物联网使工业数据分析迅速—LORA正走向我们


2.1历史-分析如何演变为自动化决策

数据分析的数学基础是建立在18,19和20世纪初,但分析出生于20世纪50年代和60年代,当第一台计算机用于操作决策支持。这项工作涉及小型专家小组,负责描述性分析和报告活动。例如在设备维护中,分析故障率以支持与维护相关的决定,例如要测试的设备和何时进行测试。

用于查询和报告的早期分析工具作为计算机科学专家的“自己动手”解决方案出售。在20世纪70年代中期,几个供应商开始提供工具,允许非程序员在数据访问和分析的世界中探索。从而创建了商业智能的领域,并允许下一级的结构化分析功能决策。在维护例如使用(事后)模式识别导致预防性维护计划。根据其计算的故障概率智能监测关键设备。

通过数据挖掘方法,数据仓库,客户端-服务器系统和最终大数据存储库的创新,分析的作用进一步提高。这种发展导致了以分析为主导的决策。例如,在维修行业,条件监控成为常态。状态监测导致关键传感器读数的可视化,从而给人提供设备状态的实时视图,并驱动任务关键决定,如更换哪个轴承。


今天,由于机器学习工具和物联网的可用性,分析对决策的相关性正在引起人们的兴趣。许多决策现在开始基于数据和分析自动化,通常是实时的。

维修行业正在进一步发展:60年后,故障率分析现在成为预测性维护。传感器读数实时分析,算法对单个设备的剩余寿命进行预测。在许多情况下,这些过程变得如此自动化,使得决策过程不再需要人类交互。

2.2现状-公司看到重要性,但刚刚开始

大多数决策者都认识到工业数据分析在重要决策和流程自动化方面的巨大重要性

69%的受访者认为数据分析在5年内对企业成功至关重要。然而,只有15%的受访者认为今天已经是至关重要的。
虽然68%的调查参与者表示他们有一个公司范围的数据分析战略,46%有一个专门的组织单位,只有30%已完成实际项目(然而,在剩余的70%,大多数公司有正在进行的项目或正处于原型阶段。)

2.3价值驱动因素-工业分析创造了新的收入来源

当深入了解当今工业分析项目的价值时,将分析功能的收入流与支持分析的成本降低工作分开是非常重要的。

增加收入是工业数据分析项目的最大价值驱动因素

工业数据分析项目的最大价值驱动因素显然是面向客户/收入增长方面的业务。增加收入是主要驱动因素(33%-加权分数),其次是提高客户满意度,例如通过更好的服务或更多个性化服务(22%-加权分数)。

效率增益和成本削减得分非常低,只有3%的受访者(加权分数)认为这些方面是工业数据分析的主要优势。

那么,企业应该如何考虑创造收入或降低成本?

2.3.1三个典型的新收入流

•升级现有产品:使用新功能增强现有产品(例如,建筑设备制造商现在提供了一个附加功能,可在整洁的仪表板中实时跟踪车辆)。

•改变现有产品的商业模式:一个主要的主题是转向提供产品即服务(例如,由于实时分析数据的能力,压缩机制造商现在正在销售立方米的压缩空气随着时间的推移,而不是作为一次性销售压缩机设备)。

•创建新的商业模式:一些公司开始在连接的生态系统中启用新服务(例如,保险公司越来越多地与工业公司合作以创建所谓的基于使用的保险包,例如基于个人的驾驶行为数据)。

2.3.2降低成本的三种典型方法

•数据驱动的流程优化:分析结果通常在仪表板中可视化,它们正在协助工作人员操作工厂。这些基于实时知识的洞察力可以推动员工的行动(例如,平板电脑上的智能工厂平台仪表板可帮助生产主管优化日常生产操作,无论他们在车间的什么位置)。

•数据驱动的过程自动化:随着越来越多的工业流程和工作流程变得自动化,智能数据模型帮助编制需要较少人工干预的行动(例如,在制造过程中对产品的实时故障检测有助于自动减少与废料相关的成本)。

•数据驱动的产品优化:分析可以帮助降低产品成本。例如,特定照明系统的制造商需要向他的客户保证一定的产品寿命。传统上,制造商“过度设计”了解决方案的某些组件,以确保能够保证所需的寿命。得益于工业分析,该制造商现在能够详细分析产品使用情况。制造商已经开始减少那些对产品寿命没有大影响的组件的规格,从而显着降低成本,而不影响产品的性能。

2.3.3整个价值链中的工业分析应用

使用与工业分析相关的项目通常导致整个工业生态系统与合作伙伴,供应商合作,并经常进一步与客户及其需求进行整合。

79%的受访者认为机器的预测性和规范性维护是未来3年中工业分析最重要的应用。紧随其后的是客户/营销相关分析(77%)以及现场产品使用分析(76%)。有趣的是,可视分析(例如,仪表板)被广泛地认为是重要的应用。网络安全分析(例如,通过异常检测来改进产品或设备安全性)和移动货物的分析(例如,车队管理)起着次要作用。

工业数据分析在整个工业价值链中的典型应用包括:

2.3.3.1研发

•分析市场中的产品使用特性,并将生成的数据反馈到下一代开发周期(例如,通过传感器读数识别部件故障,并逐渐改进其特性)。

2.3.3.2制造/操作

•对设备,机械和资产进行预测性维护(例如,根据历史和实时机器性能分析,重新安排维护计划以在设备故障前采取行动)。

•用于工业过程的决策支持系统(例如,使用来自操作的数据来自动化采购订单或生产调度决定)。

•制造网络优化(例如,关联和优化多个工厂的性能)。

•优化单个机器参数,以实现平稳运行和最佳质量(例如,关联参数的原因和效果,如机器速度)。

2.3.3.3物流/供应链

•移动资产的状况监测(例如运输中的货物)。

•跨供应商供应链优化(例如,分析仓库库存水平和实时供应数据以预测短缺,降低总体库存水平,并为供应链带来效率)。

•车队管理(例如,分析运输数据和燃料消耗以优化分销网络)。

•战略供应商管理(例如,持续分析单个供应商的质量指标)。

2.3.3.4营销/销售

(虽然不一定被归类为工业分析,这些也需要提及)。

•与策略和营销相关的产品使用相关分析(例如,跟踪使用模式,以便更好地定位和定位客户)。

•跟踪,优化和个性化消费者互动和转化(例如,通过分析社交媒体和网站流量)。

•分析驱动的售后(例如,实时分析产品使用情况,提供适当的服务,并根据使用行为提出适当的升级)。

•即服务商业模式(例如,将特定产品作为订阅销售,而不是一次性销售)。

•实时识别和响应个别客户需求(例如,获取客户洞察以深化客户关系和/或商业机会,包括业务合作伙伴)。

说明:LoRa应用学习站通过公开互联网收集、整理并转载有关LoRa及物联网应用解决方案,以供广大LoRa应用开发者和爱好者共同学习交流和参考运用到实际生产生活中。本站所有转载的文章、图片、音频、视频等资料的版权归版权所有人所有并衷心感谢您的付出,由于本站采用的非本站原创文章及图片等内容无法一一联系确认版权者,如果本网所选内容的文章原创作者认为其作品不宜放在本站,请及时通过以下留言功能通知我们采取适当措施,避免给双方造成不必要的经济损失。如果您希望保留本文在LoRa学习站,但希望文章末尾提供对作者的致谢或者产品、网站交换链接的,也请将需求写入以下留言栏中,谢谢您的支持。让我们共同努力,打造万物互联的未来美好生活!

您的留言或需求: