鋼板冷軋過程中的色差、劃傷、污染、夾雜等十幾種不良問題，過去靠人工檢測，抽檢率最高45%，檢測人員還很容易視覺疲勞。采用機器視覺檢測后，不僅實現了實時檢測，抽檢率提升到91%，還可以自動給板材分級。

這套由聯想大數據團隊開發的機器視覺檢測系統，已經在國內幾家鋼廠投入使用。而機器視覺，只是聯想大數據賦能制造業的眾多解決方案中的一個。

——通過大數據算法構建需求預測模型。借助機器學習和知識圖譜，聯想大數據為一家鋼鐵行業客戶精準預測鋼材需求，并為下游廠商精準畫像。相對于以前的專家預估方法，預測準確率大幅提升至92.2%以上，有效降低庫存成本數千萬元，對應產品庫存周期周轉時間降低了20%。

——基于聯想協同制造支撐平臺，聯想大數據為一家乘用車企業完成了汽車營銷系統、客服系統、售后系統、生產制造系統、車聯網系統多業務的系統接入，基于大數據算法，針對業務異常的智能診斷分析效率提升了60%以上，一年降低運營成本上千萬元。

——借助聯想大數據物聯網平臺，武漢石化將催化裂化裝置的歷史數據和實時生產工藝數據整合起來，通過智能化處理和機理分析，解決了一些傳統工業軟件無法解決的關鍵問題，實現了裝置工藝鏈的整體優化，進一步推動企業的智能化轉型。

云網端的迅速發展帶來了數據量的激增，根據IDC數字宇宙報告顯示，全球自從2010年進入ZB時代以來，由于物聯網設備發展速度遠超過智能手機的發展，因此由物聯網所產生的數據增量將會驅動著全球數據量在2020年達到44ZB。

大數據工匠精神的結合對于制造業的轉型升級至關重要。而大數據的實時、感知和預測等特點確實可以為制造企業在降低成本，縮短生產周期，提升效率，細分產品定位，優化流程和決策等方面扮演重要角色。

我們國家的制造業企業之間在信息化建設和數據化程度方面相差很大，但總體上由于距離消費者相對較遠，因此互聯網化與數據化程度和對大數據的認識相對金融、電信、政府等行業相差比較遠。

我們看到對于制造業來說，如果把數據分為內部和外部兩大類的話，內部數據主要包括經營及運營數據、客戶數據、產品相關的設計、研發和生產數據、機器設備數據等，傳統的信息系統處理比較多的是內部數據為主，圍繞著業務流程改進和提升為主要目標，而且對于機器設備運行的日志數據相對利用較少;外部數據包括社交數據、合作伙伴數據、電商數據以及宏觀數據等這方面數據的開發和利用相對較少。大部分企業不僅內外部數據尚未打通，自己內部的數據也還沒有實現整合和標準化，信息孤島現象也是屢見不鮮。

數據對于制造企業的全流程來說都可以起到非常積極的作用，比如從產品設計和研發開始，如果能夠非常直接地對接到消費者，依據對消費者的行為和消費數據分析，定位相應的產品設計和研發。同時也能夠依據消費者對產品的喜好和需求量，進行定向精準的市場營銷，進行產品的計劃和生產的排產，減少相應的庫存。同時，數據對于線上線下銷售的協同，對于供應鏈優化和管理也可以起到重要的作用，在提升對客戶的服務水平方面，如何針對不同細分市場需求，進行全渠道銷售的設計規劃等方面都會起到重要的作用。