37、制造业中的大数据应用与架构解析

制造业中的大数据应用与架构解析

1. 大数据在制造业的兴起

在当今时代，公司的客户数据已成为提升组织价值的关键资源。以往，数据收集主要依赖客户体验调查，但如今这种方式逐渐过时。一方面，人们不愿参与耗时的调查；另一方面，人们在社交媒体平台上花费的时间增多，组织更多地通过客户订购或选择产品与服务时的接触点以及社交媒体帖子来收集数据。

传统建模方法难以应对不断增长且动态变化的各种数据格式。大数据的重要性随着各种媒体在个人和商业交流中的应用而迅速提升。大数据与标准数据的区别在于，它无法用传统数据结构存储，且数量会随着实时行动不断增加，如飞机发动机运行时会实时产生大量数据。

过去十年，各行业对客户生成数据的依赖呈指数级增长。在这个即时获取和响应数据直接影响公司前景的时代，商业智能软件的销售远超传统软件。企业对数据的依赖从存储数据转向访问和处理实时数据，而这些实时数据通常需要非标准的处理机制，传统的关系型数据库管理系统（RDBMS）在处理大数据时能力不足。

2. 大数据与传统分析的差异

从管理角度看，大数据的出现改变了企业的思维方式。传统方法通过分析来理解和微调流程，以实现“异常报告”的商业智能；而大数据则强调世界和数据处于不断变化中，能够快速识别和反应的组织更具优势，追求的是发现和敏捷性，而非稳定性。

以下是大数据和传统分析的关键差异对比：
| 维度 | 大数据 | 传统分析 |
| — | — | — |
| 数据类型 | 非结构化格式 | 按行和列格式化 |
| 数据量 | 100 太字节到拍字节 | 数十太字节或更少 |
| 数据流 | 持续数据流 | 静态数据集 | <