数据管理的5码

制造商越来越意识到管理和控制他们的数据的必要性。数字制造和工业物联网(IIoT)的兴起，以及创新、消费者需求和产品使用行为的变化，迫使许多商店考虑实施数据管理战略。但考虑到大量的数据已经准备就绪，可以在车间收集，这可能是一个压倒性的任务。要知道应该收集哪些数据，哪些应该忽略，这可能是一件困难的事情。数据溢出和溢出的风险会导致企业陷入混乱和不确定性，许多人会放弃这项事业。

试点项目炼狱是许多行业的共同挑战。这就是为什么管理买入是项目成功的一个巨大因素。但是，这次买入需要在制造环境的各个层面上回声，以确保项目在业务的所有部门和部分中缩放，以帮助向前迈进。

许多希望更好地管理其数据的企业使用大量现有数据。清理和合并现有数据是真正开始工作所需要的第一步。有很多基于人工智能的工具和服务可以用于数据清理，并在数字仓库中存储必要的信息。

“在此过程中，始终考虑在整个过程中删除数据冗余和复制，”制造业务管理市场创新总监Subba Rao表示，西门子数字工业软件，德克萨斯州普莱诺·普莱诺斯“有哪些功能和流程需要数据，为什么以及在哪些上下文中？数据如何帮助数字制造领域进行闭环反馈进程？”

良好的数据管理策略需要确保收集的数据是“良好”的数据，并且可以在组织的所有级别中有用。该策略应专注于如何最好利用数据在这一数字时代创造闭环制造，并推动创新。AL数据应包括来自工程的数据（如验证的生产清单）和商业系统（订单，客户和供应链信息）向下到车间将提供更全面的情况。它还需要通过商业决策和洞察力来了解，即商店希望实现。识别哪些业务问题需要优先级，并且具有所涉及的功能团队的相关使用案例是一个很好的起点。

Rao说:“一般来说，带有背景的数据可以洞察其在功能内部和跨功能的重要性，是智能数据的起点。”西门子等供应商可以帮助客户完成这一过程。我们开发了一种集成的方法来帮助商店通过智能数据实现可操作的智能洞察，称为5cs连接(或收集)、背景化、协调、理解和控制。

连接

5C进程的第一步是连接和数据收集。只要商店已经开展业务，它会收集数据，许多商店都有丰富的历史数据，遍布不同的来源，可用于获得生产力收益的见解，随着时间的推移，趋势趋势和过程调整可以制作。该数据可用于对商店地板做出良好的决策，并推动前进的商业实践。但是通过收集了如此多的现有数据，在许多情况下，纸张或硬拷贝报告，商店需要查看连接工具以帮助构建此数据。

Rao说:“制造执行系统(MES)或制造运营管理(MOM)充当车间数据管理和设备之间连接的骨干。”MES和MOM是车间的核心，不仅用于收集数据，还用于协调数据、环境，并与其他系统协作，包括制造工程、仿真、PLM、ERP、自动化或其他遗留系统。工业物联网为车间的数据收集增加了另一个维度。”

说明

通过从车间的各个方面流动的数据如此多的数据，将数据放入上下文中是很重要的。收集数据后，商店需要组织并提供数据含义。IT机器数据，资源数据，劳动力数据，订单信息，过程数据或产品信息吗？所有这些问题都需要要求提供商店的语境，了解如何应用此数据的方式。

Rao说:“商店可以获得大量的原始数据。”“这些数据本身并不意味着什么。为数据添加上下文并提供关键信息对于有效地理解和使用数据是必要的。它还提供了一种机制来丢弃不完整或不必要的数据。我们真正在寻找的是智能数据，而环境有助于使原始信息具有可操作性，并创建闭环反馈系统。”

协调

第三步是协调。数据在制造过程的每一步都是不断收集的，或者至少应该是它被认为是重要的。使用上下文丰富数据是第一步，但提供来自相关过程的补充数据将提供更全面的数据结构。

Rao说:“在各个过程中协调数据非常重要。”这将帮助商店从他们的数据中获得价值。我们利用车间数据定义的闭环与其他流程,我们可以创建一个数字双production-providing见解生产系统(包括线路和设施)以及操作(技术方案和生产管理组件)。协调所有生产数据，为智能制造创造持续改进的模式。协调数据就是将所有生产信息整合到工程和业务/供应链流程中。”

除了收集和背景化，协调数据可以提供生产过程的更全面的画面，并有助于确定根本问题。数据管理系统可以让商店链接或协调数据集，从而使见解很容易被识别。它还允许不同的团队一起收集或丰富数据点，以获得更全面的视图。

此步骤可能需要数据管理系统的规则或控制，以确保用户不会以可能对其他团队产生负面影响的方式重写信息或重新组织数据。由于每个用户看待数据的方式不同，因此需要为每个组调整数据表示方式，这可能是一个值得探索的特性。

理解

一旦数据被背景化和协调，商店就可以真正开始理解可用信息的可操作性。在这个阶段，主要是了解所有流程，使用所有数据点创建一个类似于数字孪生的环境。

“当你理解的时候，那就是分析真正发挥的地方，”RAO说。“一旦进入高级分析，不仅仅是诊断信息或静态报告，而是应用AI或机器学习（ML）算法，商店可以进入更预测性和规范的心态。AI和ML在过程中驱动了可操作的洞察力从工程到计划生产和商业/供应链，并成为数字时代的主要生产杠杆。“

控制

这个策略的最后一个C是控制。前面的每一个步骤都将帮助商店获得他们需要的控制，以对日常行动和结构变化做出基本的和重要的决定。制造环境中的每个组，无论是不同的部门还是用户，都有不同的方式查看数据并使用从中收集到的信息。这就是为什么控制是如此重要的一个方面。

拉奥说:“所有用户都需要对数据进行控制，以便根据自己的角色和职责做出决定。”车间的团队领导可能需要这些数据来决定人员和日程安排，而质量部门可能会查看相同的数据，但会对检查过程做出决定。拥有不同的视图集或数据组织将有助于每个用户控制和利用数据。这让他们能够控制自己负责的数据，并能够做出数据驱动的决策。”

对数据的控制也提供了制造过程的一定程度的透明度和可见性。采用其他四种数据策略可以使数据控制更加有效。透明对组织来说并不总是容易的，但是允许用户跨业务的所有领域访问数据表明了所有数据的公有所有权。

“如果没有以正确的方式管理和控制数据，如何将商店推动业务决策改进，”RAO说。“数据至关重要，数据驱动的决策是大多数商店都在努力，特别是在这个智能制造环境中。但是通过数据来复杂，因此确保数据准确，流线型，并受到保护，并保护商店无法控制的能力真正控制的能力只有数据本身，但是从中派生数据的环境。“

5C进程需要管理管理，以阐明所有方面并实现完成每个步骤的必要操作。但买入也很重要。能够控制数据并做出决策取决于数据很好。如果进入的数据不完整或不准确，那么，它是什么好的？创建周围数据管理的积极主动台是一个很好的起点，并且在5C战略之后，有助于商店达到数据驱动的决策的目标。

有些软件和工具可用，如MES或MOM系统，以帮助简化流程并使转换顺畅。

Rao说:“底线是，无论一个组织的规模有多大，制造商都在努力提高他们的竞争力和差异化，同时支持当前产品、生产和新产品创新的稳定状态。”“一个坚实的车间数据管理系统可以推动智能数字化制造，实现智能洞察、智能资源利用和流程可见性、团队内部和团队之间的智能协作、供应链和客户之间的智能透明，以及技术和文化变革中的智能转型。”

联系副主编Lindsay Luminosollinkoso@canadianmetalworking.com.。

西门子,siemens.com