两种不同类型的数据分析项目

数据分析项目一般是用来寻找异常。包括质量异常、设备异常、能耗异常、效率异常等等。做数据分析项目，有两个层次的工作、针对两类不同的用户。

第一类是项目的用户是工厂的技术人员。这些人的工作是负责维护正常生产。他们发现异常的方法很简单：一般是看看哪些数据超标了。比如，工艺参数超标，就可能导致质量异常。给这类人做工具，本质上是做数据集成。能够从人机料法环等各个方面找到异常，避免分析问题时各自为政，提高分析工作的效率。我经常说：异常就是不正常，而正常就是在标准范围之内。所以，发现异常的基础是制定标准。对于多批量、小品种的产线，标准往往与产品和工艺有关。所以，标准是需要经常性地维护的。系统要提供较为方面的维护功能。另外，在数字化时代，标准可以是数值，也可以是曲线、是函数、是图像等等。

第二类数据分析项目的用户是专业的数据分析师。一般来说，只有第一类用户解决不了的问题，才会传递到第二类用户这里。所以，前面提到的简单原因往往找不到了，问题的复杂性就变得较高了。这时，人们往往要扩大分析的视野，才能找到问题的原因。在我看来，扩大视野有三种常见的情况：第一种是在传统的 KIV之外（次要因素或供应商的问题），存在着被忽视的因素；第二种存在间接的影响。比如，产品出现质量问题时，一切参数都正常，但设备振动明显增加了。第三种是数据检测或者测量本身存在问题。这时，每解决一个问题，就要增加一条新的知识、甚至要增加新的数据条目。所以，系统的可维护性就变得很重要。对这类问题，决策树等方法往往有效。另外，AI等方法在这里可能有一定的用处，主要是便于人们聚焦各种可能性、提高分析效率。