消除瓶颈：以分析赋能制造效能跃升
Progress DataRPM联合创始人兼首席产品与分析官Ruban Phukan探讨制造业瓶颈顽疾与预测分析破局之道。
制造业瓶颈问题由来已久：生产延误、积压库存、客户施压激增……突发产能瓶颈对行业任何企业都具毁灭性打击。对此，Manufacturing Global专访前雅虎数据科学家、Progress DataRPM领军人物Ruban Phukan，剖析预测性维护模型如何构建零故障环境。
直击问题核心
作为雅虎早期数据科学团队成员，Phukan深谙大数据规模化难题。"我是雅虎首个数据科学团队成员，核心认知：手工方式难以在大型组织规模化数据科学。唯一能为业务创造价值的路径，是自动化数据分析背后的流程。"
离职雅虎后，Phukan创立垂直搜索引擎业务，用机器学习解析用户行为，专攻预测分析。出售后与现联合创始人合伙，开启Progress DataRPM征程，在攻克瓶颈等多维难题上取得进展。
"初创时意识到海量数字数据生成，但老问题依旧：手工无法解决。数据科学家远远不够。即使数据海量，企业获取的价值难以证明ROI合理性。"
"于是我们问：'能否创建平台让数据科学流程无缝自动化？' 让企业利用最佳实践，大规模解决自身问题。"
机器学习进阶突破
机器学习技术能力跃升，让Phukan团队以往不可行的方式处理海量客户数据。关键在于：对制造业而言，也能对产线产生积极影响。
"如传感器赋能，让我们在极细粒度理解机器在不同工况环境下的正常运行。进而评估对机器健康的影响，及其对产线效率的连锁反应。"
部署自动化工厂场（无需数据科学专家），Progress DataRPM助大型资产密集型行业解决双核心痛点：最小化非计划停机、最大化资产产出质量与效率。通过认知异常预测软件：接入传感器数据即自动建立机器正常工况基线，寻找偏离、预警并预测潜在故障。
Phukan认为这种"预测未知"能力标志着与传统流程重大决裂。"我们要审视过去为何发生，更关键的是预测未发生之事。"
冲击装配线
制造业须重点审视影响产线的流程，特别是质检时机。"我们服务汽车、医疗等制造商，最大挑战：质检在制造末端。整批次产出后再测试，废品率高达75%。"
测试规则多基于经验编写，新问题未被覆盖时易酿成召回等严重后果。Phukan预判：预测分析平台将成常态，且已在制造业见增势。
"制造商问我们：能否用机器学习在过程中判定批次是否缺陷？他们知我们能更早探测，从而停机止损。"
具体案例？"我们服务法国大型电信商，其机顶盒故障频发，每次需人工排查更换，耗时耗资且流失客户风险高。我们主动识别出三分之一盒子存隐患，客服可提前通知用户升级或预换，规避故障发生。"
瓶颈分析的未来
制造商日益敏锐于机器优先认知技术红利：识别异常、引入主题专家评估机器发现的后果。
Phukan论及AR、IoT、质保、混合云、区块链将扮演越重要角色，但核心仍是探测未知。"已知领域专家能处理，真正挑战是未知与下一个将击中企业的黑天鹅。这才是我们要预防的，也是改变制造业游戏规则的核心。" Phukan总结。
自动化控制系统