
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
在神经网络模型设计中,“隐藏层层数” 是决定模型能力与效率的核心参数之一 —— 层数过少,模型可能 “欠拟合”(无法捕捉数据 ...
2025-10-14在数字化浪潮中,数据分析师已成为企业 “从数据中挖掘价值” 的核心角色 —— 他们既要能从海量数据中提取有效信息,又要能将分 ...
2025-10-14在企业数据驱动的实践中,“指标混乱” 是最常见的痛点:运营部门说 “复购率 15%”,产品部门说 “复购率 8%”,实则是两者对 ...
2025-10-14在手游行业,“次日留存率” 是衡量一款游戏生死的 “第一道关卡”—— 它不仅反映了玩家对游戏的初始接受度,更直接决定了后续 ...
2025-10-13分库分表,为何而生? 在信息技术发展的早期阶段,数据量相对较小,业务逻辑也较为简单,单库单表的数据库架构就能够满足大多数 ...
2025-10-13在企业数字化转型过程中,“数据孤岛” 是普遍面临的痛点:用户数据散落在 APP 日志、注册系统、客服记录中,订单数据分散在交易 ...
2025-10-13在数字化时代,用户的每一次行为 —— 从电商平台的 “浏览→加购→购买”,到视频 APP 的 “打开→搜索→观看→收藏”,再到银 ...
2025-10-11在机器学习建模流程中,“特征重要性分析” 是连接 “数据” 与 “业务” 的关键桥梁 —— 它不仅能帮我们筛选冗余特征、提升模 ...
2025-10-11在企业的数据体系中,未经分类的数据如同 “杂乱无章的仓库”—— 用户行为日志、订单记录、商品信息混杂存储,CDA(Certified D ...
2025-10-11在 SQL Server 数据库操作中,“数据类型转换” 是高频需求 —— 无论是将字符串格式的日期转为datetime用于筛选,还是将数值转 ...
2025-10-10在科研攻关、工业优化、产品开发中,正交试验(Orthogonal Experiment)因 “用少量试验覆盖多因素多水平组合” 的高效性,成为 ...
2025-10-10在企业数据量从 “GB 级” 迈向 “PB 级” 的过程中,“数据混乱” 的痛点逐渐从 “隐性问题” 变为 “显性瓶颈”:各部门数据口 ...
2025-10-10在深度学习中,“模型如何从错误中学习” 是最关键的问题 —— 而损失函数与反向传播正是回答这一问题的核心技术:损失函数负责 ...
2025-10-09本文将从 “检验本质” 切入,拆解两种方法的核心适用条件、场景边界与实战选择逻辑,结合医学、工业、教育领域的案例,让你明确 ...
2025-10-09在 CDA 数据分析师的日常工作中,常会遇到这样的困惑:某电商平台 11 月 GMV 同比增长 20%,但究竟是 “长期趋势自然增长”,还 ...
2025-10-09Pandas 选取特定值所在行:6 类核心方法与实战指南 在使用 pandas 处理结构化数据时,“选取特定值所在的行” 是最高频的操作之 ...
2025-09-30球面卷积神经网络(SCNN) 为解决这一痛点,球面卷积神经网络(Spherical Convolutional Neural Network, SCNN) 应运而生。它通 ...
2025-09-30在企业日常运营中,“未来会怎样” 是决策者最关心的问题 —— 电商平台想知道 “下月销量能否达标”,金融机构想预判 “下周股 ...
2025-09-30Excel 能做聚类分析吗?基础方法、进阶技巧与场景边界 在数据分析领域,聚类分析是 “无监督学习” 的核心技术 —— 无需预设分 ...
2025-09-29XGBoost 决策树:原理、优化与工业级实战指南 在机器学习领域,决策树因 “可解释性强、处理非线性关系能力突出” 成为基础模型 ...
2025-09-29