有一段时间，我们说“数据是新的石油”，以表明拥有可用数据有多大的价值和力量。拥有数据意味着了解正在发生的事情，并能够客观地评估那些原本只能靠猜测的现象。然后我们开始说，只有数据是不够的——更重要的是将上下文应用到数据中，这样它就可以转化为信息。数据很重要，但提供上下文使其更有意义，然后可以使用这些信息做出更明智的决策。
当我们谈论从制造操作中收集的大量数据时，这一点就更加重要了。如果脱离上下文来看这些大量的数据——过程数据和生产数据——可能很难解释。例如，你可以在设备的几个区域收集烤箱每秒钟的温度，并对其中发生的事情有一个非常详细的动态视图。但如果你不知道生产的SKU是什么，设定值是什么，也不知道你正在烹饪或干燥的半成品的湿度是多少，这就没什么意义了。所以语境将数据转化为信息;上下文是数据的提炼。
但今天，光有信息是不够的。将大数据转化为大信息是很强大的，但它仍然很难解释和理解。此外，当您将上下文应用到数据时，您基本上是在应用一个模型，该模型将您知道以某种方式相关的变量组合在一起。但这是唯一存在的相关性吗?或者某些变量是否以你不知道的方式与其他变量相关，也许不是那么明显?可用数据和信息的指数级增长使得评估所有可能的关系变得困难(如果不是不可能的话)，特别是当您开始考虑来自不同领域的数据(例如流程和业务数据)或来自价值链不同阶段的数据时。
这就是分析变得重要的时候，它可以像上下文转换数据一样转换信息。分析是一个通用词，用于识别一组不同的活动或统计分析或商业智能的应用程序，有时与特定领域相关，有时与特定类型的内容相关。通常，它表示将统计模型或数学算法应用于数据集的能力，提取否则无法检索的信息，并可用于预测可能的情况或支持人工决策，甚至实现自动决策过程。
在制造业中，分析通常指的是能够分析一组数据并自动识别变量之间关系的系统。通过这种方式，系统构建了一个数学模型，该模型可用于根据其他变量的行为预测单个变量的状态或值。最常用的例子之一是预测性维护，根据安装在资产上的多个传感器收集的数据，系统可以预测资产是否会在不久的将来发生故障，从而优化维护过程，同时最大限度地降低维护成本和故障对生产的可能影响。
但这只是一个很容易理解的例子。即使在被认为是一流的制造业务中，使用先进的分析技术也可以发现进一步提高产量的机会。一家老牌欧洲功能性和特种化学品制造商就是这种情况。自20世纪60年代以来，该公司在工艺改进方面拥有强大的历史，其平均收益率一直高于行业基准，因此他们怀疑是否有很大的改进空间。然而，当该公司使用神经网络技术(一种可用于许多产品的高级分析技术)来测量和比较不同生产投入对产量的相对影响时，一些意想不到的见解出现了。通过根据证据调整工艺参数，该化工公司能够减少20%的原材料浪费，减少约15%的能源成本，从而提高了总体产量。
通过混合来自不同上下文的数据，我们可以获得越来越多的机会。在这种情况下，分析不仅可以将数学模型应用于非常大量的数据，而且还可以识别模式和相关性，否则很难识别，因为没有人对数据集有充分的了解。
分析可以真正改变一家公司的运营方式，提供比信息和数据更有价值的见解。分析是第三个层次的知识，它有望极大地改变人们管理工厂的方式，无论是在运营层面还是在业务层面。
Luigi De Bernardini是Autoware Digital的总裁兼首席执行官Autoware，认证控制系统集成商协会(CSIA)成员，总部设在意大利维琴察。有关Autoware的更多信息，请访问Autoware概要在工业自动化交易所上市。
