5. Prévisions des ventes de produits et gestion de la demande
Utilisez les mégadonnées pour analyser les changements et combinaisons de demande actuels.
Les mégadonnées sont un bon outil d'analyse des ventes. Grâce à la combinaison multidimensionnelle de données historiques, nous pouvons voir la proportion et le changement de demande régionale, la popularité du marché des catégories de produits, les formes combinées les plus courantes et le niveau de consommateurs. Afin d'ajuster la stratégie du produit et la stratégie de distribution.
Dans certaines analyses, nous pouvons constater que la demande de papeterie dans les villes avec plus de collèges et d'universités au début de la saison scolaire sera beaucoup plus élevée, afin que nous puissions augmenter la promotion des concessionnaires dans ces villes pour les attirer davantage au début de la saison scolaire et en même temps au début de la saison scolaire. La planification de la capacité de production a été lancée il y a un ou deux mois pour répondre à la demande de promotion.
En termes de développement de produits, les fonctions de produit et les performances sont ajustées en fonction de l'objectif du groupe de consommateurs. Par exemple, il y a quelques années, tout le monde aimait utiliser des téléphones musicaux, mais maintenant tout le monde est plus enclin à utiliser des téléphones mobiles pour surfer sur Internet, prendre des photos et partager, etc. L'amélioration de la fonction de caméra des téléphones mobiles n'est qu'une chose. Trend, les téléphones mobiles 4G occupent également une part de marché plus importante. Grâce à l'analyse des mégadonnées de certains détails du marché, des opportunités de vente plus potentielles peuvent être trouvées.
6. Planification et planification de la production
L'industrie manufacturière est confrontée à un modèle de production multi-valeurs et petit lots. La collecte raffinée, automatique, opportune et pratique de données (MES / DC) et la variabilité ont conduit à une augmentation spectaculaire des données. En outre, plus de dix ans de données historiques d'informatisation sont nécessaires pour les AP à réponse rapide, c'est un énorme défi.
Le système de contrôle de Hangao Tech (Seko Machinery ) Ligne de machine de fabrication de tuyaux soudés industriels en acier inoxydable intelligent peut suivre et enregistrer les données de production de chaque tuyau soudé, tels que la taille actuelle, la vitesse de soudage, la température de recuit, etc. Sur cette base, avec l'introduction de la technologie de l'Internet des choses, les mégadonnées peuvent nous donner des informations de données plus détaillées, découvrir la probabilité de déviation entre les prédictions historiques et les contraintes de capacité, les contraintes de la capacité, les intelligences, les intelligences, les intelligences, Les algorithmes d'optimisation, développent la pré-planification et la planification et surveillez l'écart entre le plan et sur le site réel, et ajustez dynamiquement la planification et la planification.
Aidez-nous à éviter les défauts de 'portrait ' et imposent directement les caractéristiques du groupe aux individus (les données du centre de travail sont directement modifiées en données spécifiques telles que l'équipement, le personnel, les moules, etc.). Grâce à l'analyse de corrélation des données et à la surveillance, nous pouvons planifier l'avenir.
Bien que les mégadonnées soient légèrement erronées, tant qu'elles sont correctement appliquées, les mégadonnées deviendront une arme puissante pour nous. À l'époque, Ford a demandé quels étaient les besoins des Big Data avec les clients? La réponse était 'un cheval plus rapide ' au lieu des voitures qui sont maintenant populaires.
Par conséquent, dans le monde des mégadonnées, la créativité, l'intuition, l'esprit aventureux et l'ambition intellectuelle sont particulièrement importants.
7. Gestion et analyse de la qualité des produits
L'industrie manufacturière traditionnelle est confrontée à l'impact des mégadonnées. En termes de recherche et développement de produits, de conception de processus, de gestion de la qualité, de production et de fonctionnement, nous attendons avec impatience la naissance de méthodes innovantes pour relever les défis du Big Data dans le contexte industriel.
Par exemple, dans l'industrie des semi-conducteurs, les puces subissent de nombreux processus complexes tels que le dopage, l'accumulation, la photolithographie et le traitement thermique pendant le processus de production. Chaque étape doit répondre aux caractéristiques physiques extrêmement exigeantes. L'équipement hautement automatisé est utilisé pour traiter les produits. Dans le même temps, d'énormes résultats de test ont également été générés simultanément.
Cette quantité massive de données est-elle le fardeau de l'entreprise ou de la mine d'or de l'entreprise? Si ce dernier est le cas, comment pouvons-nous découvrir rapidement les raisons clés des fluctuations de rendement du produit de la 'Gold Mine '? C'est un problème technique qui a tourmenté les ingénieurs semi-conducteurs depuis de nombreuses années.
Après que les plaquettes produites par une entreprise de technologie de semi-conducteurs passent par le processus de test, un ensemble de données contenant plus d'une centaine d'éléments de test et plusieurs millions de lignes d'enregistrements de test sont générés chaque jour.
Selon les exigences de base de la gestion de la qualité, une tâche indispensable consiste à effectuer une analyse des capacités de processus pour plus d'une centaine d'éléments de test avec des spécifications techniques différentes.
Si nous suivons le modèle de travail traditionnel, nous devons calculer plus d'une centaine d'index de capacité de processus étape par étape et évaluer chaque caractéristique de qualité une par une.
Quelle que soit la charge de travail énorme et lourde ici, même si quelqu'un peut résoudre le problème du calcul, il est difficile de voir la corrélation entre eux à partir des centaines d'indices de capacité de processus, et il est encore plus difficile de déterminer la qualité globale du produit. Il existe une compréhension complète et un résumé de la performance.
Cependant, si nous utilisons la plate-forme d'analyse de gestion de la qualité des mégadonnées, en plus d'obtenir rapidement un rapport d'analyse de capacité de processus de processus unique long traditionnel, plus important encore, nous pouvons également obtenir de nombreuses nouvelles analyses du même ensemble de Big Data. résultat.
8. Test de pollution industrielle et de protection de l'environnement
Sur la base de l'Internet des objets, toutes les données du processus de production sont enregistrées et surveillées, et les mégadonnées sont d'une grande valeur pour la protection de l'environnement.
Sur le site Web du gouvernement chinois, les sites Web de divers ministères et commissions, le site officiel de Petrochina et Sinopec, le site officiel des organisations de protection de l'environnement, et certaines agences spéciales, de plus en plus de données publiques et de protection de l'environnement peuvent être recherchées, notamment les données de l'air et de l'hydrologique, les données, les données météorologiques, la distribution d'usine et la conformité de la décharge de la pollution attendent les données et les données.
Cependant, ces données sont trop dispersées, trop professionnelles, le manque d'analyse et le manque de visualisation, et les gens ordinaires ne peuvent pas les comprendre. Si vous pouvez comprendre et faire attention, les mégadonnées deviendront un moyen important pour la société de surveiller la protection de l'environnement.
Le lancement de Baidu de la 'National Pollution Masiceling Map ' est un bon moyen. Combinée à la protection environnementale ouverte Big Data, Baidu Maps a ajouté une couche de détection de pollution. Tout le monde peut l'utiliser pour voir le pays et les provinces et les villes de leur propre région, le tout en protection de l'environnement. Les informations de localisation, le nom de l'organisation, le type de source d'émission et le dernier statut de conformité à la décharge de pollution annoncée par l'Environmental Protection Agency (y compris diverses centrales thermiques, les entreprises industrielles contrôlées par l'État et les usines de traitement des eaux usées) sous la supervision du bureau.
Vous pouvez vérifier la source de pollution la plus proche de vous, et un rappel apparaîtra, lequel des éléments d'inspection au point de surveillance dépasse la norme et combien de fois il dépasse la norme. Ces informations peuvent être utilisées sur les plateformes de médias sociaux en temps réel pour informer les amis et rappeler à chacun de prêter attention aux sources de pollution et à la sécurité et à la santé personnelles.
Le potentiel de valeur des applications industrielles de Big Data est énorme. Cependant, il reste encore beaucoup de travail à faire pour réaliser ces valeurs.
L'une est la question de la création de la sensibilisation aux mégadonnées. Dans le passé, il y avait de telles Big Data, mais comme il n'y avait aucune conscience des mégadonnées et que les méthodes d'analyse des données étaient insuffisantes, de nombreuses données en temps réel ont été rejetées ou dépassées, et la valeur potentielle d'une grande quantité de données a été enterrée.
Un autre problème important est la question des îles de données. Les données de nombreuses entreprises industrielles sont distribuées dans diverses îles de l'entreprise, en particulier dans les grandes multinationales. Il est assez difficile d'extraire ces données de l'ensemble de l'entreprise.
Par conséquent, un problème important pour les applications industrielles de Big Data est les applications intégrées.
