京公网安备 11010802034615号
经营许可证编号:京B2-20210330
工业大数据的众多生动案例
近日,首届中国(杭州)工业大数据产业发展高峰论坛在杭州举办。论坛上,工业大数据相关研究者、实践者济济一堂,“晒”出了工业大数据的众多生动案例,让你提前感知未来的工业大数据采集人体数据实现西服的“量体裁衣”,煤矿工地依靠智能化设备减少矿工数量……5月31日,首届中国(杭州)工业大数据产业发展高峰论坛在杭州举办。论坛上,工业大数据相关研究者、实践者济济一堂,“晒”出了工业大数据的众多生动案例。
1、个性化西服如何“量体裁衣”
观数智库创始人、《大数据》《数据之巅》作者涂子沛参加了贵阳数博会的李克强总理座谈会,总理以定制西装举例说明了大数据的作用。其实,在参加座谈会前,涂子沛也第一次定制了一套西服。穿上之后,他表示再也不想穿以前的西服了,因为从来没有感受到那么得体。
“红领”是一家定制服装生产企业。他到了这家工企业后看到,几千件西服没有两件完全一样,但仅从面料、颜色分辨不出。很多人的西服里面都有商标,很多人喜欢在这里绣上自己的名字或一句话,这就是个性化。每个流水线都有数据驱动,一条工序的数据清清楚楚地送到操作员工作台上。这个方案成本确实增加了,但是利润上升得更多。
2、陕北煤企如何减少矿工?
传统采矿业如何实现从人工采矿,到一个人都不用?北京大学教授、工信部原副部长杨学山之前去过在陕北一个煤矿企业的现场。当时,借助自动化设备,这家煤企624个人的产能,已经相当于今天大部分煤企五六万人的产能,相当于20年前中国最大的山西大同矿区20多万人的产能。
所以,整个产业链,包括采矿到后期的生产,跟人的关系越来越小。实现这些,就是信息、数据构成了自动化装备的基础。没有数据、没有数据化的装备是做不成。
3、沈阳“i5”数控机床的逆袭
这是一个装备发展过程中转型升级的最佳实践,其中,工业大数据承载着非常重要的作用。沈阳“i5”数控机床从开始研发,到今天在智能数控机床进入世界领先的行列,花了十年。前几年为何没有成功?因为数据缺失。
不管是材料、还是装备的发展,高端数控机床长期被国外控制,缺乏实践过程中的数据支撑发展不起来。模型怎么建,也需要数据支撑。但沈阳机床十年磨一剑,积累了数据,打造世界领先的智能数据机床。它还倡导新的商业模式,实现按使用小时收费。
4、可以实现在线3D预览的纸盒
纸盒是典型的个性化生产,各行各业要用的包装纸盒千差万别,上面又要印不同的文字、图案,这是非常适合做C2M的领域。
中国电信制造行业应用基地总经理陆晋军介绍,我们结合了相应的技术,实现线上个性化定制结合3D预览技术,让客户线上下单,可以看到给他设计的样式,还能做到在线直接3D预览,最后线上报价成交。当然,在生产中会有协同,在线平台要和生产平台打通。
由此延伸,他们还分析了很多领域,一些需要定制化的礼品、文具或包装物品的生产企业,都可以比较快速地实现C2M模式,提高效率、提升服务。
5、拥有1亿模型的零件数据库
这是20年前就出现了的零件库。德国Genius WEB2CAD开发Trace Parts,能集成到主流CAD软件的零件库中,直接在CAD软件中启动,支持零件搜索和3D视图,同时以DWG或DXF格式生成零件所有二维视图。
目前,这个零件库有1亿多种零件模型,设计人员可以进入下载这些模型。然后,把它组成产品再进行仿真,再把这些零部件交给供应商制造。这些零部件专业化、成本低、质量好,这种专业化的模式国内还比较少。
6、粉丝参与小米手机的功能设计
小米手机依靠几十万的粉丝,手机三分之一的功能由用户设计。通过建立智能手机设计平台,小米让用户参与设计,形成用户设计大数据,帮助改进产品,使之满足用户需求。
7、试衣间如何给设计师灵感?
ZARA门店的店长每天有一个考核值,向全球数据中心提供当天有多少件衣服被试,哪件衣服有多少人选进了试衣间但没有被购买,原因是什么?它的试衣间可以记录试衣的情况,甚至衣架上也装了传感器,通过不同方式来收集这个数据。
每家门店POS机数据实时回传数据中心,ZARA的快销品最多消耗两周就进行补货。通过POS机数据,设计师形成了一个巨大的知识库,客户最喜欢什么衣服、为什么衣服被多次拿起而没被购买,ZARA会最快把衣服进行修改,然后再次进入专卖店。
数据收集是至关重要的一点,门店的经理做KPI值,这是一件复杂的系统。ZARA将网络上海量的数据看成实体店前端的测试。此外,大数据缩短了生产时间,让生产端能够看清顾客需求。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
近日,由 CDA 数据科学研究院重磅发布的《2026 全球数智化人才指数报告》,被中国教育科学研究院官方账号正式收录, ...
2026-04-22在数字化时代,客户每一次点击、浏览、下单、咨询等行为,都在传递其潜在需求与决策倾向——这些按时间顺序串联的行为轨迹,构成 ...
2026-04-22数据是数据分析、建模与业务决策的核心基石,而“数据清洗”作为数据预处理的核心环节,是打通数据从“原始杂乱”到“干净可用” ...
2026-04-22 很多数据分析师每天盯着GMV、转化率、DAU等数字看,但当被问到“什么是指标”“指标和维度有什么区别”“如何搭建一套完整的 ...
2026-04-22在数据分析与业务决策中,数据并非静止不变的数值,而是始终处于动态波动之中——股市收盘价的每日涨跌、企业月度销售额的起伏、 ...
2026-04-21在数据分析领域,当研究涉及多个自变量与多个因变量之间的复杂关联时,多变量一般线性分析(Multivariate General Linear Analys ...
2026-04-21很多数据分析师精通描述性统计,能熟练计算均值、中位数、标准差,但当被问到“用500个样本如何推断10万用户的真实满意度”“这 ...
2026-04-21在数据处理与分析的全流程中,日期数据是贯穿业务场景的核心维度之一——无论是业务报表统计、用户行为追踪,还是风控规则落地、 ...
2026-04-20在机器学习建模全流程中,特征工程是连接原始数据与模型效果的关键环节,而特征重要性分析则是特征工程的“灵魂”——它不仅能帮 ...
2026-04-20很多数据分析师沉迷于复杂的机器学习算法,却忽略了数据分析最基础也最核心的能力——描述性统计。事实上,80%的商业分析问题, ...
2026-04-20在数字化时代,数据已成为企业决策的核心驱动力,数据分析与数据挖掘作为解锁数据价值的关键手段,广泛应用于互联网、金融、医疗 ...
2026-04-17在数据处理、后端开发、报表生成与自动化脚本中,将 SQL 查询结果转换为字符串是一项高频且实用的操作。无论是拼接多行数据为逗 ...
2026-04-17面对一份上万行的销售明细表,要快速回答“哪个地区卖得最好”“哪款产品增长最快”“不同客户类型的购买力如何”——这些看似复 ...
2026-04-17数据分析师一天的工作,80% 的时间围绕表格结构数据展开。从一张销售明细表到一份完整的分析报告,表格结构数据贯穿始终。但你真 ...
2026-04-16在机器学习无监督学习领域,Kmeans聚类因其原理简洁、计算高效、可扩展性强的优势,成为数据聚类任务中的主流算法,广泛应用于用 ...
2026-04-16在机器学习建模实践中,特征工程是决定模型性能的核心环节之一。面对高维数据集,冗余特征、无关特征不仅会增加模型训练成本、延 ...
2026-04-16在数字化时代,用户是产品的核心资产,用户运营的本质的是通过科学的指标监测、分析与优化,实现“拉新、促活、留存、转化、复购 ...
2026-04-15在企业数字化转型、系统架构设计、数据治理与AI落地过程中,数据模型、本体模型、业务模型是三大核心基础模型,三者相互支撑、各 ...
2026-04-15数据分析师的一天,80%的时间花在表格数据上,但80%的坑也踩在表格数据上。 如果你分不清数值型和文本型的区别,不知道数据从哪 ...
2026-04-15在人工智能与机器学习落地过程中,模型质量直接决定了应用效果的优劣——无论是分类、回归、生成式模型,还是推荐、预测类模型, ...
2026-04-14