【《工業3.5》說書與實務分享Part I】

【《工業3.5》說書與實務分享Part I】

    最近我和企業夥伴分享《工業3.5》的一些觀點與看法，《工業3.5》一書的作者是清大簡禎富教授，是我清大工工系所的優秀校友，目前擔任科技部人工智慧製造系統研究中心主任，這本書是他以深厚的學術理論基礎，與對台灣工業界產學實務經驗及觀察，所提出的創見。我希望透過書中的部分實務經驗與觀點，能更進一步帶給企業夥伴新的啟發。由於他們正積極在進行產業智慧化推動，於是他們就組成線上讀書會，期望建立共同的溝通語言、平台，並邀請我加入，我也趁這次的機會和臉書上的您們-“書”友們一同討論與分享我個人在實務輔導的經驗。

一直以來，無論在輔導或課程的一開始，我都會說明介紹工業4.0，以及其真正的核心價值。工業4.0、產業智慧化的核心系統是一個整合「實體的」、「經驗知識」與「虛擬的數位整合」的系統，換句話說，就是指整合數位資訊的虛擬世界與實體世界的虛實整合系統 (Cyber Physical System, CPS)，利用資訊 (IT)與互聯如 (IOT)解決價值鏈 (Value Chain) 之問題。由於科技的發展，我們已經可以從 IT或互聯網使用大數據分析的深度學習或預測技術，然而，要有正確的「流程」面向與「邏輯」面向才能將「問題解決之領域知識(Domain Knowledge)」導入到正確之方向；正確的流程與邏輯才能將大數據分析用於價值鏈上。由此可知，從大環境來看，工業4.0的時代，是有邏輯的運用資訊技術與經驗或數據累積的知識來解決問題、創造價值。

在實務作業上，我們在產線發現一些問題，必須從決策管理的部分，提供一些Guideline給產線的同仁，這時候管理階層就必須將問題定義清楚，才能迅速的因應各方需求，給出最佳的決策指導。這也正呼應了書中有提到的，「智慧製造的關鍵，在決策數位化、智能化」且「決策的價值和挑戰，主要在一開始，如何定義真正的問題…」，也就是說，從工業3.5到工業4.0，決策能力是軟實力是重要的一環，而決策的第一步就是要能正確定義問題與價值流程。

另外，書中也提到，企業若擁有大量數據，但沒有相關分析與應用的能力，這些數據反而不是企業的資產，可能成為企業的負擔。確實，「大數據」近年成為熱門關鍵詞，在實務輔導經驗中，常可見企業花費預算大量蒐集資料，資料卻沒有為企業產出預期價值。也就是說，數據的價值，在於能夠產生有用的資訊，找到新的機會創造新的商業模式，讓企業做出致勝的決策。專門做 CRM 的大數據業者對目前接觸到的企業反映現象表示，大家都想從數據找答案，但其實你必須先帶著答案去看數據，先知道要解決什麼問題。

Big data是「分析」工具，功能在於試圖有關聯性找出原因。部分企業執行產業智慧化專案，只是將紙本抄寫改成電腦化方便保存與查詢，並未善用資訊智慧於問題分析與決策，我們有必要審視策略地圖中，Business Intelligence (BI) 與 Decision Support System (DSS) 可否串聯與並聯，產生價值與實質收益。

過去，主管或老師傅因為經過長期歷練，累積許多內化的智慧，大多直覺的判斷與下決策，這些成功經驗變成慣性思考，然而，在今日大環境由大量生產導向改變為快速變化滿足個人化需求導向下，往往過去直覺式判斷或決策，容易成為無法突破窠臼的包袱或因資訊或不足而使企業掉入決策陷阱中；彈性決策和聰明生產才能因應市場變化需求。正因如此，每每在參與企業推動產業智慧化輔導的初期，我都會花一段時間，協助大家一同建構一個系統化的邏輯思維，透過問題分析與決策力(Problem Solving & Decision Making)的訓練，建立一套思考判斷的共同語言、共同平台，在這樣的基礎上和大家一起蹲好馬步-定義問題，經過這樣系統化決策分析，在各種不同應用場景，透過IT技術，串聯整合流程(製造的、設計的、設備的…)或經驗、數據，而達到進一步創造價值。企業在這樣的基礎上，逐漸改變翻轉作為，以「價值導向」做為優先考量，先想好，我們希望達到什麼樣的「管理效能」、「管理目的」？再依據此目標，進行必要的數據收集、分析及運用。如此才能事半功倍，也才能避免本末倒置，徒勞無功。相信如此以往，一次一次的有系統地累績前進，每次的修正或試行都不斷地累積數據，做為下一次成長的基礎資料，除了內化每個人的功力，也累積成為企業的重要決策腦，進一步提升整體決策效能。

《工業3.5》在前2章節就開宗明義地告訴我們，大數據與虛實整合系統只是工業4.0的基礎架構和工具目標，根本的目標在於「掌握彈性決策的核心能力」，這項核心能力即是「大數據X決策力」；藉助人工智慧、大數據等破壞創新技術利用低階破壞策略，搶先達成或局部達到，工業4.0的智慧決策、智慧生產目標。目前台灣企業應該在既有的軟硬體設備基礎上，建立一套決策系統，思考如何蒐集數據、各部門該怎麼使用，才能發揮數據真正的效果。正是「容易的果子先摘」的心法著手，透過系統整合串聯硬體設備，從消費者到生產供應鏈，收集並分析數據，更進一步結合內、外部專家經驗，一層一層夯實上來，逐步擴大優化決策範圍，提升及時偵測變化和即時決策的能力。

【王博專文】大數據分析與應用實務_數據關聯性與因果性: X 數據矩陣與 Y數據矩陣

本文出自王博專文

認識客戶的工業數據-

Chapter 4：數據關聯性與因果性: X 數據矩陣與 Y數據矩陣

◎

說明

結構化大數據中，可以想像成 X 矩陣數據與Y 矩陣數據之收集與分析。如果Y 矩陣數據代表是良率 (Y1) 與強度 (Y2)，而 對X 矩陣數據，我們嘗試收集如溫度(X1) 壓力(X2) 催化劑 (X3) 等控制參數，再試圖找出控制X矩陣的方法以達到Y矩陣之最佳化。必須注意的是，若兩矩陣間，具有關聯性 (Correlation) 。須注意的是:兩矩陣間，並不見得具有因果性 (Causality)。

若發現數據X與數據Y有相對應的關聯性，常會做出「X影響Y」的結論。事實上，所謂的「影響」牽涉到時間先後的因果概念，必須同時滿足以下條件:

1. X比Y先發生
2. 有 X 輸入時，Y 才有反應;反之，則無。

但沒有關聯性，因果性常常會薄弱許多，實務上我們會暫時擱置 X 影響 Y 之看法。大數據中，常常透過實驗設計 Design of Experiments (DOE) 來完成因果性之實驗，因在 DOE 中，X 必定發生於 Y 之前，而透過 X 矩陣之特殊設計，如直交表
(Orthogonal Array)，可檢視 X 之存在與 Y 效果之呈現，加上又可做出 X 矩陣之線性組合與 Y 之數學關係來推估線性參數的關聯分析，能一舉多得因果性。

若依照資訊兩矩陣的組合模式，可分類如下表的方法來做分析。在後面的章節，將以JMP為工具，為大家循序介紹，如何將各種數據模式關聯、分析與預測的方法。

【王博專文】大數據分析與應用實務_數據的分佈型態: 常假設常態分配

本文出自王博專文

認識客戶的工業數據-

Chapter 3：數據的分佈型態: 常假設常態分配

◎

說明

提到數據的分配型態(Distribution)，最廣為熟知的例子即是:在一個班級中，考試成績的分配。在這個例子中我們可以猜想資質優異及一竅不通的學生，一般而言都是少數，而大多數的人應該都集中在中等程度附近。這樣的數據分配即所謂的「常態分配(Normal Distribution)」，也是最常見的一種型式。尤其是基本物理量如長度，重量等亦常出現這樣的分配案例。這也是多數分析的統計基礎，若數據來自非常態分配母體，也盡量透過抽樣與中央極限定理(Central Limit Theorem) 來達到常態分配。

由以上的說明可以看出:在製程中，一旦商品數據的群體分配確定後，知道第一與第二統計量，便能有助於判斷該製程可能產出不良品的機率，來並加以改善。

上圖顯示的即是一個典型的常態分配。

這裡要告訴讀者的是:一組數據是否符合常態分配，我們可利用以下兩個方法:

1. 在 Normal Quantile Plot 中，觀察數據點是否沿紅線，呈直線分佈。
2. 判斷 Goodness-of-Fit Test 的 Prob<W (P-value)是否≧0.05。若是，則該組數據接近常態分配。反之，則否。
   
   

至於要如何畫出 Normal Quantile Plot 及得到” Prob<W”，隨後章節會提及。另外在某些運用狀況下，讀者可能會遇到 t 分配(t Distribution)、F 分配，指數分配(Exponential)、Weibull 韋伯分配等。而商業大數據，則較少研究母體之分配。

【王博專文】大數據分析與應用實務_第一統計量與第二統計量

本文出自王博專文

認識客戶的工業數據-

Chapter 2：第一統計量與第二統計量

◎

說明

如同上一節所言，我們在看統計平均值外，也要注意離散性。因此，須具備以下概念：

第一統計量與第二統計量。

第一統計量，又稱位置參數，指的是平均值(Average)或中位數(Median)等。

第二統計量，又稱離散參數，指的是標準差(Standard Deviation)或全距(Range)等。

對應上節精準度的概念，無論是品質管控或是設計開發。吾人當先要求第二統計量，使數據點之集中，再追求第一統計量達到設定目標。

由此觀之，第二統計量的重要性，有時甚至比第一統計量還重要些。在以下的章節，將循序教您如何運用JMP軟體繪製及整理數據的統計量。

第一統計量:可用平均值 (Average) 或中位數 (Median)

【王博專文】大數據分析與應用實務_工業大數據基本素養

本文出自王博專文

認識客戶的工業數據-

Chapter 1：大數據Big Data之基本素養

◎

說明

為什麼品質優良聞名的車廠，會做出劣質的車?這就要注意到「精度(Precision)」與「準度(Accuracy)」的問題。

在相同操作條件下，所謂的「精度」，指的是結果數據的離散性。而「準度」，指的是結果數據是否能夠達到目標。

很顯然的，車廠擁有卓越的生產能力，但可能無法讓每部車皆同樣完美。就以打靶來說：下圖表示的正是精度與準度的概念。

打靶的要領是先求「精」，再求「準」。

也就是說，務必先求每次的射擊穩定後，再調整瞄準靶心的方位。而每組的打點不同、離散度也不同。

此乃下節第一統計量與第二統計量概念，這個開始著眼點與商用大數據分析，期強調重心可能有不同之處。故大數分析，必須承繼SPC (Statistical Process Control) 與6 Sigma原則之基礎，與因果分析之 X-Y 矩陣來進行。

【王博專文】大數據分析與應用實務_線性規劃法

本文出自王博專文

進階技能：導出最大利益生產數

線性規劃法 (Linear Programming)

1

說明

所謂線性規劃法, 是指在多個限制下求出最佳數值的數據分析法. 這是以整體的角度來看, 常用於公司生產與物流規劃.

(例)工廠可用來生產 A烏龍茶與 B綠茶,為求利益最大化, 利用線性規劃法來求出最佳生產數, 已知 A 利益為 200/個, B 利益為 100/個. 生產 A 必須用 5 人/個, 生產 B 必須用 4 人/個. 生產與公司策略有下列的限制:

1. 限制條件1:穫利至少 1500
2. 限制條件2:生產人數總和必須少於 50 人
3. 限制條件3:每次 A, B 生產數目必須大於 3
4. 限制條件4: A, B 生產數目必須是整數.

• 滿足以上限制, 求出最佳生產數?
• Sol:生產A,B分別為 x與y
• Maximize 最佳利益: 200x + 100 y
• 限制條件1:200x+100y ≥ 1500
• 限制條件2:5x+4x ≤ 50
• 限制條件3:x ≥ 3, y≥3
• 限制條件4: x, y integer

Ans: 生產 A 烏龍茶 7, B 綠茶 3可滿足全盤考慮並得最大利益1700

【王博專文】大數據分析與應用實務_雷達分析

本文出自王博專文

進階技能：比強弱

雷達分析

1

說明

雷達分析從各個角度來評價, 並分析商品整體的平衡狀況. 雷達分析可提供我們各方面乃至整體強弱之比較, 該數字分析提供我們改善方向.