大数据时代异常工时数据与产品开发的关系

近年来，由于计算机、物联网等信息化技术以及传感技术的发展，使得现代生活中出现了“一切皆可数据化”的思维，数据的产生方式由“人机”、“机物”的二元世界向着融合社会资源、信息系统以及物理资源的三元世界转变，数据规模呈膨胀式发展。例如，互联网领域中，谷歌搜索引擎的每秒使用用户量达到200 万，Twitter 每天的推特量已经超过了3．4 亿;科研领域中，仅某大型强子对撞机在一年内积累的新数据量就达到15 PB 左右;电子商务领域中，作为世界连锁性企业沃尔玛，其每小时可处理的客户交易可超过100万笔，相应为数据库注入超过2.5PB的数据。大数据时代的到来颠覆了工业界、学术界对传统数据的认知，同时也引起了数据获取、存储、分析、挖掘以及可视化等技术的变革。而大数据归根结底是一种数据集，其特性是通过与传统的数据管理以及处理技术对比来突显，并且在不同需求下，其要求的时间处理范围具有差异性，最重要的一点是大数据的价值并非数据本身，而是由大数据所反映的“大决策”、“大知识”、“大问题”等。

大数据作为现在以及未来的重要资源，已经出现在众多领域，并推动了众多领域的发展。

以工业领域为例，利用大数据可以实现智能生产。在德国“工业4.0”中，通过信息物理系统(CPS)实现工厂/车间的设备传感和控制层的数据与企业信息系统融合，使得生产大数据传到云计算数据中心进行存储、分析，形成决策并反过来指导生产。具体而言，生产线、生产设备都将配备传感器，抓取数据，然后经过无线通信连接互联网，传输数据，对生产本身进行实时监控。而生产所产生的数据同样经过快速处理、传递，反馈至生产过程中，将工厂升级成为可以被管理和被自适应调整的智能网络，使得工业控制和管理最优化，对有限资源进行最大限度使用，从而降低工业和资源的配置成本，使得生产过程能够高效地进行。过去，设备运行过程中，其自然磨损本身会使产品的品质发生一定的变化。而由于信息技术、物联网技术的发展，现在可以通过传感技术，实时感知数据，知道产品出了什么故障，哪里需要配件，使得生产过程中的这些因素能够被精确控制，真正实现生产智能化。因此，在一定程度上，工厂/车间的传感器所产生的大数据直接决定了“工业4.0”所要求的智能化设备的智能水平。此外，从生产能耗角度看，设备生产过程中利用传感器集中监控所有的生产流程，能够发现能耗的异常或峰值情况，由此能够在生产过程中不断实时优化能源消耗。同时，对所有流程的大数据进行分析，也将会整体上大幅降低生产能耗。

除了实现智能生产，还可以利用大数据实现产品大规模定制。大数据是制造业智能化的基础，其在制造业大规模定制中的应用包括数据采集、数据管理、订单管理、智能化制造、定制平台等，核心是定制平台。定制数据达到一定的数量级，就可以实现大数据应用。通过对大数据的挖掘，实现流行预测、精准匹配、时尚管理、社交应用、营销推送等更多的应用。同时，大数据能够帮助制造业企业提升营销的针对性，降低物流和库存的成本，减少生产资源投入的风险。利用这些大数据进行分析，将带来仓储、配送、销售效率的大幅提升和成本的大幅下降，并将极大地减少库存，优化供应链。同时，利用销售数据、产品的传感器数据和供应商数据库的数据等大数据，制造业企业可以准确地预测全球不同市场区域的商品需求。由于可以跟踪库存和销售价格，所以制造业企业便可节约大量的成本。“工业4.0”本质是基于信息物理系统(CPS)实现“智能工厂”，使智能设备根据处理后的信息，进行判断、分析、自我调整、自动驱动生产加工，直至最后的产品完成等步骤。可以说，智能工厂已经为最终制造业大规模定制生产做好了准备。

实现消费者个性化需求，一方面需要制造业企业能够生产提供符合消费者个性偏好的产品或服务，一方面需要互联网提供消费者的个性化定制需求。由于消费者人数众多，每个人需求不同，导致需求的具体信息也不同，加上需求不断变化，就构成了产品需求的大数据。消费者与制造业企业之间的交互和交易行为也将产生大量数据，挖掘和分析这些消费者动态数据，能够帮助消费者参与到产品的需求分析和产品设计等创新活动中，为产品创新作出贡献。制造业企业对这些数据进行处理，进而传递给智能设备，进行数据挖掘，设备调整，原材料准备等步骤，才能生产出符合个性化需求的定制产品。

大数据不仅改变了数据的组合方式，而且影响到企业产品和服务的生产和提供。通过用数据来规划生产架构和流程，不仅能够帮助他们发掘传统数据中无法得知的价值组合方式，而且能给对组合产生的细节问题，提供相关性的、一对一的解决方案，为企业开展生产提供保障。

对产品设计开发大数据可以提供影响设计的关键指标数据。影响产品设计的项目内容很多，用户需求，客户要求，使用的材料特性，前期客户市场回馈，产品耐用性，生产制程，生产作业性…等等，这些项目都可以通过转化为某一指标量化进行数据收集。本文意在谈一下生产制造的异常工时对产品开发的关系及影响。为了谈异常工时与产品开发的关系，我会用数据挖掘的方法DMAIC模型来讲述。

DMAIC模型

Define 定义需求，把问题转化为数据挖掘问题

Measure 量测数据，及理解，收集并加工数据

Analyze 分析建模，构建模型，建立流程机制

Improve 解决问题，部署流程模型 or 使用流程机制

Control 反馈控制，评估结果重新开始循环，不断改进

*Define 定义需求

因为这次谈的是异常工时对设计开发的影响，故关键指标数据从异常工时某项内容进行选定。

产品生产过程中，而造成生产线停工或生产进度延迟的情形，由此造成的无效工时，亦称为异常工时。生产异常包括计划异常、物料异常、设备异常、品质异常、设计异常、订单异常和作业异常。设计异常因为材料的选择，产品结构的设计，生产制造性设计不当都会造成。工厂也会去记录产生异常的工时以及发生异常的项目。

*Measure数据量测, 收集加工

下面是2017年度高创制造部统计的KE线整机异常工时数据表。

表中不仅记录了异常工时数据，还将每一项内容进行了分类。分类依照责任部门 & 发生原因进行区分。

作业：将生产作业不良的项目内容列入此项。此项全年异常工时占比8%

来料不良：将供应商交货不良造成产线异常的内容例如此项。此项全年异常工时占比36%

设计不良：将设计不佳造成产线异常的内容列入此项。此项全年异常工时占比43%

其它：此项涉及的内容包括BOM错误，业务订单，采购订单，IE OS错误的内容列入此项。此项全年异常工时占比13%。

如上对发生原因的统计分类及图表可以说明，2017年度异常工时设计是造成异常工时的主因，就需要研发部门进行进一步的量化分析其中原因。改善设计为公司减少异常工时，降低异常费用。

继续研发异常的按照科级部分进行分类，如下图标可以看出电器占比65%, 结构占比31%，美工占比4%。所以电器科室异常最多需要对发生原因进行分析改善。

*Analyze 分析建模，构建模型，建立流程机制

对电器科室的问题进行展开分析，举例表中某一TV机种因EMI对策重工单一项机种2017年度重工就有1231 hour 异常时间最多。势必需要对此项重点检讨是何原因造成，对策内容是什么，后续的预防措施是什么？此项内容需要在电器部门内部进行经验分享，此项且有必要进行流程化确认，加入设计检查规范。表中Monitor机种，由于研发与客户没有沟通清楚附属线放VGA线 or DVI线导致异常工时622 hour，这一项的预防就需要将这项针对某一客户的线材检查内容加入检查表中，防止后续出错。

异常工时是公司利润的损失，避免下一年度再次发生类似问题，就需要对异常工时表中数据进行区分，给予相应的对策。目前研发针对异常工时的项目已经建立起预防的组合工具& 一套系统流程。组合工具为: BOM Check list， Design Checklist_VX.X,电子料标准化库。将异常工时中错误需要管控的项目列入表中进行设计输入管控，并且建立流程机制。

*Improve 解决问题，部署流程模型 or 使用流程机制

PM开案portal上PPM发布design checklist任务需求，工程师建BOM只能从标准化库中选用标准化料。工程师在BOM发行前文件中心需要工程师提供BOM Check list。并且发生异常工时的问题，在研发部门内会进行问题点经验分享，以及lesson learn对后面新人进行培训。

*Control 反馈控制，评估结果重新开始循环，不断改进

管控好了产品设计输入，这样对输出的产品也进行了调整，输出的产品由于对异常工时的相关项进行了改善，这样就反馈到了异常工时，只要持续改进，异常工时就会逐步降低。流程图如下，

大数据中异常工时的某项关键指标可以影响产品设计，其他项目亦可作为影响开发设计的关键指标。

大数据具备能够提高几乎任何类型的企业及众多不同部门内部工作效率并改进运营的潜力。数据一旦生成有价值的商业洞见和战略决策，企业就可以将其应用到公司的各个部门中，以提升公司的盈利能力和经营效率。在以数据为先的企业中，这些商业决策将能快速在公司各个部门中实施，以发挥最大的商业价值。