏览与第二天下单的概率提升”属于数据挖掘中的关联规则挖掘(含序列模式挖掘) 技术——它聚焦“时间序 ...
2025-11-17在数据驱动成为企业核心竞争力的今天,很多企业陷入“数据多但用不好”的困境:营销部门要做用户转化分析却拿不到精准数据,运营 ...
2025-11-17在使用Excel透视表进行数据汇总分析时,我们常遇到“需通过两个字段相乘得到关键指标”的场景——比如“单价×数量=金额”“销量 ...
2025-11-14在测试环境搭建、数据验证等场景中,经常需要将UAT(用户验收测试)环境的表数据同步到SIT(系统集成测试)环境,且两者表结构完 ...
2025-11-14在数据驱动的企业中,常有这样的困境:分析师提交的“万字数据报告”被束之高阁,而一张简洁的“复购率趋势图+核心策略标注”却 ...
2025-11-14在实证研究中,层次回归分析是探究“不同变量组对因变量的增量解释力”的核心方法——通过分步骤引入自变量(如先引入人口统计学 ...
2025-11-13在实时数据分析、实时业务监控等场景中,“数据新鲜度”直接决定业务价值——当电商平台需要实时统计秒杀订单量、金融系统需要实 ...
2025-11-13在数据量爆炸式增长的今天,企业对数据分析的需求已从“有没有”升级为“好不好”——不少团队陷入“数据堆砌却无洞察”“分析结 ...
2025-11-13在主成分分析(PCA)、因子分析等降维方法中,“成分得分系数矩阵” 与 “载荷矩阵” 是两个高频出现但极易混淆的核心矩阵 —— ...
2025-11-12大数据早已不是单纯的技术概念,而是渗透各行业的核心生产力。但同样是拥抱大数据,零售企业的推荐系统、制造企业的设备维护、金 ...
2025-11-12在数据驱动的时代,“数据分析” 已成为企业决策的核心支撑,但很多人对其认知仍停留在 “用 Excel 做报表”“写 SQL 查数据” ...
2025-11-12金融统计不是单纯的 “数据计算”,而是贯穿金融业务全流程的 “风险量化工具”—— 从信贷审批中的客户风险评估,到投资组合的 ...
2025-11-11这个问题很有实战价值,mtcars 数据集是多元线性回归的经典案例,通过它能清晰展现 “多变量影响分析” 的核心逻辑。核心结论是 ...
2025-11-11在数据驱动成为企业核心竞争力的今天,“不知道要什么数据”“分析结果用不上” 是企业的普遍困境 —— 业务部门说 “要提升销量 ...
2025-11-11在大模型(如 Transformer、CNN、多层感知机)的结构设计中,“每层神经元个数” 是决定模型性能与效率的关键参数 —— 个数过少 ...
2025-11-10形成购买决策的四个核心推动力的是:内在需求驱动、产品价值感知、社会环境影响、场景便捷性—— 它们从 “为什么买”“值得买吗 ...
2025-11-10在数字经济时代,“数字化转型” 已从企业的 “可选动作” 变为 “生存必需”。然而,多数企业的转型仍停留在 “上线系统、收集 ...
2025-11-10在数据分析与建模中,“显性特征”(如用户年龄、订单金额、商品类别)是直接可获取的基础数据,但真正驱动业务突破的往往是 “ ...
2025-11-07在大模型(LLM)商业化落地过程中,“结果稳定性” 是比 “单次输出质量” 更关键的指标 —— 对客服对话而言,相同问题需给出一 ...
2025-11-07