牛津大学教授维克托迈尔舍恩伯格撰写的《大数据时代》，使“大数据”成为全球流行的一个词汇。舍恩伯格十余年潜心研究数据科学，是最早洞见大数据时代发展趋势的科学家之一，所著《大数据时代》一书开创该领域系统研究之先河。他研究发现，在过去20多年间，出现了数据爆炸现象。从1986年到2010年，全球数据量增长了100倍左右。与此同时，数据的质量也有显著提升。2000年左右，人类数据世界的四分之三是模拟数据，而14年后，模拟数据占比骤降至 1%，其余数据都是精确度更高的数码。

舍恩伯格介绍了劳斯莱斯公司近年来的业务拓展。很多国人只知道这是一家知名汽车制造公司，其实，它还制造飞机引擎，为空客380等飞机供应产品。以前，引擎上安装的各种传感器记录的震动、热力等数据用于性能测试后，就被删除了。大数据存储和传输技术兴起后，劳斯莱斯公司将这些数据重新利用，借助分析模型，预测引擎的哪个零部件即将发生故障。有了这种技术，劳斯莱斯公司发展出了售后服务业务―― 监控飞机引擎质量，及时提供零部件维修和替换。据舍恩伯格介绍，劳斯莱斯公司的服务收入占营收总额的比例已达到17%左右，将传统制造业与高技术服务业紧密结合在一起。

谷歌公司正在研发的无人驾驶汽车，也有望借助大数据技术，使汽车制造企业向服务型企业转型。舍恩伯格说，谷歌汽车的传感器在行驶中实时采集大量数据，包括速度变化、刹车次数、交通路况、停车位置等。利用这些数据，企业能判断出驾车者的行为偏好，以此开发个性化的车险业务，也能向驾车者推送周边餐厅等服务信息。

在谈到初创企业如何获取大企业数据，开展大数据业务这个问题时，舍恩伯格举了美国一家做机票打折信息服务的小企业案例。显然，美国各大航空公司不会合作建一个网站，发布他们的机票价格信息。一家小企业发现其中的商机，分别与这些巨头洽谈，通过制定合理的分成规则，说服他们把自家机票价格信息提供给该公司。这样一来，用户能在网站上搜到全国最优惠的打折机票信息。一旦用户下单，这家小企业就会与航空公司分成，实现双赢。

“100年前，你要创业就得建厂房。而在大数据时代，创业成本降至几千美元，好的创业点子才是关键。可以预见，在中国将诞生一大批大数据企业。”中国制造业冠军联盟总干事罗百辉表示，在中国制造业依托大数据打翻身仗的阵营中，小米可谓特立独行的领头羊。假如中国有无数个小米那样的企业在紧追大数据的时代潮流，能有更多传统制造企业在努力向智能制造华丽转身，中国制造业的局面定将焕然一新。

在数据为王的时代，大数据已成商业竞争的“定海神针”，得大数据者得天下。亟待转身的制造业非但不例外，而且尤其需要大数据提供驱动力。罗百辉指出，工业4.0时代正扑面而来，这是继以蒸汽机、大规模流水线生产和电气自动化为标志的前三次工业革命之后的第四次工业革命。其特点是通过充分利用嵌入式控制系统，即物理信息融合系统(其中“大数据”扮演主角)，实现制造业向智能化转型。

大数据(bigdata)或称海量信息，指的是规模巨大的信息量通过主流软件工具，在合理时间内达到撷取、管理、处理、并整合成帮助企业经营决策、提高核心竞争力的资讯。

移动互联网风生水起，让数据变得丰富多样，质感鲜明，显示出它的移动性、碎片化和私密性。大数据里面有商机。在这个信息庞杂、数据处理技术十分先进的时代，只要你有全新理念，就能从一大堆数据中得出各种各样的商业推理，挖掘到丰沛的商机。

全球制造业巨头GE(通用电气)早就意识到这一点。2012年，在GE投资千亿美元进军工业互联网的宏大蓝图中，核心引擎就是大数据分析。GE正用行动证明，传统制造业巨头如何通过物联网和大数据，将物理资源优势转化为数据资源优势。

GE设想，通过工业互联网提高效率、降低成本，对产业的影响将不亚于蒸汽机对交通运输业、海底光缆对通讯业的影响。业内人士分析，GE当时这个计划在2015年之前会给其软件部门带来每年两位数的增长。到2015年，GE软件部门年收入可望达到33.2亿美元。

●提高生物制药生产的精度、质量和产量在生物制药生产流程中，通常需要监控超过200个变量以确保各成分的纯度以及正在生成的物质符合要求。生物制药生产之所以具有挑战性的众多因素之一在于，因为不太明显的原因，产量的变化可能在50%到100%之间。通过使用高级分析，制造商能够追踪导致产量变化的9 个主要参数，基于这些数据，他们能够提高疫苗的产量达50%，单支疫苗每年可节省约500万到1000万美元左右。

●加速IT、制造和运营系统的整合，实现工业4.0的愿景工业4.0是德国政府的举措，旨在提高制造业的自动化水平，以实现智能工厂的目标。大数据已经被用于优化生产计划，基于供应商、消费者、机器可用性和成本限制等。在高度管制行业(依赖于德国供应商和制造商)中的生产价值链正在通过工业4.0快速发展。随着这一举措成为激励多功能部门协同合作的催化剂，大数据和高级分析将成为其成功的关键。

●更好地预测产品需求和生产(46%)，通过多个指标了解设备性能(45%)以及更快地向消费者提供服务和支持(39%)，是大数据提高生产性能的三个主要方面这些研究结果都是来自于LNS研究所和 MESAInternational最新的调查，他们试图研究大数据正在那些方面提供最大的制造性能改进。

●通过六西格玛改进方法DMAIC(定义、测量、分析、改进和控制)架构整合高级分析来推动持续改进更深入地了解DMAIC推动的改进计划的每个阶段正在发挥作用，而这方面的努力对制造性能所有其他领域的影响现在还不明显。这个领域可能使生产流程比以往任何时候都更加以客户为导向。

●更清楚地了解供应商质量水平，以及更好地预测供应商性能利用大数据和高级分析，制造商能够实时查看产品质量和交期准确性，并确定哪个供应商可以接受时间敏感型的订单。管理质量指标比衡量交付进度更重要。

●在机器水平测量合规性和可追踪性成为可能利用在所有机械设备中的传感器可以让运营管理人员即时深入了解每个设备的运作情况。部署高级分析还可以显示每个机器及其操作人员的质量、性能和培训差异。这在精简工作流程方面非常重要，并且变得越来越普遍。

●只销售最赚钱的定制产品或者按订单生产的对生产影响最小的产品对于很多复杂的制造商而言，定制产品或按订单生产的产品提供高于平均水平的毛利率，然而如果生产过程没有得到很好规划的话，又可能带来更高的成本。通过使用高级分析( 本站微信networkworldweixin)，制造商们正在寻找对现有生产计划、机器调度、人员配置等影响最小的按订单生产的产品。

●打破孤岛式的质量管理和合规系统，让它们成为企业首要任务现在制造商应该对质量采取更具战略性的目光，不能只是满足于孤岛式的质量管理和合规系统。大数据和分析可以让制造商知道哪些参数对质量管理和合规性的影响最大，大多数这些参数是企业范围的，而不只是限于质量管理或合规部门。

●量化日常生产对财务业绩的影响，具体到机器水平大数据和高级分析提供了缺失的环节，它可以关联日常生产活动到财务业绩。如果能够了解在机器水平工厂是否在有效运行，生产计划人员和高级管理人员就知道如何最好地扩展规模。通过关联日常生产与财务业绩，制造商能够更好地扩展其操作规模。

●通过监控产品和积极提供预防性维护建议，服务成为实现客户目标的战略性推动因素制造商们开始关注更复杂的产品，需要操作系统来管理传感器。这些传感器会报告活动情况，并发送警报用于预防性维护。大数据和分析可以提供更实用的建议让客户获取更大价值。例如，通用电气公司现在正在对其喷气发动机和钻井平台这样做。