作者|楊博

全文總計1668字，需閱讀5分鐘，以下為今天的益者原創：

近些年來，數字化、大數據、雲這些概念已經成為高頻詞。企業日常管理在很大程度上體現為對信息數據的獲取和處理，所以數據處理水平也是對企業管理水平的一種折射。在這個數字化的時代，許多企業和組織都在強調數據分析的重要性。那麼數據分析有幾個層次呢？我們的企業和平時的工作又處在哪個層次上？

在制造型企業中，如果用“意識 方法”的模式去做一個簡單的劃分，我們可以把數據分析水平分為下面六個層次，并以車間現場設備維修為例說明。

第一層：經驗主義，無數據概念和量化思維

經驗主義并非完全沒有依據，隻是說依賴過去的經驗和主觀的判斷。經驗主義因為缺乏量化以及發展變化的觀點，已經遠遠不能滿足時代要求。對于車間現場設備維修來說，經驗可能有助于快速找到設備的故障點，但是對于建立TPM（全員生産保障）達到更高水平，就需要大量長期的數據做支撐。

第二層：隻看個别數字，不看趨勢和全局

隻是去孤立地看個别的數據，卻看不到全局并且忽視了數據間的關聯性，對數據的趨勢沒有判斷和分析。比如說月度維修費用的高低可以作為一項成本指标，但并不能反映總體維修成本管理狀态，還應結合産能産量狀況、設備折舊狀況、備件庫存水平及通用性、備件交期或服務周期等綜合因素。

第三層：使用基本工具解釋、分析數據

到了這一層說明已經具備數據基礎和一定的數據加工與分析能力。常見的Excel等工具就可以幫助實現基礎數據分析。比如使用柱狀圖去對比不同區域的設備報警次數；使用餅圖去觀察各個區域的維修成本比例；使用鍊條圖去跟蹤維修成本趨勢；使用瀑布圖去看預算與實際成本的差異等等。這些分析對于簡單數據模型沒有問題，對于複雜問題或數據結構，基本工具仍不足以深入分析和挖掘。

第四層：具有統計思維，會使用基本的統計量和統計工具

統計思維，是數據分析層次的分水嶺。從方法層面上來說統計學更加科學和全面，使用合适的統計量也會使數據分析更專業，同時統計工具和方法也為複雜問題的分析提供了平台。

比如說，使用假設檢驗和抽樣的方法對故障原因進行排查，使用相關和回歸模型去分析或預測模具壽命，計算出科學經濟的維護保養頻次，建立控制圖去長期監控關鍵參數等。

另外，統計方法依托于強大的信息量和數據結構。在操作層面，統計思維也要求建立數據庫和數據處理界面，使得數據在标準化平台上被記錄、傳遞、追溯、分析，這也是企業邁向數字化的關鍵一步。

第五層：具備系統思維，會使用複雜的統計工具

系統思維，是在統計思維的基礎上，把我們所研究的問題放在一個系統裡去思考，這就提供了更明确的導向型和更寬泛的思路。

如果把生産和質量管理作為一個大的系統，設備維護其實是為這個系統服務的一環。從這個層面來說，設備維護的目的是保障制造過程更安全、穩定、高效。尤其對于一些關鍵的産品過程，人機料法環任何一個因素的微小波動都可能造成産品特性的波動。

拿備件更換周期來說，常規的做法是考慮其本身的性能或使用壽命，但是如果從整個制造過程來看，可能設備備件本身壽命還沒到，但是産品特性就已經出現波動或不确定性。同時在系統思維這個層次上，也要求使用更複雜的統計分析工具，以應對系統中存在多因子和交互作用的情況。

第六層：戰略思維，多維度視角，大數據概念

許多企業都有自己的商業戰略、産品戰略、市場戰略等等，各方面的戰略又會逐層展開。但是戰略布署常見問題之一就是各個戰略之間甚至垂直戰略體系中連接性和傳遞性并不強。具備數據分析的戰略思維，就需要将數據的分析處理貫穿戰略體系，真正打通和服務于戰略執行和調整。

在這個層面下，設備維修和備件更換已經不單是生産維修或者是運營的話題，而是可能會上溯到産品開發階段去考慮和設計。比方說如何利用現有設備做好産品平台化？如何進行容差設計在滿足過程穩定的同時降低維護成本？過程末端的數據如何分析以及反饋給前端？将産品、過程、工裝模具、設備維護等等信息和數據在戰略層面貫穿起來。

大數據的概念在電商行業中已經很普遍，但是由于制造業本身的特點，大數據的推行仍需要一個過程，而數據分析上升到戰略層面，不但為企業管理和改進提供更高的平台和多維度視角，而且是企業數字化轉型的關鍵一步。

更多精彩资讯请关注tft每日頭條，我们将持续为您更新最新资讯!