什么是“恰到好处”的工业大数据分析？

 在生产制造工厂中，谁是部署分析的驱动力？ 

Ruth：在生产制造行业，一般有两条途径开始分析。

首先是一种“自上而下”的方法，这些项目获得管理层的支持，旨在整个企业范围内全面挖掘数据。这通常是大型程序，它们设置了范围、结构和人为因素变更管理功能，以确保一致性。

第二种是“自下而上”从底层开始，从运营技术（O T）资源或团队推动（因为他们经历过运营中的需求/ 问题，并且知道有数据可以提供帮助）。这类项目的结果，通常是取得第一个关键项目的成功，然后推出第二个项目，直至最终全面实施（甚至可能为上述的更大倡议提供支持）。

不同的方法会改变分析目标的制定方式。如果选择“自上而下”，目标是以企业为中心的，工厂通常会获得其适用的企业应用程序，并且希望能够开发额外的数据分析模型，以解决工厂特定的问题。如果从工厂或运营中心开始“自下而上”，则全面考虑并直接解决理解工厂运营商需求的能力。如果没有对结构和标准最佳实践的规范和全面理解，则可能存在这样的风险：一个分析系统将无法轻松的应用到下一个设施，需要进行定制，以便从一个站点移植到另一个站点。

Cavanaugh ：我同意Matt关于路径的说法。有时，这两者也可以同时发生。自上而下的数据分析方法，通常由公司驱动，涉及公司I T 和可访问的财务和运营数据，这些数据已由企业资源计划（ERP）和商业智能软件进行整合（事务数据）。

“自下而上”的方法，通常由制造部门或现场驱动，并从使用自动化和控制系统制造商提供的历史数据库和提取工具所获得的粒度细节（时间序列数据）开始。真正的价值和洞察力，体现在这两种分析方法的融合上，即将公司财务和运营数据与更精细的过程数据联系起来，以提供从上到下推动组织决策所需关键因素更全面的视图。

在为任何类型的项目进行推广时，都要考虑到这一点：这对我来说意味着什么？了解你的客户和他们的痛点是什么，以及分析结果将如何帮助解决这些痛点。回顾一些投资回报案例。增加收入、降低成本和避免风险，任何管理人员都乐见其成。让用户工作更轻松，帮助他们提高效率，缓解他们的压力，这也是他们所乐见的。

您认为制造业分析的未来是什么？

Ruth：当对模型和分析解决问题充满信心，制造商对直接从分析到过程的闭环感到满意时，分析的未来及其在生产制造业中的真正价值就会到来。现在，在大多数具有过程反馈回路的控制系统中都会出现这种情况，制造商最终把分析视为另一个控制平台。

Cavanaugh ：未来已经到来。在工作场所之外所用工具的驱动下，用户对情境化和智能化信息的期望和需求，正在反击未能提供基于事实的分析、有指导性的决策和即时获取关键信息的旧借口或理由。先进的技术工具和平台并不缺乏。滞后的是对非技术瓶颈和障碍的全面理解和应对。更深入地了解分析如何应用于过程以及关键决策因素的适当背景，有助于解决这些非技术障碍，这就是它们的价值。

 IT 和OT 之间的藩篱真的在消失吗？ 

Ruth：随着寻找针对专业平台的广泛资源变得更具挑战性，并且平台变得越来越相似，我相信I T 和O T 必将融合。共同语言/共同平台的需求，将由安全协议驱动，并侧重于确保供应链的网络安全。在Avanceon，我们有一句话来说明一个能否成为成功的控制或I T 开发人员——“一个真正的程序员可以编写任何东西” 。随着IT/OT 的必要融合，我们将直接见证这一现实。

Cavanaugh ：为了共同的责任，必须消除I T / O T 之间的鸿沟或分歧：为了它们共同服务公司的健康发展和长久利益。虽然人们承认并接受了这一事实，但“更重要的部分”是行动和责任。我们发现，让I T 和O T 参与到一个共同的目标和企业需求中，例如网络安全保护或分析和商业智能，为最终的行动和责任提供了统一的重心和途径。

 在您的客户中，积极部署数据分析的百分比是多少？ 

Ruth：几乎100% 的客户都在做某种形式的分析，描述性报告很普遍，诊断报告也是如此。其中10% 的客户正致力于预测性和规范性的问题解决模型，他们希望通过创建数据工厂，将数据纳入自助服务模型，使“高级分析”更加可行。对于许多制造商来说，从根本原因分析中去除人为因素/ 风险，并允许云对所有数据进行精简和处理（适合这项工作的工具），从而获取为描述性和诊断提供信息的历史信息的价值，这是一个合乎逻辑的步骤。

Cavanaugh：我们的客户100% 部署了分析—— 从每周发布在公告板上的微软Excel 电子表格图形，到遍布工厂的屏幕上显示的关键指标实时仪表板，以及在公司层面的整合视图。不同之处在于分析的广度和深度、数据的来源和及时性，以及在数据集和用户界面/ 用户体验中所进行分析的复杂性。

 通过分析可以实现什么样的投资回报？ 

Ruth：这是一个“视具体情况而定”的问题。投资回报需要行动或改变才能实现。我们分享的大多数分析案例，展示了存在问题但未进行更改的运营或工程。通常情况下，需要根据建议采取行动，并闭合过程回路。在一个比例- 积分- 微分（PID）回路调整示例中，当“回路闭合”时，就地清理（CIP）所需的时间改善了5%，结果是不到3 个月时间就实现了投资回报（分析项目+ 后续改进项目）。这些都是很好的结果，但需要承诺根据数据告诉您的情况而采取行动。

正如我们的PID 过程分析所表明的那样，将系统基线化，对过程进行变更，然后对结果进行测量，是有投资回报的。大多数工厂在运营中，不会跨越时间范围看问题。调试前基线化，然后在调试过程后（甚至在调试过程中）运行同样的分析的概念，将有助于改善投资并产生“J 曲线”。

Cavanaugh ：投资回报的类别可以分为创收、成本降低和风险规避。下面列出了一些示例：

创收是根据增加的产量/吞吐量、更多的库存周转率和更高的资产回报来衡量的。如果分析以及提供的反馈和信息允许进行主动决策，或最终进行闭环决策以进行自动调整或在线统计过程控制，则投资回报肯定可见和可测量的。报警通知、通过更明智的维护响应减少短暂停车或预测故障，也是实现这些收入增长目标的方法。

通过增加平均无故障时间（MTBF）、减少平均修复时间（MTTR）、识别上游废料或更及时通知以采取纠正措施，可以实现成本降低。通过一些举措，还可以分析和减少备用库存，并增加运营、维护和工程方面的技能组合，以满足最高需求。

风险规避有时比较难量化，因为它需要过去事件（如安全违规、召回、管理机构处罚或以前的故障）来提供切实的财务影响。然而最近，随着对过程工业的勒索软件攻击的增加以及相应的网络保险费成本的上升、免赔额的增加和对勒索软件覆盖范围的降低，有理由通过降低这些领域的成本来实现投资回报。通过分析暴露漏洞和修复后的安全，以及通过安全审计降低保险成本，从而可以降低总成本。

 如何消除工业制造瓶颈？ 

Ruth：通常我把“瓶颈”归类为使用分析的障碍。采用和接受分析可能会遇到以下几个主要问题：

· 云“意愿”：接受我们每天在工厂生活中使用的工具；

· 与OT和业务数据的连接：打破过去的藩篱，以业务价值为目标；

· IT为OT数据分配资源：建立信任并为OT 分配IT 时间；

· 解决安全问题/ 访问：遵循网络政策，了解允许连接以进行分析所带来的价值；

· 整理工厂数据：将数据从原始数据源中分离出来进行组织、清理和过滤，从而打破实现自助数据使用和开发高级分析的障碍。

Cavanaugh ：我喜欢关注非技术性障碍，我的职业生涯也是在与客户及其团队进行前期业务开发的过程中度过的。如果没有人员以及其对变革的热情来对组织产生积极影响，那么解决方案在技术上有多“酷”就似乎没那么紧要了。组织各级的利益相关者需要尽早参与并经常更新。虽然许多人没有“投票权”，但他们肯定有“发言权”。

 如何看待工业大数据分析对工厂工程师的重要性？ 

R u t h ：正如我们讨论的那样，分析可以在三个时间框架内揭示并提出运营问题：

1、发生后；

2、正在发生时；

3、发生前。

如果考虑到新员工必须完成工作所面临的信息差距，这种洞察力就非常宝贵。帮助工厂工程师回顾过去、预测未来并作出反应，将使他们更有能力在任期内更快地增加价值。

C a v a n a u g h ： “辞职潮”为我们展示了硬币的两面性。一方面，由于很多刚满55 岁的工程师和技术人员选择退休，我们正在失去许多系统中还没有掌握的洞察力和分析专业知识。然而，另一方面，我们也注意到一些富有经验的退休人员正 “跃跃欲试”，希望重返工作岗位，但可能是以一种不那么传统的方式。E T e c h G r o u p 经历了这些关键人员的回归，作为兼职顾问每周工作3 天，甚至还有希望工作4 到8 个月的技术成员，他们很乐意前往北美各地的客户现场协助我们的调试工作。

新冠疫情的大流行向我们所有人展示了另外一种工作形式的可能性：人才可以在任何地方工作……只要有互联网接入。