中图分类号：TP39 文献识别码：A 文章编号：1001-828X（2017）013-0-02
引言
目前人类每年产生的数据量已经从TB（1024GB=1TB）级别跃升到PB（1024TB=1PB）、EB（1024PB=1EB）乃至ZB（1024EB=1ZB）级别，随着数据量的急剧增长，大数据时代已经到来。
随着计算机处理技术和云计算的迅速发展，人们处理大规模复杂数据的能力日益增强，从大规模数据中提取有价值信息的能力日益提高。经营管理、工业生产等数据都可以直接从互联网中提取并存储到服务器中，然后进行数据挖掘和分析，对于提高企业经营管理水平，进行生产过程控制，提高生产效率发挥着巨大的作用。
数据是德国工业4.0五大特色之一。数据是信息化时代重要的生产要素，数据生产信息，信息改善决策，进而提高生产力。可以预测，未来数据积累量、数据分析能力、数据驱动业务的能力将是决定企业价值的最主要因素，是评价企业价值的核心。
一、大数据时代的数据分析
1.大数据
大数据是维克托?迈尔-舍恩伯格在2008年的著作《大数据时代》中提出的概念。维基百科给出的定义是，大数据指所涉及的资料规模巨大，无法通过目前常规软件工具，在合理时间内达到撷取、管理、处理、整理成为有用信息的数据集合。
大数据的主要特征为大量性（Volume）、多样性（Variety）、高速性（Velocity）、价值性（Value）。
（1）大量性。是指大数据的数据量巨大。在大数据时代，个人电脑、手机、平板电脑等网络工具的使用和高度发达的网络技术的普及，数据资料的来源范围在不断拓展，数据的计量单位从PB到EB到ZB，数据量增长发生了质的飞跃。
（2）多样性。是指数据类型繁多。大数据不仅包括传统的以文本资料为主的结构化数据，还包括信息化时代所有的文本、图片、音频、视频等半结构数据和非结构化数据，且以半结构化和非结构化数据为主。
（3）高速性。指大数据处理时效性高。大数据产生速度快，有价值信息存在时间短，时效性强，在海量的数据面前，处理数据的效率关乎数据是否有使用价值，因此，能迅速有效的提取大量复杂数据中的有价值信息显得非常重要。
（4）价值性。指大数据价值巨大，但价值密度低。大数据中存在反映人们生产、生活、商业等各方面极具价值的信息，但由于大数据规模巨大，数据时时刻刻都在更新变化，这些有价值的信息可能转瞬即逝。因此，如何通过强大的机器算法迅速高效地完成数据的价值“提纯”成为大数据时代亟需解决的难题。
2.大数据时代
大数据时代是指在大量数据信息基础上所形成的新型信息时代，是建立在通过互联网、物联网等现代网络渠道广泛大量数据资源收集基础上的数据存储、价值提炼、智能处理和展示，促进数据发挥价值的信息时代。大数据时代，数据分析过程中数据的管理和应用效率得到提高，人们几乎能够从任何数据中获得可转换为推动人们生活方式变化的有价值的知识。大数据时代的发展会促进众多领域和行业进行变革，会对人们未来生活产生深刻的影响。
3.数据分析
数据分析是指用合适的统计方法及与分析对象有关的知识，定量与定性相结合，对收集到的大量数据进行分析的过程，是为了提取有用信息和形成结论而对大量数据进行详细研究和概括总结的过程。数据分析的目的是把隐藏在一大批看似杂乱无章的数据背后的信息挖掘和提炼出来，进而总结出研究对象的内在规律。
数据分析在企业经营管理中具有重要意义。企业通过统计调查、整理获得的统计资料能够对客观对象的数据特征取得一定的认识，但只是停留在表面的初步认识。通过数据分析，挖掘数据背后隐藏的信息，总结隐藏在其中的内在规律，掌握事物的本质及内在的发展规律，将其应用到实际的经营管理中，可以帮助管理者进行合理的决策管理，并且及时调整企业的运营发展策略，使企业的各项管理工作不断改善和提高。
目前常用的数据分析方法有：
老七种工具，即排列图、因果图、分层法、调查表、散步图、直方图、控制图；
新七种工具，即关联图、系统图、矩阵图、KJ法、计划评审技术、PDPC法、矩阵数据图。
4.大数据时代的数据分析
从大数据中挖掘隐藏的有价值信息的关键在于对数据进行正确的数据分析，数据分析是大数据处理流程的核心。大数据的价值产生于分析过程，从规模巨大的数据中挖掘有价值信息所进行的分析过程就是大数据分析。
大数据分析和传统数据分析最重要的区别在于数据量。数据量的急剧增长及大数据的特征，决定了数据的存储、查询以及分析的难度增加，对数据处理技术的要求迅速提高。大数据分析建立在海量原始数据基础上，不需要预先设定研究目的和方法，而要从大量数据中通过数据挖掘技术找到数据之间的关系并建立模型，寻找导致现实情况的根源因素，甚至形成理论和新的认知，在此基础上对未来进行预测和优化，以实现社会运行中各个领域的持续改善与创新。
传统的数据分析是“向后分析”，分析的是已经发生的情况。而在大数据时代，数据分析是“向前分析”，具有预测性。传统的数据分析主要针对结构化数据，具备一整套行之有效且?V泛使用的分析体系：利用数据库存储结构化数据→构建数据仓库→构建数据立方体进行分析。对于从大数据中提炼更深层次更有价值的信息的需要促使数据挖掘技术的产生，并发明了聚类、关联分析、分类、回归分析、估计、预测、描述和可视化等一系列行之有效的方法。同时大数据的到来使得在线数据分析成为可能，如Web页挖掘、OLAP等。数据挖掘是在没有明确假设的前提下去挖掘信息、发现知识，用于指导以后的行动。 二、大数据分析在企业经营管理中的意义
在企业的经营管理过程中，数据是关键且核心的因素，在关键环节进行科学的数据分析，对于提升企业的经营管理能力具有十分重要的意义与作用。
首先，对企业情况进行完整客观的反映。在收集企业全面数据报表、调查资料的基础上，利用数据分析工具进行严谨的分析，形成科学规范的数据分析报告，能发现数据背后的信息，便于理解、阅读和利用，为企业发展决策提供参考。
其次，对企业运营情况进行有效监督。监督是数据分析在企业经营管理中的一项十分重要的功能。对企业经营管理过程中所产生的数据进行监督具有十分重要的作用。在对企业数据、资料进行收集整理的过程中，能够相对较为全面、如实地知晓行业动态及本企业运行发展状况，能够对企业的相关活动产生的效果进行了解，比如企业方针政策实行与否、经营计划落实情况、经济指标完成情况等，从而进行行业对比和横向、纵向对比分析，以帮助企业良性发展。
第三，参与科学化决策。对收集整理到的数据资料有针对性的进行深层次地研究、分析，挖掘出数据资料潜在的实质涵义，促使企业管理者及相关部门能够更为完整客观地了解企业发展现状及发展方向，从而能够更有针对性地进行企业决策，计划制定，起到数据分析在企业经营管理中的参与科学化决策的作用。数据驱动型决策是大数据时代决策的特点：尽可能全面、完整综合地收集数据，在此基础上使用恰当的统计方法进行建模和分析，挖掘出数据背后的关系，预测事件发生的概率。企业利用大数据和数据分析进行决策时，首先要提高对数据的重视程度，转变思维模式，在遇到重大决策时，先进行数据收集、分析，再进行决策。其次，要重视普通员工日常积累的数据。员工在完成日常工作的同时，积累了大量最基础数据资料，企业将所有日常的数据加以整合分析，可以在决策时起到关键重要的作用。再次是建立数据辅助决策的流程和模板，建立基于决策任务的决策知识的收集、创造、共享、传递和激励机制。
三、大数据分析在工业生产过程中的应用探讨
随着信息化的推进，数据已经成为一种重要的资源。未来大数据和数据分析将在工业生产全过程中进行应用，将大力提升企业内部运营管理效率，提升企业竞争力，同?r提升制造过程中的智能化。
信息技术随着信息化与工业化的深度融合，已经渗透到了工业企业产业链的各个环节，ERP、MES等技术在工业企业中得到广泛应用。工业企业中生产线高速运转，工业设备产生大量数据，工业领域所拥有的数据日益丰富。基于大数据分析平台，对这些数据进行分析，总结经验、发现规律、预测趋势、辅助决策，充分释放和利用海量数据资源中蕴藏的巨大价值，优化公司运营结构，精准决策，降低成本，提高效率。
大数据和数据分析的应用将给工业企业带来创新和变革的新时代。信息化和工业化的深入融合，给工业领域带来深刻的变革，通过互联网、物联网等带来的低成本感知、高速移动链接、分布式计算和高级分析，给工业发展带来了更快的速度、更高的效率和更高的洞察力。大数据分析在工业领域的应用主要包括产品创新、生产流程优化、产品质量管理、生产计划制定、产品定价、产品生命周期管理、库存管理、供应商管理等各个方面。
1.产品创新。客户与工业企业之间的交易产生大量的行为动态数据，同时对产品的使用情况跟踪记录，产生产品使用动态数据，对这些数据进行挖掘和分析，将分析结果使用到产品改进设计、创新等活动中，相当于让客户参与到产品的需求分析和产品设计等创新活动中，对产品创新具有不可估量的贡献。
2.生产流程优化。现代化的工业制造生产线安装有数以千计的小型传感器，在生产的全过程中可以探测温度、压力、振动和噪声等。整个生产流程将产生大量数据，对这些数据从不同角度进行挖掘分析、比如设备诊断、能耗分析、工艺分析等。在此基础上，对生产过程建立虚拟模型，仿真并优化改进生产流程，提高设备使用率、降低能耗、减少质量事故发生几率，优化工艺等，从而提高生产效率。
3.进行质量分析，提高质量管理水平。高度自动化的设备在加工产品的同时记录了庞大的检测结果。利用检测结果进行质量分析，可以提高质量管理水平。在产品的整个寿命周期，包括从市场调研到售后服务等的各个过程中适当运用数据分析过程，可以提高质量管理的有效性。例如QC工具在工业企业的应用。QC指质量控制。针对工业生产全过程特定的工作失误或品质不良运用QC工具展开分析讨论，并将结果可视化显示在大家容易看到的地方，提醒大家，防止再次发生同样的问题，同时谁有新的建议可以随时提出，大家一起讨论修订。
六西格玛也是目前企业质量管理中运用比较广泛的工具，它是一种用于改善企业质量流程管理的技术，它以“零缺陷”的完美追求，带动质量成本的大幅度降低。质量分析工具在广泛使用，可以提高产品质量，从而最终实现财务成本的降低，同时实现企业竞争力的突破。
4.产品故障诊断与预测。无处不在的传感器、互联网技术的利用，使得产品故障诊断实时进行，提高了产品故障诊断的及时性。利用数据挖掘与分析技术，对记录的数据进行建模与仿真，可以对产品故障实行动态预测。
5.生产计划的科学制定。生产环节的大数据具有很大的利用价值，对其进行挖掘与分析，对计划制定具有指导意义。通过对计划与完成的对比分析，发现计划与实际完成的偏差，在考虑产能约束、人员技能、物料供应、工装模具等生产资源的基础上，通过智能的优化算法，建立计划制定模型，从而制定更加科学合理的生产计划。
6.进行科学合理的产品定价。产品定价的合理性需要有详细的基础数据和试验数据作为支撑。一方面能够获取更加详细的微观数据信息，使产品成品的分析更加科学精确。另一方面可以研究客户对产品定价的敏感度。通过这些数据分析，为产品定价提供决策参考。
7.实现产品生命周期管理。随着物联网的发展，条形码、二维码、RFID等能够唯一标示产品，传感器、可穿戴设备、智能感知、视频采集、增强现实等技术能将产品生命周期的信息进行实时采集和分析，这些数据能够帮助企业在供应链的各个环节跟踪产品，收集产品使用信息，从而实现产品生命周期的管理。这些数据还可以用于售后服务，提高售后服务质量，从而提高产品竞争力。
8.库存管理。信息化高度发达，可以获取工业企业各方面的信息。库存信息将完全展现在管理者面前，通过数据分析和挖掘，可以准确知道产品原材料和产成品库存量。根据原材料库存量和生产计划确定原材料需求量，在此基础上进行采购，可以保证产品生产需求，有最大限度地减少了资源浪费。
9.完善供应商管理，实现准时化采购。在对原材料大量数据挖掘和分析的基础上，可以选择最合适的供应商，保证原材料质量和准时供应，产品质量得到有效控制，同时降低库存成本，增加了制造的敏捷性与柔性。
四、结语
数据分析在工业企业中的应用远不止此，经营管理和工业生产过程中的每个环节都有必要进行数据分析。随着数据分析和数据挖掘技术的进一步深化，会有越来越多的应用场景，最大程度发挥大数据应用的价值，从而提升企业效率效益和企业核心竞争力。
