生产制造中的分析型数据建模

在制造业中，企业通常企业会部署ERP软件，以帮助企业在综合管理、生产计划与调度、物料管理、质量管理、成本控制方面的进行信息集成和流程优化，以提升企业的生产效率、资源利用效率，降低成本，改善产品质量和客户服务，从而增强企业的竞争力和可持续发展能力。

尽管ERP软件在收集到生产过程中的关键数据后，可以进行数据分析和报告，但实际的情况是：一方面ERP软件是为了实现企业流程的信息化而产生的，并不支持复杂和高负载的数据分析；另一方面，很多企业处于实施成本的考虑，可能会采购不同的ERP软件，然后进行集成，而它们产生的数据，散落在了不同的系统之中。因此，为了能够进行跨流程的全局运营分析和优化，势必需要构建跨系统的集成数据平台。

制造企业对分析型数据模型的极度渴望 🔗

仅仅构建数据管道，将多个系统中的数据集成到中心化的数据平台，还不能有效地支持运营分析。因为这些在业务系统（操作型系统）产生的数据，主要是为了服务业务流程，并不是为了进行高效数据分析。

比如，对于一个生产计划单，通常要经过物料齐套、开始生产、产品下线、质检、返修、打包、绑定库位、生产报工等活动，才会进入成品仓库。这其中的每一个活动，操作员都会在IT系统（比如生产制造MES、仓库管理WMS）中的一个小模块中进行记录，系统将这些记录存储在了不同的数据库表中。当运营人员想分析每日实际产能时，就必须使用成品从下线到打包所涉及的多个活动的数据进行分析。对于数据分析师和数据科学家来说，意味着从多个数据库表中取数据，编写极其复杂、难以理解的SQL语句进行查询分析。这种“一次到位”的解题方法，将业务、系统和数据的复杂知识，直接暴露给了数据使用者，使得数据分析的维护、知识传递变得异常困难。其实是难以持续下去的。

面对这种“脏活累活”，一个显而易见的解决方法就是问题进行分层处理，对解题的中间结果进行复用：如果将这些复杂逻辑进行提前整合，构建出易用的公共模型出来，屏蔽业务活动中的细节，以后有分析需求，直接从公共模型进行分析，那必然让数据分析的效率大大提高。这种分析型的数据模型，在一些垂直行业已经流行多年，比如“银行数据模型”。于是，制造业中的数据从业者，自然而然的也认为：通用数据模型很重要，很有用；而且，一定也会有行业通用模型。但是，越通用的东西，其实越抽象、越概念化。在真正的实施阶段，常常是因地制宜。

经典的数据建模方法 🔗

那么，如何构建易于分析的数据模型呢？

分析型数据建模的实施 🔗

未完待续