对话：大数据时代数据应用的5大迷思
大数据时代，数据有了，用来做些什么呢？
史蒂夫•怀斯（Steve Wise），领先的统计过程控制（SPC）软件解决方案提供商英国威廉希尔体育公司国际有限公司统计方法副总裁。 近日，我们有幸邀请到史蒂夫先生分享数字化工业软件在实施过程中的最佳实践，探讨制造企业对工业软件提供的信息和数据如何有效利用这一热门话题。
1. 制造企业在引进和启动新的软件信息平台时，面临的最大障碍是什么？
主要有三大障碍：思维惰性、热情不足、领导不力。
什么都不干永远是最省心的；无论对待生活还是对待工作，都是如此。如果能够毫无压力轻松度过快乐的每一天，没有人会不乐意。一天又一天，没有行动，那么原本万众期待的创意和计划，无非束之高阁，难以落地。
在制造领域，我们常常看到的事实是，上线一个新的软件系统平台是一件审慎的大事，尤其考虑到配合新系统需要做的大量革新和准备工作，旧系统的推翻、无法如期交付时需要迅速顶上的备选方案，等等。软件很强大，帮助使用者运用数据对所处环境做出精准判断，而在此之前，这些信息只能靠主观猜测。可是，要把事情做对、将系统用好，则需要投入你的视野、精力和时间，而这些，对于企业来讲都需要专门调配。
2. Manufacturing.net最近做了一次问卷调查，2/3的被调查者反映，其所在组织并未有效利用ERP系统中的数据。 我们对这一调查结果并不感到意外，但是，这种状况为什么仍然在蔓延而未能得到遏制？
扎扎实实落实改善计划，眼看着一盏盏灯亮起来，亲眼见证数据驱动下的管理活动越来越高效，这样的成果对于任何一家企业来说，都是巨大的回报。引进数字化系统后，大家往往有种错觉：只要数据流动起来，能够轻松拿到数据、调取数据，系统就算是成功落地了。
没错，看着数据自动流进数据库，毫无疑问是美妙的感受；但看到数据，仅仅只是成功的第一步而已。要想将制造数据的价值真正挖掘出来，我认为有三个关键的步骤：
第一步，对数据流进行处理，确定其可用性。有的数据用来做实时的现场判断，有的用来做长期战略决策，而有的，其实只是占用空间而已，没有实际价值。实时采集到的数据需要通过专业的分析和报警工具，提醒用户确定是否需要对生产做出调整，同时，准确抓取生产过程中真正的异常值，以免被不相关因素干扰，做出误判从而人为破坏稳定的过程。 用于制订长期战略决策的数据，必须以合理的方式放到一起，为用户发现最关键的数字趋势，突出值得关注的信息，而无用的数据需要被关闭、剔除或转作其他用途。
第二步，明确数据源。ERP系统中的数据只有一个来源。那么质量和制造执行系统中的数据呢？有没有好的方法将这些数据集成起来对决策发挥指导作用？如果有，如何有效集成这些数据？
最后一步，数据价值的衡量指标。对于收集的数据，有哪些衡量指标？这些指标对自上而下和自下而上的决策是否产生影响？它们能否对正确的行为给予回报和奖励？
3. 在您看来，企业当中最常被忽略、利用率最低的数据是什么数据？为什么？
针对数据价值的挖掘，最常被忽略的机会就是：抽样的时候选用变量型数据而不是属性值数据。很多质量相关的数据流都是测量“产量”、“合格/不合格”、“通过/不通过”或“符合/不符合”这些弱指标的。这类数据属于属性值数据；具体而言，都属于不良数据。这类数据最后都计为1或0。
不良数据的价值是帮助使用者描述感觉：好或者不好，而不关心数据所指的具体对象。如果产量不好，就需要提供更有力的变量型数据来隔离或者解决其中的问题。变量型数据可以用连续量表测量，例如温度、直径、循环时间等。
企业针对工业数据常常犯的一个最大的错误就是：将大量变量型数据简单粗暴地“转化”为“通过/不通过”这类属性值数据。以图像形式汇总和展现数据更为恰当的方式是：明确数据组分布和可预测性。而只有变量型数据才能达到这一目的。
4. 在英国威廉希尔体育公司近期的用户大会上，大家轻松谈到生产运营和IT之间的冲突和摩擦。您对于生产部门和IT这两个制造职能之间的高效协同和合作有何建议？
这里有一个基本事实：质量和IT其实都可以让对方业绩非常好看。当今，五花八门的制造系统越来越复杂，这些系统制造了大量视觉盲点。因此，如果质量系统平台能够给用户提供相关度极高的智能信息，并且帮助用户有效应用这些信息，显然是巨大的胜利。质量和IT都希望企业的生产运营跳出主观猜测、拍脑袋做决策的老传统，自身也都从数字化的企业文化中大大受益。
虽然如此，非常成功的软件项目很多都是IT部门牵头主导的。其中最成功的项目无一例外的，都是IT的领导将生产部门的使用要求当作项目选型的指导原则。每当生产使用部门为避免“不必要的IT延迟”，试图绕过IT启动项目选型，只到最后阶段才将IT拉进来，这时生产和IT之间的矛盾进一步被放大。往往到最后，非IT部门的同事终于意识到自身的技术短板，而此时，负面效果已经产生。
5. 如果要给美国制造业提一个建议，您会给出什么建议？为什么？
谈到数据管理，我会鼓励制造企业反问自己几个根本问题：你拿到每一条数据、每一个数据流，究竟打算作何用途？
- 数据的使用者是谁？
- 打算将这个数据流用作什么商业决策？
- 数据值越来越多（或者越来越少、保持不变）时，是好事还是坏事？
- 当数据显示需要有所动作，是否具备对应的机制和条件，能够根据数据执行相应的动作？
回答这几个问题，你就能了解哪些数据可以用来做出实时判断，哪些可用于长期战略决策，哪些改正行动需要到位，而哪些数据是没有价值的。
作者: Jeff Reinke, Manufacturing.net
相关推荐：大数据环境下Excel们与专业SPC系统