作者：李傑、楊凱
我們一直會聽到說“計畫趕不上變化”， 真的是因為當今世界， 變化真的發生的太快。 以前那個穩定的、規則變化的工業時代已經迅速遠去， 現在是一個不可預測、非持續變化的資訊化， 智慧化時代。 所以， 你要做出一個好的， 幾乎正確的計畫會變的越來越困難。 當你遇到一個複雜的場景， 比如生產計畫就更加如此。
最近， 手頭上正好有項目涉及到計畫和預測（感覺最近也特別火， 當然區塊鏈除外）。 於是看了很多資料， 並和不同的業界人士進行交流溝通。 並在這一過程中， 收穫了很多一些新的知識也重溫了以前的知識。
在交流和自己學習的過程中， 我發現了兩個重要的主題概念BI和PA。 BI可能大家都聽說過， PA可能相對知道的人就少一些。
BI真的不是個新鮮事物了，
商務智慧又稱商務智慧或商務智慧， 根據國際資料公司(IDC)的定義， 商務智慧是對商業資訊的搜集、加工、管理和分析過程。 目的是使企業的各級決策者獲得知識或洞察力， 幫助他們更快地做出對企業更有利的決策。
既然叫商務智慧， 就要體現智慧這一面。 但這個智慧和現在AI上的智慧， 個人覺得還是不同的。 或許現在的產品也用到了AI演算法， 不過在和某一BI供應商交流的過程中瞭解到， BI其實還是更多歷史的展現， 需要更智慧或者預測，
BI基本上用的是資料倉庫技術、線上分析處理技術（OLAP）、資料採擷和資料展現技術進行資料分析以實現商業價值。 最大的應用體現在於可以方便地整合不同的資料來源， 但是否真正的能做到大資料處理， 自己現在也未知， 畢竟大資料中很多都是非結構化的資料， 比如圖像， 音訊。
PA（預測分析）讓您堅定的走PA：Predictive Analytics， 中文稱為預測分析。 查了很多資料， 知道是資料採擷（Data mining）的一個分支， 用於預測未來可能性和趨勢。
測分析的核心是預測因素（predictor）， 它是一個變數， 可通過測量個體或其它實體預測其未來行為。 是指按照一定原則和程式， 運用專門方法進行經營預測的過程。
可以看的出來， PA是基於歷史資料進行建模的， PA的主要作用就是當有了新資料的時候， 可以帶入具體的預測模型演算法中， 瞭解未來的發展趨勢。 所以， 大量資料的積累是預測性分析技術獲得認知和應用推廣的基礎， 很多大公司都有提供PA的工具和軟體， 讓預測分析不再是統計學家的特權。
另外， 我也聽到過市面上有製造企業公開講過， 自身企業用了大資料分析之後，資料的準確性只有百分之幾，或者說有效可利用的資料只有百分之幾，造成這樣的困擾的原因有很多種，那麼PA就可以發揮它的價值，通過預測分析，將資料整合到一起，就可以確認哪些是真實資料，哪些是不真實資料。
穩定、持續變化的工業時代已經遠去，現在是一個不可預測、非持續變化的資訊時代。未來還將變得更加無法預測，大資料分析的大環境下，但PA的理念正變的越來越重要。
無論是應用BI還是PA，企業的最終目的是獲取最為真實的業務分析結果，BI可以讓企業對於現在企業運營有一個方向瞭解，然後做出未來的戰略決策。但是，戰略實施的過程中有非常多的細節和活動，這個時候就需要使用PA工具，分析每一個細節和活動，優化下一次活動或者細節，最終幫助企業高效、準確的完成制定的戰略規劃。
BI和PA，您的首選供應鏈優化通過分析優化，實現對需求的預測，瞭解到在做成最終成品之前到底需要多少物料元件或元件，使得物料不至於準備不足或者過多，製造現場出現待料或者企業大量資金佔用的情況。
產品需求優化製造企業常規推出一款自己研發的產品時，我們總會看到有客戶接受，有客戶不接受，通過預測分析優化，可以優化產品無論是在社交媒體、電子商務、線下實體店等等過程中的每一筆交易，可以告知我們更為精准的用戶群，投放更為精准的廣告及行銷策略，從而降低企業的運營成本。
製造過程優化大家知道，在製造企業現場應用MES系統之後，我們就可以獲取大量的不良資訊，常規我們只是分析一下具體都有多少種不良，是因為什麼一級原因導致的。可不能再細緻分解，不能找到影響產品品質的更為深層次的原因。通過分析優化模型，可以將製作流程重新進行優化，通過單點二次優化提高作業效率，提高產品不良率。
設備預測維護通過設備的預測維護，作為客戶自己能夠知道一台設備什麼時候出現故障、可能性有多大，這樣就可以提前向設備維保部門發出告警，及時進行處理，降低對生產的影響。另外，作為設備的製造方，通過優化每一次交易過程，不能能讓用戶知道到底什麼時候出現故障，而且及時遠端輔助解決故障或者派駐現場工程師，提高客戶的黏性。
在一個數位化製造或數位化地球的大環境下，在物聯網不斷實現的趨勢下，BI和PA相輔相成，當然，不管是BI還是PA，或者其他軟體，它只是一個協助你的工具。
做更正確的計畫和預測，個人認為最大挑戰之一是如何在決策制定過程中更好地利用資料，由於歷史原因，很多企業的資料是不完整的。收集有品質的資料，正確的資料是處在這一個大資料的時代很多企業需要面對和解決的挑戰。
這次推薦一下CES的官網https://www.ces.tech，如果沒有現場實地去的可以獲取更多的資訊。
在寫文章結尾的時候，有個閃念，Google為什麼要改名為Alphabet呢？難道是因為A開頭的公司都發展比較好嗎，Apple，Amazon，Alibaba？
有知道的可以留言告知，也歡迎轉發。
自身企業用了大資料分析之後，資料的準確性只有百分之幾，或者說有效可利用的資料只有百分之幾，造成這樣的困擾的原因有很多種，那麼PA就可以發揮它的價值，通過預測分析，將資料整合到一起，就可以確認哪些是真實資料，哪些是不真實資料。穩定、持續變化的工業時代已經遠去，現在是一個不可預測、非持續變化的資訊時代。未來還將變得更加無法預測，大資料分析的大環境下，但PA的理念正變的越來越重要。
無論是應用BI還是PA，企業的最終目的是獲取最為真實的業務分析結果，BI可以讓企業對於現在企業運營有一個方向瞭解，然後做出未來的戰略決策。但是，戰略實施的過程中有非常多的細節和活動，這個時候就需要使用PA工具，分析每一個細節和活動，優化下一次活動或者細節，最終幫助企業高效、準確的完成制定的戰略規劃。
BI和PA，您的首選供應鏈優化通過分析優化，實現對需求的預測，瞭解到在做成最終成品之前到底需要多少物料元件或元件，使得物料不至於準備不足或者過多，製造現場出現待料或者企業大量資金佔用的情況。
產品需求優化製造企業常規推出一款自己研發的產品時，我們總會看到有客戶接受，有客戶不接受，通過預測分析優化，可以優化產品無論是在社交媒體、電子商務、線下實體店等等過程中的每一筆交易，可以告知我們更為精准的用戶群，投放更為精准的廣告及行銷策略，從而降低企業的運營成本。
製造過程優化大家知道，在製造企業現場應用MES系統之後，我們就可以獲取大量的不良資訊，常規我們只是分析一下具體都有多少種不良，是因為什麼一級原因導致的。可不能再細緻分解，不能找到影響產品品質的更為深層次的原因。通過分析優化模型，可以將製作流程重新進行優化，通過單點二次優化提高作業效率，提高產品不良率。
設備預測維護通過設備的預測維護，作為客戶自己能夠知道一台設備什麼時候出現故障、可能性有多大，這樣就可以提前向設備維保部門發出告警，及時進行處理，降低對生產的影響。另外，作為設備的製造方，通過優化每一次交易過程，不能能讓用戶知道到底什麼時候出現故障，而且及時遠端輔助解決故障或者派駐現場工程師，提高客戶的黏性。
在一個數位化製造或數位化地球的大環境下，在物聯網不斷實現的趨勢下，BI和PA相輔相成，當然，不管是BI還是PA，或者其他軟體，它只是一個協助你的工具。
做更正確的計畫和預測，個人認為最大挑戰之一是如何在決策制定過程中更好地利用資料，由於歷史原因，很多企業的資料是不完整的。收集有品質的資料，正確的資料是處在這一個大資料的時代很多企業需要面對和解決的挑戰。
這次推薦一下CES的官網https://www.ces.tech，如果沒有現場實地去的可以獲取更多的資訊。
在寫文章結尾的時候，有個閃念，Google為什麼要改名為Alphabet呢？難道是因為A開頭的公司都發展比較好嗎，Apple，Amazon，Alibaba？
有知道的可以留言告知，也歡迎轉發。