大数据技术在制造型企业管理中的应用

王西山

（中车青岛四方机车车辆股份有限公司 山东省青岛市 266111）

中国制造业企业随着ERP、PLM 等信息化系统的部署完成，管理方式正由粗放式管理转为精细化管理，新产品研发速度和设计效率有了大幅提升，企业在实现对业务数据进行有效管理的同时，积累了大量的数据信息[1]。但随着各业务系统的不断深化应用与业务数据量的不断增加，系统间的数据交互变得越来越复杂，系统运维及服务的工作量激增。主要问题如下：

（1）多源异构数据整合：业务数据来自多个不同的系统，且数据结构存在较大差异，需要对各种数据源进行梳理、整合，让数据流动起来，发挥其应有价值；

（2）大数据量处理：随着业务系统的不断深化应用，积累的数据越来越多，数据体量越来越大，企业内部对数据分析及应用的要求也越来越高；

2018年上半年木质家具出口数量1.82亿件，比上年同期增长3.82%，其中美国6 999.61万件，比上年同期增长8.07%，美国占38.41%;木质家具出口金额108.49亿美元，比上年同期下降0.44%，其中美国46.42亿美元，比上年同期增长5.25%，美国占42.79%。

（3）数据处理工程量大：在获取到源数据后，往往需要对数据进行清洗、挖掘等加工操作，目前的处理技术效率较低。

（2）数据是标准化的：例如数据值应该是标准的产品名称、标准的工序名称、标准的系统功能分类、标准的故障模式、标准的严重等级、标准的质量安全特性等级等，而不是由数据记录人员随意描述的，如车门表述有车门、塞拉门、侧门、外门等不同名称，问题缺陷表述有不良、卡滞、故障等不同描述；

1 面临的难题

1.1 如何发挥业务数据的价值

以轨道交通装备造修企业为例，采购管理、生产制造及售后服务等过程中会产生大量业务数据，如首件检验发现的不合格项、进货检验发现的质量问题、造修工序缺陷、生产现场不合格品处置、调试故障、产品交付问题及运用故障等。以上这些质量问题虽然均已实施了闭环管理，但是数据的价值尚未得到充分的挖掘，其影响因素的相关性、不同问题表象下共同的根源、措施的合理性及有效性均需要对业务数据进行深层次挖掘才能使数据得到有效利用，同时要达到对业务数据的有效利用，还需具备以下前提：

（1）数据是结构化的：例如数据在数据库、Excel 等存储形式中是以列表、字段、键值的方式存储，而不是以Word、PDF、图片等非结构化方式存储；

大数据技术的战略意义不在于已掌握巨大的数据源信息，而在于通过专业化的处理技术，实现多重数据信息内在含义的交互、衍生。如果把大数据看作一种新兴产业，其快速发展的关键在于提高对原始数据的再加工能力，通过再加工实现数据的增值[2-3]。因此急需运用大数据技术的优良特性，助力企业解决当前所面临的难题，促进企业由传统的问题驱动的被动式改进转变为数据模型驱动的主动式改进。

棉田Cry1Ac蛋白土壤降解菌12T-103为枯草芽孢杆菌(Bacillus subtilis)，该菌对降解Cry1Ac蛋白能力较强，在1 h的降解率为92. 26%。

（2）整理包括对数据进行分类、梳理数据关系，数据分类是指找出各业务数据的通用基础属性和专用属性并进行结构化描述，梳理数据关系是指对各业务数据的依赖关系、逻辑关系进行整理。以轨道交通装备制造企业质量管理数据为例，通用基础数据包括：系统功能分类、产品认证审查分类、产品平台、车型、项目、台份、内部单位、供应商、用户单位等；

图1：典型应用流程

若企业现有数据无法满足上述要求，为实现对数据的有效利用，需开展专项数据治理工作，包括梳理现有数据、分析数据表现、制定数据标准、规范数据收集、对数据进行清洗等。

1.2 协同的产品及服务持续改进

制造企业不仅需要良好的生态环境，还需要内部各部门的高效运作，即解决相关方之间、内部部门之间在不同产品寿命阶段的数据需求与数据采集的矛盾。以轨道交通行业为例，相关方按产业链分工划分为供应商、主机厂和运用单位，制造企业内部按业务分工划分为市场部门、设计部门、工艺部门、质量部门、采购部门、生产部门（包括新造、检修）、售后部门等。产品按寿命阶段划分为采购管理、内部生产过程管理、售后服务管理。

上述不同的产业链协作分工、企业内部业务分工势必导致对不同产品寿命阶段关注的侧重点不同，但往往数据需求方不是数据产生方，相互之间的配合容易存在如下问题：

（1）关注点不同，数据记录内容未达成共识；

O-GlcNAc修饰调节心血管功能的作用是复杂的。随着深入研究发现，O-GlcNAc修饰对心血管蛋白的修饰是一个动态过程，对维持心肌细胞的正常功能至关重要。O-GlcNAc修饰从基因水平到蛋白质水平调节着细胞。新证据表明，蛋白质O-GlcNAc修饰也有助于调节自噬、表观遗传学以及线粒体生物合成[22,45-46]。在细胞核、细胞质以及线粒体中也存在不同的OGT和OGA亚细胞库，它们可能对特定刺激做出不同的反应。

（4）应用指形成数据治理标准，指导数据应用，数据治理标准包括数据分类标准、数据应用规范，数据应用包括采集满足分析要求的数据和保障数据统计分析的准确性。

（2）存在业务壁垒，数据不贯通、标准不一致；

3.画图。例如，第一袋米重 10kg,第二袋米的重量是第一袋米的一半，问两袋米一共多重？图形是比较直观的形式，先将两个重量的大米进行对比画图，这样能够较直观看出两者之间的关系，进而将解题思路清晰化，解题方法也随之明了。因此，用画图的方法将复杂的问题直观化，通过直观的方式能够较快速找到解题方法。

项目，是一个特殊的将被完成的有限任务，它是在一定时间内，满足一系列特定目标的多项相关性工作的总称。项目管理是在一个确定的时间范围内，为了完成一个既定的目标，并通过特殊形式的临时性组织运行机制，通过有效的计划、组织、领导与控制，充分利用既定有限资源的一种系统管理办法。[1]

1.3 多视角的业务统筹

传统的质量、成本、效率的简单平衡三角已不适用于制造企业的发展需求。轨道交通装备制造企业还应从质量、成本、安全、效率、市场、售后服务等多方位视角全面检视自身。例如X 型动车组轴承的选型，贝氏体轴承新造价格高于马氏体轴承，但贝氏体轴承更加耐磨寿命较长检修成本相对较低，同时还需考虑不同型号轴承的劣化发展趋势以保障运用安全，如果仅从单一或片面的视角出发分析问题，得出的结论未必是最优解，甚至可能导致一场谬误或灾难。对数据的认知必然是全方位的兼顾整体与各个视角，例如从质量管理体系过程的视角、从全寿命周期的视角、从部门的视角等。

必须从产品全寿命周期的整体视角进行统筹规划，形成行业、企业标准规范，企业之间重点打通系统功能分类、产品构型、失效模式及影响分析等。企业内部重点打通设计EBOM、工艺PBOM、生产MBOM、检修服务SBOM 等。

2 大数据技术的优良特性

2.1 数据资源化整合

大数据技术的进步从基础框架层面保障了在功能性、易用性、交换性能、数据实时性（最小延迟）、稳定性、可运维管理性等方面的要求，避免了前期投入了相当大的开发人力成本及后期高昂的运维成本而达不到预期效果。

（1）对新数据源的有效支持能力，日益增加的异构数据源环境，包括各种关系型数据库、结构化及非结构化数据、以及NoSQL、MPP 数据库/仓库和大数据平台Hadoop/Kafka 的应用环境；

焊接检验目的在于防止与发现焊接缺陷，以确保结构（件）的安全使用。各类产品都规定了对焊接接头质量等级的技术要求。试制新产品或制订焊接新工艺时，通过焊接检验可发现并解决其质量问题，使新产品与新工艺获得发展和应用。有的产品在使用中还需定期检验，以发现和及时消除在使用中产生而尚未导致破坏的缺陷，从而防止事故的发生，延长产品的使用寿命。

（2）保障交换性能，在任务多、数据量大的场景下保障交换性能，避免系统阻塞的状况出现，实时数据同步，同时保证事务复制的完整性和时间次序性；

（3）新出现的ELT 技术架构和方案，将抽取、加载过程与转换过程分开，并将所有需要的全量和实时增量数据快速加载至数据仓库，在数据仓库结构设计中更具有灵活性以应对新的变化需求，有利于运维和管理；

人才培训是促进企业发展的重要举措，尤其针对电厂企业而言，通过人才培训可以更新工作人员的知识结构，锻炼其岗位技能，因此，企业要加强人才培训的管理和投入，通过对现有人员的培训和开发，实现企业的既定发展目标。首先，企业要给予人才培训以资金支持，保证人才培训工作的有序进行以及全面开展；其次，企业要对人才培训开展科学的管理，提升人才培训的效率和质量；最后，企业要对注重更新培训内容，传授给员工以行业前沿的知识和技能，提升员工的专业技术和素养，进而为企业发展注入人才活力。

（4）在企业私有云和混合云的计算环境下，满足构建云与边缘端的数据交换，支持远程多用户共享使用的要求；

（5）数据异常处理和监控运维等管理功能服务，保障后续系统运维质量。

就业难一直是应用型本科院校发展的瓶颈。学生毕业即面临着失业，毕业后是就业还是创业，成为众多应届毕业生面临的棘手难题。而将“双创”理念与电子商务课程的培养目标相整合，能够逐渐激发学生的创新意识，提高学生的创业能力，使其充分认识自身的能力和社会对人才需求的方向，自觉挖掘潜能，主动寻求发展机遇，增强自信心，提升就业竞争力。

2.2 数据标准化治理

数据标准化治理重点解决数据的一致性和完整性问题，保障数据分析的准确性。数据标准化治理分为四个阶段：收集、整理、分析、应用。

（1）收集是对既有数据进行整合，以轨道交通装备制造企业为例，收集的数据按产品寿命阶段包括采购、新造、运用、检修，按管理活动分为采购管理、新造过程管理、调试过程管理、交付过程管理、售后服务过程管理、检修过程管理；

（3）数据是可标识的：例如物料在采购订单、物流入/出库单、生产订单、过程施工记录、不合格品处置记录、拆换记录中需有明确的唯一标识，而不是无法追溯的。

（3）分析包括研究数据清洗标准及清洗方法，便于后续根据数据清洗标准对不同产品寿命阶段的数据进行清洗、入库；

（3）冗余的数据记录和不一致的统计分析结果。

在保险公司内部财务控制的组织实施方面，应该从保险公司财务管理的实际需要出发，明确保险公司内部财务控制的目标要求，系统的完善保险公司内部财务控制的实施策略，并进一步强化保险公司的内部审计监督机制，以促进提高保险公司财务管理的规范化水平，促进保险公司整体管理水平的提高。

长期以来对数学实用性的误解层出不穷，很多数学家也认为数学应该追求纯粹的知识，即使是阿基米德那样的伟大人物也反对站在实用的角度研究知识，这也是古希腊文明一度沉寂的原因。历史已经证明，联系现实世界才是数学的出路，高职学生要学好数学，唯一的途径只能是开发便于理解，方便记忆，随时应用现实世界的课程。

2.3 数据显性化挖掘

2.3.1 经典数据挖掘算法

聚类算法，聚类与分类相似，目的是把数据对象分成聚类簇，但聚类与分类的不同在于，进行聚类分析时，不存在类标号已经知道的训练数据集，聚类算法必须能自动总结出各个聚类或者簇之间的区别，根据某种规则对数据对象进行聚类。

若承认破产解除权的追溯力，侧重于非破产方利益保护，则与破产企业财产保值增值这一破产基本原则相违背。即使从合同法的可预见原则考虑，合同解除后存在无法恢复原状、其物权请求权变为债权请求权的风险，这点守约方在订立合同时是可以预见的，故否定破产解除权的溯及力并非将利益保护的天平过度向破产方倾斜，而是更有利于达到破产重整中各方利益的平衡。所以，破产解除权不应具有溯及力，待履行合同自管理人行使解除权之通知到达相对方时终止。但是，若破产解除权的行使致使合同相对人的权益甚至是基本生存权受到极大的损害，应当基于公平原则和比例原则予以突破，如消费型购房合同的相对人，该问题将在下文购房相对人权益救济部分详细讨论。

关联规则挖掘算法，主要兴趣度指标有两个：支持度（表示项集{X，Y}在总项集里出现的概率）和置信度（表示在先决条件X发生的情况下，由关联规则“X-＞Y”推出Y 的概率，即在含有X的项集中，含有Y 的可能性）。

决策树算法，决策树算法是一种简单但却广泛适用的分类技术，通过一系列规则对数据进行分类的过程。决策树学习过程包括特征选择、决策树生长、剪枝。

回归分析算法，回归分析就是对具有相关性的变量之间数量变化的一般关系进行测定，确定一个相关的数学表达式，以便进行预测的方法。

2.3.2 深度学习技术

机器学习通过大数据可以发现许多有价值的规律，例如失效模式的季节规律、地域分布规律、用户规律、产品在不同寿命阶段的故障规律等，进行有效的预测分析，并且提供相应决策支持。数据建模涉及对数据的专业理解、对数据挖掘算法的理解以及算法优缺点的取舍，常见的模型包括：自动编码器、限制波尔兹曼机、深信度网络、卷积神经网络、递归神经网络等。

3 典型应用

数据应用是实现数据价值的重要支撑，其主要通过对所采集的数据进行汇聚、整合，构建应用指标，从专业维度提供应用分析能力，通过分析可以精准识别出质量问题突出原因，并进一步定位发生该问题的具体原因，为制定质量改进措施提供数据支持。典型应用流程如图1所示。

流程说明：

（1）数据准备：根据对质量管理现状的梳理和研究，确定质量改进目标和要求，定义相应的评价指标，确定数据采集方式、采集内容和频率，利用技术能力实现数据的加工处理；

（2）改进机会识别：围绕质量业务的具体特性，构建质量改进模型，自动触发质量改进预警，根据质量改进机会的实际数据追溯机制，进一步界定质量问题的具体原因和责任方；

（3）质量改进：通过人工或者系统自动触发的方式将质量改进机会推送给相关责任方，责任方制定改进措施并执行；

（4）效果评估：定义质量改进效果评估指标，可通过时序、横向对比等多种分析方式，对比改进前后的效果，当出现评估的结果与实际有差异时，进一步分析其原因，为质量改进模型和数据准备提供优化建议，最终实现质量改进闭环支撑。

4 结语

本文运用大数据技术带来的数据资源化整合、数据标准化治理、数据显性化挖掘等便利条件，重点研究了如何解决发挥企业数据价值，相关方、部门之间协同的产品及服务持续改进，质量、成本、安全、效率、市场等多视角的业务统筹等难题，促进企业由传统的问题驱动的被动式改进转变为数据模型驱动的主动式改进。