工业大数据的一个成功应用案例是嘛

工业大数据的一个成功应用案例

如今的数据就像大学扩张一样，门槛的降低、政策技术的便利、参差不齐的来源一齐涌入，在时间轴上形成一个突兀的脉冲。纵观整个人类文明所获得的全部数据中，90%是在过去两年内产生的，但这与未来的数据量比起来，只是九牛一毛。

图：全球数据量增长

不过如何将这些数据与价值联系起来，是摆在所有企业面前那本难念的经。尤其在工业大数据领域，大部分只是空有概念，而无实际案例，谈及最终的经济价值、产业价值更是为时过早。

因此，本文的目的只有一个，先把工业大数据应用的一个宝贵的成功案例掰开揉碎了展示给你，不求你完全吸收，但至少作为一个未来趋势的可信论据。

这是由兮易强企团队完成的项目案例，他们基于工业大数据完成了工程机械行业中某代表性企业的运营优化任务。最终的项目绩效相当亮眼：

项目成功预测工程机械老客户6亿元的潜在金额流失，其中重度流失2.8亿元，中度流失2.3亿元，潜度流失0.9亿元。

项目成功挖掘工程机械新客户8.2亿元销售机会，其中大型机2.2亿元，中型机3.5亿元，小型机2.5亿元。

基于销售格，项目全面支持1,000名现有员工实现20亿元的债权逾期管控。

他们是怎么做到的呢？这个故事还要从将近10年前说起。

2008年9月，国际金融危机迅速蔓延至中国，中国经济增速快速回落，出口出现负增长，政府拿出4万亿人民币投资基础设施，以期拉动内需，确保经济增长速度。铁公基（铁路、公路、机场、水利等重大基础设施建设）项目全面上马，中国工程机械行业最后大受裨益，迎来了千载难逢的发展窗口期。工程设备的销售量短期之内翻了好几番，收入取得了突飞猛进的增长。

福兮祸所依。在这个可怕的增长速度之下，大量的设备制造商为抢占市场份额，不惜大大降低风控的的必要要求，当时甚至可以做到零首付，就能提走工程机械车辆，就像买房子做按揭一样。如果后续工程机械车主的现金流不佳，就有可能出现坏账。这种做法也为紧随其后的整个工程机械行业的“大吐血”埋下了伏笔。

这个魔咒终于在2012年悄然兑现。中国工程机械行业靠财务杠杆的野蛮生长突破了5,600亿规模之后，铁公基项目逐渐减少，工程机械行业的金融风险全面爆发，无论是设备制造商、还是经销商都面临巨大的债权风控压力。全行业进入重大债权风险高发、新客户增长乏力、售后市场流失严重的全产业链生死大限阶段。

在这样的态势之下，首当其冲的并不是设备制造商，而是帮助工程机械车主做垫资的经销商。经销商的主要商业模式就跟买房一样，车主提车，银行负责放贷，经销商提供担保。一旦车主违约，经销商就要垫款给设备制造商。这也就造就了一个巨大的全行业系统性风险，最终大量的经销商业绩断崖式下滑，倒闭跑路成为家常便饭，整个行业都有可能被彻底重构。

紧急关头，2013年9月，排名前三甲的一家经销商董事长亲自挂帅，背水一战、运筹帷幄之下，不断寻贤求士，终于在长达1年的苦苦寻觅之后，请出了兮易强企这位“隐士”，并最终敲定了工业大数据战略，才得以开启企业的复兴之路。

这家公司是大批工程机械经销商中的典型代表，扎根行业20多年，工程机械设备全部实现了联，销售地域覆盖5个省，年销售额超过50亿。

兮易团队入驻之后发现，由于工程机械的行业特性，交易模式存在大量关联方，流程复杂度高，出血点异常多，而且大量数据难以估算，这些都导致项目的复杂度远远高于通常意义上的制造企业。虽然大多数企业表面也有ERP、CRM、MRO相关的系统，但是大多数数据的质量存在严重问题，数据在清洗之前就如垃圾和食物堆放在一起般混乱，这是彼时的“大数据”常态。

通过对销售流程的224个变量、售后市场的134个变量、债权风控的106个变量的全方位检测，项目团队发现销售系统、库管服务、服务系统、债权系统等24套系统数据形成了信息孤岛，近4万台工程机车信息被淹没，而且缺乏基于GPS行为价值数据的客户分群。基于详细的分析、筛查与诊断，最终项目团队定位了5大核心出血点，包括：

图：基于工业大数据的运营综合分析结果

1.商机流失：公司原有状况是销售任务分配到子公司，再手工分配到销售人员，但追踪不到对应的销售机型，难以通过控制销售目标，提升人员的销售能力。同时所有指标的下达均为手工操作，无法计算销售人员的任务完成率。缺失的1般常采取MBS、ASA、CPE、EVA、POEPacrel-ACM等材料对这些塑料进行1定的增韧、抗冲改性部分还有很多，包括滚动式的销售预测、客户基础信息、客户跟进记录…统统没有。由于工程机械行业属于专业领域，销售人员需要针对不同的工况给予车主贴身的购机服务，公司还欠缺端到端的综合销售企划能力。

2.风险控制不力：缺乏可视化的指标。在签署合同之前没有把握核心的风控闸口点，风险管不住，损失收不回。

3.债权逾期：缺乏基于客户分群特征的差异化还款流程。没有对客户历史违约的场景及原因进行挖掘。缺失违约预警流程，没有各个车主的工程项目施工进度跟踪，以便提前对于未同时还要支付项目的先期投入来的违约风险进行预测。

4.售后订单流失：由于工程机械行业的特性，售后的耗材销售额大概是整机收入的1.5倍。由于公司缺乏已售机型的追踪，大量的GPS等数据资产被搁置，毫无对核心客户潜在需求的洞察能力。因为不知道售出的机械什么时候需要保养，什么时候需要上油，什么时候更换备件，导致各地的耗材备件游击队和背包客可以直接插手工程机械的维护维修服务，公司被大量的“老司机”钻了空子，抢占了本应吃到口中的市场蛋糕。

5.全生命周期没有闭环：收入、利润、回款、市场份额、客户满意度等指标没有有效追踪。销售、服务和债权各个团队各扫门前雪，没有建立有效的协作机制，导致业务之间存在断点。获客成本高企，回头客的重复购买并没有被激发。没有针对客户进行详细分类，无法评估整个生命周期之内的客户价值。

针对以上种种千疮百孔的“烂摊子”，兮易团队建立了5大对应的修复模型，而模型背后是业务，业务背后是组织，组织背后是人和KPI，整体性的修复和提升是一个系统化的庞大工程。经过项目团队半年的努力，充分利用工业大数据分析工具，给出了可量化执行的战术：

1.商机漏斗管理模型：完善销售线索信息和情报的收集与追踪。对于不同等级的商机进行了详细划分：3分商机（完成客户拜访，采集客户身份信息，填报潜在销售型号、数量和金额预判）、6分商机（完成首次客户协商，客户的工程信息和预计工况记录、追踪协商过程信息，修正潜在销售型号、数量和金额预判）和9分商机（实现客户谈判与信息追踪、记录付款条款、交付条款等商务事宜）。同时消除了从合同签订到出库过程中，各个环节的断点，弥补了各种缺失。

「转载请注明来源华夏模具」

2.全面风险控制模型：风险可视化，建立风控关键闸口点。如果车主的资金与还款能力调查，或者前期违约情况的处罚等关键闸口没有关闭，新的销售合同就无法签署。

3.债权逾期管理模型：针对业务债（三个月内的债务）、审计债（通过诉讼、公安等手段介入的债务）和恶性债（逾期半年以上的债务），使用基于行为数据与逾期预测的相关模型，制定有针对性的规则。还考虑到客户施工特征、销售方式差异，建立了适度灵活的还款计划和违约风险预测。

4.后市场需求管理模型：一句话总结就是：“算法”战胜“老司机”。比如挖掘机的斗齿，需要定期更换。如果通过在大量点部署运营团队，成本和效率根本没法和接私活的“背包客”维修游击队竞争。怎么解决呢？这就需要靠模型和算法。根据工程机械的采购时间、出库时间、机型分类、保内/保外属性、保养规则、开机时间、工作时长等数据，分析团队迅速从业务逻辑中根据行业特征，设计与之相匹配的业务模型，预测工程机械的保养时间和配件损耗，赶在“老司机”之前为工程机械车主提供贴心服务。

5.客户全生命周期模型：除了整合销售、服务和债权三大部门之外，还建立了客户价值评估模型，进行客户的等级划分。综合考虑客户区域、购机数量、购机金额、配件采购情况、维修次数、维修金额、债权指标等数据，把客户划分为5大类，量身定制提供差异化服务，追踪每个客户销售的完整生命周期。

“复兴战略”的成效显而易见，这家公司不仅元气回升，还取得了文初提到的优异绩效。

看完故事，你也许在想，工业大数据的应用最终将走向何方呢？IBM、GE、微软都曾描绘过美好的蓝图，甚至断言大型工业必将注定坐收数据分析的技术果实，但到现在一直却很少见到实效。还好，在工程机械领域，来自中国的兮易团队率先展示了工业大数据看得见、摸得着的5块腹肌。

咦？似乎八块腹肌才够完美诱惑啊。工业大数据，再加把劲吧！

如果某个系统或者设备使用了这种具有安全漏洞的MEMS传感器，进行自动化的状态改变决策，那么攻击者很有可能利用这种漏洞发动攻击。

为了演示这个过程，正如我们前面提到的实验三，研究人员展示了利用一部三星Galaxy S5 智能，它正在运行一个控制玩具车的应用程序。这个应用程序对于玩具车的控制，基于智能MEMS加速度传感器的测量信号。在正常情况下，用户可以倾斜至不同的角度，从而控制汽车运动的方向。通过声学攻击，汽车可以在无需移动的情况下运动。

受影响的传感器型号

实验只测量了来自5个不同芯片制造商的20种不同MEMS加速度传感器的信号。但是，除了加速度传感器，其他的MEMS传感器，例如MEMS陀螺仪，也容易受到这种类型攻击。

研究人员所测试的具有安全隐患的传感器列表如下图所示，B代表输出偏置攻击，C代表输出控制攻击，被标注B和C的传感器型号就代表容易受到这种类型的攻击。

这些传感器并不是所有的配置条件下都会出现安全漏洞，但是至少有一种情况下会发生。实验考虑的声学干扰振幅在110 db的声压级别，低一点的振幅同样也可以对于各种传感器产生负面影响。

电路缺陷

研究人员称，这些系统中的缺陷来源于「模拟信号的数字化处理」。数字的“低通滤波器”筛选出最高的频率以及振幅，但是没有考虑到安全因素。

在这些情况下，他们无意的清除了声音信号，从而造成安全漏洞，因此更加方便团队人为地控制系统。

应对策略

如何具体的应对这种攻击，大家可以参考文章末尾参考资料中的研究论文。

简短的说，我们可以有各种各样的技术方案，以达到安全应用传感器的目的。但是，下面是两种普遍的应对策略：

部署MEMS传感器的时候，采用一种可以限制他们暴露于声学干扰的途径，例如在它们周围部署声学抑制泡棉。

利用数据处理算法来拒绝反常的加速度信号，特别是具有在MEMS传感器共振频率附近的频率成分的那些信号。

研究人员在论文中介绍了两种低成本的软件防御方案，可以最小化该安全漏洞，并且他们也提醒了制造商去应对这些问题。