IBM宣布最高量子体积64，把霍尼韦尔从世界最强宝座拉下来

依赖历史平均值和趋势来校准供求关系的组织现在看到了他们的数据模型正在漂移。为了重回正轨，企业正在采用图形数据库和机器学习等技术来重新调整销售预测，预测和避免机器故障，并使其供应链能够更加灵活和快速。

汽车公司使用图形分析来绘制路径

捷豹路虎就是这样一个利用分析来帮助缓解其销售预测中断的组织。生产同名路虎和路虎揽胜越野车的捷豹路虎通常需要依赖提前几年发布的预测，以便为数百家供应商提供制造零件的准备时间。除了帮助捷豹路虎估算需求之外，这些预测还确保了它能够承诺购买的最低数量的零部件。

但是，捷豹路虎的数据与分析总监Harry Powell表示，COVID-19疫情迫使捷豹路虎取消了销售预测。Powell告诉了他的商业同行，考虑到供应商是否能够生产汽车制造商所需要的3万多个零件，公司必须更加灵活地平衡供应和需求。

为了对其供应链进行更及时的分析，捷豹路虎正在利用图形数据库软件来关联数据，并识别多个复杂数据源之间的实体关系，包括预测供应链数据、零部件数据和汽车配置数据。图形分析可以帮助数据科学家发现数据中的未知关系和连接，而这些关系和连接使用查询关系数据库系统的传统分析技术是不容易发现的。

该软件来自初创公司TigerGraph，它可以跨越不同的系统来查询数据，包括大型机、ERP和制造应用程序。在这项任务中，捷豹路虎在一个相当于23个关系数据库表的图形中组合了12个数据源，这帮助捷豹路虎在数据中建立了以前无法建立的连接，例如，了解目前能够用手中的部件来构建什么。与使用关系系统连接数据所需的几周时间相比，这种分析只需要45分钟，Powell说。该分析有助于捷豹路虎避免供应商因未能满足最低购买量规定而收取的数百万美元的费用。

机器学习帮助牙膏制造商从机器中挖掘出更多的价值

随着疫情的蔓延，人们购买了大量的个人护理产品，高露洁棕榄使用了机器学习软件来确保其牙膏产品能够进入零售货架。该软件由Augury公司开发，它能够利用蓝牙无线传感器对2000台高露洁用来制造牙膏管和其他产品的机器进行监控，以消除生产线故障，高露洁全球工程总监Warren Pruitt表示，这些故障可能会导致公司因停工而损失数千美元。

例如，机器学习软件在检测到高露洁的一个钢管生产商的驱动电机温度升高后，就会向生产团队发出警报。该团队发现了电机水冷系统的一个问题，并解决了这个问题，防止了驱动器出现故障，而这原本可能会导致管子生产线的停止运行。Pruitt估计，这项工作为公司节省了192个小时的停机时间，并生产280万支牙膏，另外还节省了1.2万美元的新马达和2.7万美元的可变转换成本。在另一个案例中，该软件提醒工人，液体机器的一个变速箱出现了结构和操作问题，这会使其面临很高的故障风险。于是这个团队订购了一个替换的变速箱并把它换了进去。

“与预定的设备常规检查不同，这种数字化的方法可以及早诊断出问题，进而快速修复并尽量减少停机时间，”Pruitt补充说，这就类似于戴着葡萄糖监测仪，而不是等到医生来了才发现你的血糖不平衡。Pruitt说，虽然高露洁可能已经能够建立类似的技术，但要建立这样一个平台“需要我们花费数年的时间，即使是在得到批准聘用了数据科学家和工程师的情况下”。

Pruitt说，在流感大流行导致了需求激增之际，这些技术帮助高露洁提高了产量。他还补充称，这一成功促使高露洁在其全球供应链上推出了Augury，包括其Hill品牌的宠物食品，以及在印度和中国的制造工厂。Pruitt预计，随着时间的推移，该公司将把Augury软件与高露洁生产工厂的数字双胞胎结合起来，以帮助确定其产品配方将在哪些设施中蓬勃发展。

最重要的

捷豹路虎和高露洁的技术部署说明了全球组织是如何走在颠覆性的钢丝绳上的。关键在于如何使用机器学习、物联网和分析来消除限制大多数供应链的数据延迟，以帮助组织了解何时应该扩大生产，TCS的Lekstutis说。

“我们越早知道一些事情，我们就越有机会做出正确的供应链反应，”Lekstutis说。“这为供应链提供了巨大的机会，使其更具弹性和灵活性，这是一种保持竞争优势的方法。”

 

数据治理的风险与对策

数据治理工作是一个庞大的工程，结合国内外企业实施数据治理的经验和教训来看，数据治理工作具体有以下几个方面的风险与对策。

一是全面提高思想认识。

现在企业已普遍意识到数据是宝贵资产，尤其意识到数据质量的重要性，但是对数据治理的重要性认识不深刻，因此建议数据治理首先要从上到下全面提高思想认识，保证在企业的各个环节都能重视数据治理。

二是业务部门与信息部门密切配合，共同推进数据治理。

数据治理工作必须遵循业务主导的原则，因此在项目实施前和实施过程中需要获得各业务域对数据治理工作的认知，尤其是业务部门有责任牵头解决项目实施过程中本主题域内遇到的业务和组织方面的核心问题，应抽调业务骨干，积极参与项目的实施。

三是积极探索数据治理落地运作方式。

数据治理工作普遍存在方案规划容易，落地实施困难的问题。建议在项目实施前认真讨论项目的实施计划和运作方式，理清本项目与其他项目组间的工作范围、边界、责任，要明确本项目主题域及其数据治理重点业务需求。

四是建立评价标准，解决数据治理效益估算难的问题。

数据治理工作属于基础工程，项目收益无法直接体现。常常会出现数据治理后无法估算出直接经济效益的情况，最终出现用户对治理结果满意度低的问题。因此需要建立一套数据治理效果评价标准，有助于对数据治理项目的落地结果进行评估。

（编辑：宣城站长网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!