每个企业都有自己的规划和自己企业在运营环节的管理最佳实践，毕竟，这么多年的信息化建设，对企业的产品制造的方方面面都有了很大的提升。大数据对促进供应链中的生产环节产生了前所未有的巨大影响，在众多的运营决策改进里面，这些影响包括产品设计，质量控制，客户画像等等。由于任何问题都有可能在某种程度得到优化，问题在于，大数据在企业运营(产品制造)中到底有哪些应用值得我们关注？
1、消费者需求分析
很多企业管理者都意识到了消费者再也不是营销产品的被动接收器了，通过大数据来了解并设计消费者的需求的产品，可能是我们所有企业都应该去考虑的第一个大数据的生产应用场景。
借助大数据，我们对采集来的企业内部(内源数据)，例如销售网点的数据，消费者直接反馈等，与外部数据(外源数据)，例如社交媒体的评论，描述产品用途的传感器数据等，通过微观细分，情感分析，消费者行为分析以及基于位置的营销等手段，让我们企业“擦亮眼睛”，摸清消费者的需求，彻底改变曾经那种“跟者感觉走”的状态，走出直觉猜测消费者的需求的局面。
企业由此迫切需要建立利用内源数据以及外源数据的机制，全渠道了解消费者的需求，使用多重分析法，例如联合分析法，来确定消费者对与产品某种特点的支付意愿，了解使产品抢占市场的重要产品特征，从而改善产品设计，为产品提供相应的改造升级的明确方向和规格参数。
2、打通生产竖井
竖井有两层含义。 首先是信息和数据的孤岛。传统行业经历了过去20年的信息化建设，形成了大量的，种类繁多的大型应用。每个应用系统都有自己的数据，与组织结构的竖井相辅相成，逐步形成了我们今天看到的信息独岛。
其次， 竖井是对于组织部门的一种比喻，这种组织部门有自己的管理团队和人才，但缺乏与其他组织单位合作或交流的动机与需求。跨越竖井是当代企业营销面临的重大挑战之一。重塑企业架构是必由之路。我们必须改变妨碍消费者体验的组织结构，建立基于消费者的意愿，去改变组织结构，去影响消费者与品牌打交道的方式。通过接触其他文化、改变先前的设想，并且要去除联想障碍，来实现各渠道创造无缝体验。
大数据的先进架构，例如大数据湖，可以让跨部门，跨公司，跨地域，甚至跨行业的相关组织，在共同遵循的数据治理框架下，产品设计者与制造工程师可以共享数据，模拟实验以测试不同的产品设计，部件与相应供应商的选择，并计算出相关的成本，以促进产品设计，测试。实现信息与情报的融通。
3、产品与服务的设计
产品可以分为有形产品和无形产品。 生产型企业生产的多为有形产品， 而服务型企业生产的多为无形的产品。无论有形，无形或是把产品服务化的企业，其最终的目的都是以通过服务来增加利润，并且在同质化竞争中体现差异性。
产品设计是明确企业产品性质与特点的过程，这个过程复杂且代价高。生产成本的80%左右是受到了产品设计阶段的决策影响。因此，如何提升产品设计的决策是所有企业家和管理者的共同挑战。
我们在设计并且生产出消费着需要的产品的旅程中发现， 产品的设定和生产要素，跟流程、工艺、市场，消费习惯，销售策略，区域，气候等等都有千丝万缕的关系，数字化能够帮我把这个轮廓勾勒出来。利用大数据的实时数据分析，将数字勾勒出来的消费者偏好转化成为有形的产品特点，利用数据设计产品，实现研发与运营共享数据，共同参与产品设计的改进和调整。
4、开放式的融合创新
Web 2.0的出现和广泛流行至今，深远地影响了用户使用互联网的方式。互联网，移动通信网以及物联网是当今最具影响力的三个全球性网络，移动互联网恰恰融合了前两者的发展优势，而物联网传感器数据则使得创新型售后服务成为可能。现在，人们越来越习惯从互联网上获取所需的应用与服务。
供应商，消费者，第三方机构等与此同时将自己的数据在网络上共享与保存，不仅仅会通过全渠道征求消费者意见，还与学术或行业研究者合作开发新产品。通过互联网平台来为企业创新出谋划策，与其合作研发产品。Web 2.0时代不单单提供了云计算的接入模式，也为云计算培养了用户习惯。大数据为生产型企业提供创新服务乃至建立新型商业模型提供了历史性的机会。
5、适应性库存管理
总所周知，库存成本往往占了产品成本的50%，过多的库存会造成过高的库存管理成本。与此同时，库存的多少似乎永远也无法解决商品的脱销。无论是库存量还是脱销量，企业在发展过程中，都希望利用信息化手段，能够通过实时跟踪货物，采集数据，确定不同地区在不同时间的库存水平，使得库存水平具有适应性。
运用大数据使得供应与需求信号紧密联系在一起变得容易实现和具有可操作性。我们可以把销售记录，销售网点数据，天气预报，季节性销售周期，区域库存信息等不同纬度的数据融合起来，形成实时感应需求信号，与实时货物位置等信息能关联分析，匹配供求关系。产生的精确的信息，可以反馈到生产计划，库存水平与订单量等库存计算的各个环节， 使企业了解具体地区的库存量并且自动生成订单，从“需求感应”实现“适应性的库存”管理，不断优化库存水平。
6、质量管理
早在上世纪90年代开始，大量的企业就开始通过应用分析法来提高产品质量和生产的效率，其核心是实现生产与服务的需求相匹配。今天的大数据分析手段也是如出一辙。大数据不仅能够使生产商制造产品的时间缩短20%-50%，还能够在产品批量生产前通过模拟，检验防止产品缺陷，减少产品开发周期过程中不必要的环节等。
质量管理强调产品质量要符合消费者预期，这个预期包括预算，功能，外观等等。这是大数据分析法提升质量管理环节的首要收益。通过对内源与外源数据的实时采集和分析，企业能够准确地了解消费者需求以及购买行为，明确产品特征，运用高级分析法准确地指导生产，运输与采购以提升产品或服务的质量。
大数据的实时性与实效性，給企业的生产质量管理提供了质的飞跃。传统质量管理主要是通过静态的，历史的，沉淀的数据，通过检查表，散点图，控制图等检测手段，来发现生产过程的质量问题大数据通过物联网，通过产品上安装传感器，标签等手段，实时监测采集数据，认知产品性能，实时提高质量。
7、劳动力的数字化
劳动力是除了产品成本外，企业最重视的开支。而且，问题的复杂程度也是最大的。 问题除了员工本身之外，有很大一部分问题与管理水平低下有关，管理者不因只强调员工的问题，而忽略自身和机制的问题，特别是在零售，分销，加工等这些劳动密集型企业，劳动力问题尤为突现。
任何一个组织，应该通过有效的科技信息手段，快速建立认知，基于组织的行为和文化标准，提高一致性和我们从雇佣的质量，继任计划，以及到员工的成长进程的全人才生命周期的管理。通过大数据方式，找到进行员工调度的最佳模式，缩短管理时间，实现技能与岗位的周期匹配，劳动力效率最优化。让劳动力的管理成为可预测的，且基于分析学的方法来实现人才资源的管理。这样的方法一是客观，二是从大数据统计的角度将员工的绩效指标和行为特征连接了起来，为每个企业创造了一个“最适合”的劳动力模式。
大数据在帮助企业生产实现需求预测的精确性，对提高员工调度效率起这非常重要的作用，这又进一步说明了在销售环节获取的数据是如何影响生产环节决策的。由此給组织带来提供卓越的客户体验，更高的生产率，更高的销售增长，和更广泛的利润空间。这一切都源自于100%数据驱动的，尽可能避免主观判断和推测。
8、资产智能管理
物联网(IOT)的发展以及感应技术的兴起，为我们开创了一个能紧密连接物理空间许多事物的信息网络。随着大数据分析技术的发展，特别是预测分析的发展，结合互联网云化的广泛应用，物理空间与虚拟信息空间的形成与同步，离不开设备的自我意识和自主维修机械系统。
智能设备的未来，一定是能够自主评估健康状况和退化情况并主动预防潜在性能故障，并且做出维修决策，以避免潜在故障的系统。要实现健康条件评估，就需要利用数据驱动算法分析从机械设备及其周边环境中的数据。实时设备条件信息可反馈至机械控制器以实现自适应控制，同时信息也会反馈至设备管理人员方便及时维修。操作员可根据每台设备的健康条件平衡和调节每台设备工作量和工作压力，从而最大程度优化生产和设备性能，实现主动检修计划的智能决策。
