1. 基于大数据的顾客服务模式优化

随着大数据技术的普及，尤其是随着移动互联网时代的到来，顾客对服务的及时性、便捷性与精准性产生了更高的期望，而传统的顾客服务模式已经不能满足顾客日新月异的服务需求。这就使很多公司都开始尝试利用大数据优化自身的业务模式，改善顾客体验。

在营销领域，大数据在顾客分析（Customer Analysis）层面上带来了三项变革，彻底颠覆了传统的营销模式。

▢ 变革之一：收集和存储顾客行为的大数据变得简单易行。

▢ 变革之二：从大数据中挖掘和顾客相关的知识变得有章可循。

▢ 变革之三：利用用户画像提升个性化服务体验逐渐成为了业界的共识。

许多以制造业为经济基础的发达国家都在进行产业升级，力图重振工业。在这一背景下，制造业不仅要在生产制造方面谋发展，还应当在服务模式方面求创新。Vandermerve和Rada在其1988年的一项研究中指出，现代企业越来越多地以顾客为中心，为顾客提供产品、服务、支持与知识四位一体的“市场套餐”，以增强企业的竞争优势；此外，他们还断言，在制造业中也应该关注并发展创新型增值服务，以便快速提高企业的核心竞争力。制造服务化这一战略创新概念应运而生。制造服务化指的是，制造企业由单纯地销售产品，转变为销售产品服务系统。产品服务系统，顾名思义，包含了综合产品和服务产品两个部分。在产品服务系统的业务模式中，“增值”二字是核心。企业在原有产品制造的基础之上，积极探寻能使产品增值的服务环节一并提供给客户，复杂产品的使用培训就是一个典型的例子。在这种模式下，制造企业不仅能够从一次性的产品销售中获得收益，还能从提供的增值服务中获得持续的利润，同时这也将建立企业和客户之间的良好关系，更有利于业务的进一步开展。工业4.0为积累相关的行业数据提供了技术支持。显然，全面服务解决方案的效果是可以通过大数据进行优化的。

首先，顾客的消费数据和行为记录可以优化个性化定制生产与服务的效果。顾客的需求千差万别，对海量数据进行充分的挖掘分析有助于更好地了解顾客的消费需求，将个性化需求与产品服务系统相结合，并辅助以精准的个性化服务，有机地实现“大批量的个性化生产”。

其次，大数据分析系统可以实时监测与优化运营状态。在新兴技术快速发展的今天，顾客的需求丰富而有多变，市场的环境很难预测并充满挑战，只有能够快速适应市场变化，在第一时间察觉到顾客的新需求，才能让产品服务系统的效益发挥到极致，而这些又都依赖于对大数据的实时挖掘。

第三，对全价值链数据进行整合分析可以挖掘出各个生产与服务环节中存在的问题，通过各个环节上获取到的信息反馈来迅速地锁定生产、服务中的薄弱环节，并加以改善。

大数据技术可以很好地改善顾客服务模式，提升服务的精准性、及时性，改善用户体验。从理论层面上，公司应首先对现有数据、可获数据进行充分的分析，并对顾客的感知、服务的特性进行充分的了解，从而提出利用数据改善用户体验的服务模式。从实践层面上，公司应能够拥有高效率、高性能的技术环境，在工程上真正地实现对顾客服务模式的改进，提高企业的效益。

2. 基于大数据的生产系统优化

在生产系统的演进之中，大数据扮演着重要的角色。在美国和德国的工业4.0中，大数据均被作为重点提及。大数据在生产系统中的兴起主要由以下因素导致：

（1）随着收集、存储数据的成本快速降低，生产中的数据痕迹越来越多地被记录下来。

（2）分析、利用数据的手段不断发展，可用于分析、利用生产中数据算法的提出，使得生产大数据潜藏的价值被发掘出来。

（3）随着制造流程和商业活动的复杂性日益增长，仅靠人的经验和分析已经无法满足如此复杂的管理需求，因此在生产系统中引入数据支持势在必行。

目前大数据环境下制造业的变革可以看作是“5M+1M+6C”。其中“5M”对应了传统生产系统的关键组成部分，包括Material—材料、Machine—机器、Methods—工艺方法、Measurement—测量和Maintenance—维护。“1M”对应了Modeling，即数据和知识的建模。“6C”则对应了引入大数据技术对传统生产系统的增值，包括Connection—传感器之间的连接，Cloud—云，Cyber—虚拟模型，Content/Context—数据内容与来源，Community—社群（数据分享与协同），Customization—定制化。其中“5M”是生产系统的基础，是前三次工业革命生产系统主要改善和竞争的领域；“1M”则是生产系统向智能化转型的关键驱动；“6C”是真正为客户创造价值的创新服务，是工业4.0下生产系统新的核心竞争力。

大数据作用于生产系统，实现由“5M+1M+6C”的综合之后，其价值主要体现在以下几个方面：

1）零部件及装备层面的大数据应用

在零部件和装备层面，应用大数据技术可以对零件的状态进行记录、特征提取和建模工作，利用得到的模型与零件和装备当前状态产生的数据进行比较，可以识别设备当前的健康状态。通过对当前运行模式的匹配，结合对健康模式随时间变化的分析，能够更加准确地预测零件及设备未来状态的变化，实现设备的自预测能力。

基于对设备当前和未来性能的预测，可以制定最优化的执行策略，使设备在满足任务要求的前提下，使用尽可能少的资源，同时尽可能减少对设备可用性的损害，同时在最优的维护时机对设备进行维护。

2）生产系统层面的智能化

在大数据的支持下，工厂对于设备的健康状态、剩余可用时间、当前精度有了更为准确的认识和预测。这种能力使工厂可以以准确的信息为基础，采取最优的维护措施以提高管理效率，最优化机器的正常运行时间，最终实现零意外和零停机的状态。

3）服务与制造的结合

制造业向服务端转移是已被公认的趋势。服务型制造这一概念最早由Vandermerewe和Rada于1988年提出，将“制造”的概念进行了扩展，向客户提供从需求调研、产品设计、工程、制造、交付、售后、回收和再制造的全生命周期看作生产的过程。对于服务型制造企业，他们出售的不仅仅是制造的产品，还包括依托于产品的一系列服务。

正如之前提到的“5M+1M+6C”模型，基于大数据技术提供的“6C”正是服务型制造所提供增值服务的重要组成部分。在全周期的生产环境下，制造企业通过内嵌在产品中的传感器，获得机器数据，提供机器设备的作业监控、性能维护和预防性养护等一系列增值服务；此外，大数据应用于服务型制造，还可以辅助追踪分析用户需求，从用户的数据中获取隐性的知识，用于指导生产决策和改进；最后，大数据作为沟通用户和生产企业的重要渠道，将有助于企业优化生产流程，提供定制化的产品以满足用户的不同需求。

3. 基于大数据的质量检测优化

质量检测是制造过程中最关键的工序之一。传统的质量检测是基于采样的，通过计划采样或者事件驱动采样等手段，质量控制部门从生产线上采样产品，在实验室中执行各种测试来对样品进行鉴定。在过去的生产运营中，这一流程被证明是有效的，但是其缺点也是不容忽视的。有一方面，基于采样的方法往往具有较高的成本；另一方面，基于采样的方法实时性难以保证。使用大数据方法使得质量控制可以基于全量样本进行。这一改进将大大提高质量检测的准确性和实时性。此外，随着大数据算法的发展，模型可以发现多来源质量监测数据之间的潜在联系，从而更加精确地定位质量缺陷。

▢ 基于实时制造大数据和相关算法，可以实时对产品质量的瑕疵进行检测。

▢ 基于制造大数据及算法，可以实现基于模型的预测性质量管理。预测性质量管理是指利用现有数据预测批次内或下一批次的产品表现，以实时调整生产参数。

▢ 通过大数据算法的分析，可以发现指标与产品缺陷之间的潜在联系，从而更加准确的定位缺陷的发生以及分析背后的原因。

▢ 使用大数据方法分析多个工厂的结构化及非结构化性能数据将有助于我们定位出现异常的生产流程。

基于大数据的工具，以及物联网技术的快速发展。质量检测将从出厂前的一过性检测逐渐转变为产品全生命周期的持续检测。通过综合多数据源的数据，如用户反馈、经销商反馈以及传感器信息，生产商可以对产品的全周期质量进行监测。

改编自：《未来制造新模式：理论、模式及实践》（作者：江志斌，林文进，王康周，李乐飞，涂金）