BI Dashboards 集成智能工厂数据进行有意义的分析

工业物联网和智能工厂的出现提出了新的要求在下一代分析系统上以新颖的方式解锁运营数据。虽然智能工业分析是一个相对较新的用例，但活动开始升温。挑战在于从多个工业物联网接触点提取的数据中找到有意义的趋势，而不仅仅是将内容存储在操作日志中。

由物联网 (IoT) 传感器生成的智能工厂必须与其他企业数据点相关联，对意义的搜索必须成为日常工作流程的常规部分，而不是转瞬即逝。

将物联网数据集成到常规流程中需要分析软件。该软件由人工智能 AI 和机器学习技术推动。等式的另一部分是将 IT 商业智能仪表板与工厂运营数据联系起来的 IoT 连接器。

虽然 BI 仪表板长期以来一直是后台分析的一部分，但大多数直到最近才能够充分处理工业物联网数据输入。为了让智能工厂避免孤立的数据，选择配备强大分析功能的 BI 仪表板至关重要。如今，许多仪表板将工业物联网与数据湖（旨在聚合大量非结构化信息的庞大存储池）或云数据库的访问结合起来。

“智能工厂数据与来自企业其他职能部门的数据有很多共同之处，”麦肯锡合伙人 Enno de Boer 说。 “要有价值，就必须用它来为决策提供信息”，否则，收集和聚合大量数据就毫无意义。

跨价值链

麦肯锡数字制造工作的负责人 de Boer 表示，要想真正发挥价值，工厂车间数据必须整合到整个价值链中，并与世界经济论坛作为全球灯塔网络的一部分进行合作。

通过更好地利用分析，de Boer 认为量身定制的生产会影响“从组件采购到最后一英里交付”的一切。

当今的商业智能分析是企业 IT 产品的一个共同特征。但事实证明，将这项技术应用于运营更加困难。根据 ResearchAndMarkets.com 的数据，尽管在实施方面存在障碍，但预计到 2026 年全球将达到 160 亿美元。

智能工厂分析记分卡

多家供应商现在努力提供改进的工业分析和 BI 仪表板。走在智能工厂市场前沿的企业包括ABB、霍尼韦尔国际、罗伯特博世、西门子等。

在捕获、处理、存储和分析智能工厂数据方面，在制造业中占有重要地位的 IT 巨头是其中的一部分。其中最主要的是 IBM、Hewlett Packard Enterprise 和 SAP。 Cloudera 和 DataStax 等创新数据初创公司也瞄准了智能工厂分析的专业需求。

随着云成为工厂分析的中心点，云领导者亚马逊网络服务、谷歌和微软正在构建专门的数据工作流管道。玩家反过来支持最终用户商业智能仪表板，例如来自 Looker、Microsoft、Tableau 等的仪表板。

智能工厂建设

构建智能工厂分析是一项艰巨的任务。根据 IBM 的一份关于数字化转型的报告，一个典型的制造现场可以在一个月内创建 2,200 多个数据，而且其中大部分数据未经分析。未经分析的大量数据导致工业物联网概念验证 (POC) 项目拖延。

IBM 工业、能源、资源和制造总经理 Manish Chawla 强调说，大多数工业数据都是在 IT 之外生成的。他表示，最近的行业努力侧重于改善项目基础；计划不周会延长 POC 的前置时间。

“人们试图在没有地基的情况下建造顶层公寓，”他说。

Chawla 还表示，IBM 最近与西门子和红帽合作开发了一种跨平台方法，从更接近工厂边缘的西门子工业物联网平台 MindSphere 执行分析。

SAP 副总裁兼产品管理、制造和工业物联网主管 Dominik Metzger 表示，SAP 正在努力让客户能够分析面向时间序列的历史数据以及物联网和业务数据的组合。数据历史记录是一种软件功能，用于记录制造 IT 流程的输出以用于管理目的。

对于梅茨格来说，近年来的主要变化之一是数据处理的标准化程度。 “它变得更加经济和可扩展，”梅茨格说，并引用数据湖作为智能工厂分析的推动者。

SAP 将在业务流程中嵌入物联网数据分析视为其工业 4.0 战略的关键下一步，它称之为工业 4。工业 4 是一种参考架构，涵盖来自数据历史记录、边缘服务和云或 ERP 等来源的工作流具有商业智能功能的系统。

分析需要数据量

智能工厂分析的发展因普遍影响分析的力量而变得复杂。例如，基于人工智能和机器学习的预测性和规范性分析的兴起带来了一些实施挑战。 PTC 人工智能和分析副总裁 Ed Cuoco 表示，用户在使用分析深入研究运营时应该谨慎行事。

例如，在实施诊断分析时，有时简单的统计过程控制可能比机器学习或 AI 类型的解决方案更受欢迎，Cuoco 说。

“如果没有大量高质量的历史数据，您可能无法获得所需的洞察力，”他补充道。

物联网平台提供商 PTC 与最终用户和其他软件制造商密切合作，从工厂前线向业务最终用户提供分析服务，有时还会返回。最近的一项交易就是这种情况，富士通智能工厂框架使用 PTC 的 Vuforia 增强现实和 ThingWorx 平台向运营人员传达分析信息。

用于分析的新颖图形

图数据技术——长期以来一直处于高级数据分析领域的边缘——已在工厂和其他环境中获得认可。事实证明，来自 Neo4j 的 Aura Enterprise 等图形数据库非常有用，可将用户的智能工厂分析置于上下文中，并支持确定新运营效率的协作项目。

与支持大量数据分析并将数据存储在行和列中的关系数据库不同，图形数据格式使用数据映射来管理数据元素之间的复杂连接。 Neo4j 的目标行业包括汽车、保修、分析、供应链管理和医疗器械。 Neo4j 图分析和 AI 项目主管 Amy Hodler 表示，医疗行业尤其展示了图数据库促进跨团队协作的能力。

Hodler 指出，一家希望在产品发货前跟踪故障的医疗器械公司发现 Neo4j 的图形方法很有用。识别此类故障通常涉及侦查工作，因为必须跟踪故障仪器的所有子组件，以确定它们是否对故障负责。

为了让更多用户进行分析，Neo4j 提供了连接器，将其图形数据模型链接到数据可视化和发现仪表板，例如 Tableau、Tibco Spotfire 等。该公司还提供自己的 Bloom 可视化工具。

连接到大量可视化仪表板的还有来自 DataStax 的软件管理工具，该公司在很大程度上导致了开源 NoSQL 数据库的商业化。 DataStax 产品的企业版支持图形数据处理。使用其软件的 IoT 应用程序创建者中有位于南非的 Locstat，该公司部署了该产品以分析传感器数据和实时流分析。

DataStax 首席技术专家 Matthias Broecheler 表示：“可视化正在成为试图了解物联网领域正在发生的事情的一个越来越重要的元素，尤其是在您处理相当复杂的设置时。

他补充说，可视化分析工具可以帮助运营人员、开发人员和其他人。同时，布罗切勒指出，智能工厂中的一些决策需要立即响应。这种驱动力是新形式的分析处理背后的推动力，无需人工改造，即可自主检测和响应工厂车间异常。

再见，数据孤岛

McKinsey 的 de Boer 表示，在智能工厂中，经理、现场运营和 IT 开发团队需要像在任何其他类型的业务转型中一样协同工作。

“当团队在孤岛中运作时，转型会失败，只有一个职能推动了发起变革的尝试，”他在接受电子邮件采访时说。 de Boer 说，推动数据民主化需要整个组织的人员了解新技术的力量以及如何使用它们。

对于制造业而言，运营人员在决定数据民主化方面的作用将具有说服力。

“借助运营人员手中的分析工具，公司将能够更轻松地开发应对业务挑战的解决方案，”de Boer 说。

麦肯锡的 de Boer 指出了由 Global Lighthouse Network 成员设立的分析学院计划，并认为所有利益相关者都可以从参与中受益，包括从董事会到生产一线的每个人。