数据分析在制造型企业其实主要就是两个目的：判断和预测。如果按照层次来分，我们可以分为三个层次：

第一个层次: 描述过去已经发生的。

比如使用常规excel报表, 说明产销研供各个层面发生了什么。然后通过查询和汇总描述数量、频率和地点等关键因素。在通过BI工具，比如PowerBI, Tableau等进行多维度的透视分析，寻找更多维度的因素。这一层次，是所有制造型企业应该具备的，不幸的是，这一层次中多维度分析透视很多企业还懵懵懂懂，Excel和BI工具的使用还不够深度，对业务和经营管理的理解也欠缺。在这个层次，我们还只是停留在描述统计的领域，并未做更高一些的数据分析。

 制造业

第二个层次：了解现在正在发生的或短期即将发生的。

在这个层次，我们进入了高一级的数据分析领域，会采用大量的统计分析方法和工具，数据的实时性也要求较高，即对信息化系统也有一定的要求。比如通过六西格玛中的SPC（制程稳定性控制）来实时采样判断生产制程中的稳定性，以便采取及时的措施控制不良品；比如通过采集多种工艺参数来及时调整原材料的成分或规格波动带来的产量减少；比如通过DOE、田口正交可以判断接下来要做的事情是否合理，不管是配方，效果，工艺参数，营销效果等。这里面即可以根据实时采集的数据进行描述性分析，并结合经验或实验数据进行判读和控制，也可以通过统计分析方法建立数学模型进行自动或半自动判断，比如常见的线性和非线性回归方程、PID、传导方程、矩阵参数调用等。这些方法论即可以使用在生产制造过程中，也可以使用在营销和其他职能体系中，当然，我们也可以使用互联网企业常用的推荐算法，比如对全网销售数据的实时分析，对目标人群的实时动态划分到推送。

在这个领域，数据分析工具就非常的多了，除了常见的Excel, PowerBI, Tableau等工具的深度使用，还有专用的数据分析工具，比如Minitab, JMP, SPSS, SAS等，这些可以使用在传统的统计分析领域和特定的行业（比如生物制药领域），也可以使用在营销等场景下的机器学习应用。除了这些分析工具，很多的工业软件和硬件本身也具有统计分析甚至机器学习的能力，最常见的就是视觉系统，比如Intel的OpenVINO所支持的深度学习算法系统，比如某些MES里集成了SPC的工具。所以，怎样使用现成的领域里的数据分析工具也是一门学问。基本上所有制造型企业需要进行的数据分析场景在现成的各种软件和硬件产品里都有，并不需要重新开发大量的平台和新算法。

笔者认为，绝大数企业应该突破的就是第二个层次，在组织、人才、体系和工具上在中短期着重建设这个部分，赶上发达国家的龙头企业。这块也是发达国家龙头企业在过去几十年数据分析领域着重建设的，并形成了其各个模块的核心竞争力。

第三个层次：预测未来的情况。

这里我们要说明一下，在第二个层次中其实我们已经建立了很多模型和算法对未来进行预测。因此，在第三个层次中，我们更加强调除了预测未来的情况还会预测可能出现的不同情况的概率，以及其最好的解决应对方案，以及解决方案会带来的可能的结果。这就更多涉及了AI这个层面，笔者在制造型企业见到这种应用场景偏少（常见的销售预测、质量CPK、研发和工艺的实验设计、可靠性设计及预测、仿真模拟类的、机器学习类的包括预防性维护等都列入第二层次），所以这里不再赘述。也许，这个部分，更多是要借用真正的大数据平台，结合企业内的数据，社会数据，第三方数据等进行深度的学习。

来源：网易号，精企智能

财务数据分析师CFDA（China Financial Data Analyst）

由中国商业会计学会颁发，通过全国统一考试的学员将同时获得商业数据分析证书，该证书是由人社监制，省级职业技能鉴定指导中心签章颁发《人力资源和社会保障部专项职业能力证书》。

通过CFDA课程的学习，企事业单位的财务人员和管理人员能够通过科学的指标体系和分析方法，结合企业财务数据，构建数据模型，对公司整体经营状况进行评估，向管理层和业务部门提供财务建议和决策支持，从而优化资源配置和提升企业核心竞争力。