
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
Pandas 选取特定值所在行:6 类核心方法与实战指南 在使用 pandas 处理结构化数据时,“选取特定值所在的行” 是最高频的操作之 ...
2025-09-30球面卷积神经网络(SCNN) 为解决这一痛点,球面卷积神经网络(Spherical Convolutional Neural Network, SCNN) 应运而生。它通 ...
2025-09-30在企业日常运营中,“未来会怎样” 是决策者最关心的问题 —— 电商平台想知道 “下月销量能否达标”,金融机构想预判 “下周股 ...
2025-09-30Excel 能做聚类分析吗?基础方法、进阶技巧与场景边界 在数据分析领域,聚类分析是 “无监督学习” 的核心技术 —— 无需预设分 ...
2025-09-29XGBoost 决策树:原理、优化与工业级实战指南 在机器学习领域,决策树因 “可解释性强、处理非线性关系能力突出” 成为基础模型 ...
2025-09-29在标签体系的落地链路中,“设计标签逻辑” 只是第一步,真正让标签从 “纸上定义” 变为 “业务可用资产” 的关键,在于标签加 ...
2025-09-29在使用 Excel 数据透视表进行多维度数据汇总时,折叠功能是梳理数据层级的核心工具 —— 通过点击 “+/-” 符号可展开明细数据或 ...
2025-09-28在使用 Pandas 处理 CSV、TSV 等文本文件时,“引号” 是最容易引发格式混乱的 “隐形杀手”—— 比如字段中包含逗号(如 “北京 ...
2025-09-28在 CDA(Certified Data Analyst)数据分析师的技能工具箱中,数据查询语言(尤其是 SQL)是最基础、也最核心的 “武器”。无论 ...
2025-09-28Cox 模型时间依赖性检验:原理、方法与实战应用 在生存分析领域,Cox 比例风险模型(Cox Proportional Hazards Model)是分析 “ ...
2025-09-26检测因子类型的影响程度大小:评估标准、实战案例与管控策略 在检测分析领域(如环境监测、食品质量检测、工业产品合规性测试) ...
2025-09-26CDA 数据分析师:以数据库为基石,筑牢数据驱动的 “源头防线” 在数据驱动业务的链条中,“数据从哪里来” 是 CDA(Certified D ...
2025-09-26线性相关点分布的四种基本类型:特征、识别与实战应用 在数据分析与统计学中,“线性相关” 是描述两个数值变量间关联趋势的核心 ...
2025-09-25深度神经网络神经元个数确定指南:从原理到实战的科学路径 在深度神经网络(DNN)的设计中,“神经元个数” 是决定模型性能的关 ...
2025-09-25在企业数字化进程中,不少团队陷入 “指标困境”:仪表盘上堆砌着上百个指标,DAU、转化率、营收等数据实时跳动,却无法回答 “ ...
2025-09-25MySQL 服务器内存碎片:成因、检测与内存持续增长的解决策略 在 MySQL 运维中,“内存持续增长” 是常见且隐蔽的性能隐患 —— ...
2025-09-24人工智能重塑工程质量检测:核心应用、技术路径与实践案例 工程质量检测是保障建筑、市政、交通、水利等基础设施安全的 “最后一 ...
2025-09-24CDA 数据分析师:驾驭通用与场景指标,解锁数据驱动的精准路径 在数据驱动业务的实践中,指标是连接数据与决策的核心载体。但并 ...
2025-09-24在数据驱动的业务迭代中,AB 实验系统(负责验证业务优化效果)与业务系统(负责承载用户交互与核心流程)并非独立存在 —— 前 ...
2025-09-23CDA 业务数据分析:6 步闭环,让数据驱动业务落地 在企业数字化转型中,CDA(Certified Data Analyst)数据分析师的核心价值,并 ...
2025-09-23