《全链路数据治理-智能数据建模 》——客户案例:汽车行业数据建模最佳实践(2)

简介: 《全链路数据治理-智能数据建模 》——客户案例:汽车行业数据建模最佳实践(2)

《全链路数据治理-智能数据建模 》——客户案例:汽车行业数据建模最佳实践(1) https://developer.aliyun.com/article/1230833?groupCode=tech_library



三、 业务调研


业务调研需要从三个维度入手:业务模块调研、需求调研、数据调研。


1. 业务模块调研


1) 工厂物理结构以及业务调研


理清客户的内部业务逻辑。对于汽车生产,我们了解到客户的生产车间有5 个,分别是冲压车间、焊装车间、总装车间、涂装车间、电池车间,是一个很典型的整车厂的阵型。每个车间分别由不同的线体组成、每条线体分别由不同的工位组成。每个车间、线体、工位之间功能各不相同,装配步骤也各不相同。车体在生产过程中,会依次通过车位进行装配。


一个车体的生产需要经历:下订单->生产计划下发->生产计划接收->生产流程->Andon 告警(非必需)->车辆检查->质量返修(非必需)->车辆下线这几个步骤。每个步骤又可分化出不同的动作流程。

image.png


生产流程总线矩阵


2) 需求调研


需求调研主要在于了解清楚客户的业务通点、需要我们解决的事情是什么。有些客户可能内部已经有数据分析场景,会比较清晰地知道自己想要落地的指标是什么,有些客户则可能对一些业务模块能产出的指标没有概念,不知道自己要做什么,能做什么。


本次我们的客户需求较为明确:进行生产域的分析体系建设。故交付工作也围绕着生产模块来开展,其他业务板块暂不涉及。


3) 数据调研


上层系统围绕着车间生产活动进行建设,IOT 平台设备会采集车间的硬件设备信息,包括不限于工位过点信息、设备告警信息、物理信息比如温度等。这些数据会路由到车间生产系统,并进行二次生产使用加工,帮助工厂工作人员管理和掌控车间的生产状态。因此,除了少量的离线非结构化数据外,我们的数据来源也基本为这两个线上系统。


除了数据来源,我们还需要调研数据结构,更新方式,质量等特性。


image.png


数据调研关注内容



《全链路数据治理-智能数据建模 》——客户案例:汽车行业数据建模最佳实践(3) https://developer.aliyun.com/article/1230831?groupCode=tech_library


相关文章
|
存储 监控 安全
OT安全的本质:实现CISA网络安全绩效目标的前瞻性指南
OT安全的本质:实现CISA网络安全绩效目标的前瞻性指南
OT安全的本质:实现CISA网络安全绩效目标的前瞻性指南
|
机器学习/深度学习 算法 安全
大模型进阶微调篇(二):基于人类反馈的强化学习RLHF原理、优点介绍,但需要警惕LLMs的拍马屁行为
本文探讨了基于人类反馈的强化学习(RLHF)方法的优缺点。作者指出,虽然RLHF能够使模型更好地满足用户需求,但也存在缺乏多样性、创新不足、偏好固化和难以适应动态变化等问题。文章通过具体实验和示例代码,详细解析了RLHF的工作原理,并强调了其在实际应用中的潜在风险。
1893 6
|
前端开发 微服务
开发指南056-定时任务
业务场景中定时任务很常见。平台实现定时任务的原则如下
|
安全 索引
USB3.2 摘录(11)
USB3.2 摘录(11)
380 1
|
数据建模 数据挖掘 物联网
《全链路数据治理-智能数据建模 》——客户案例:汽车行业数据建模最佳实践(1)
《全链路数据治理-智能数据建模 》——客户案例:汽车行业数据建模最佳实践(1)
732 0
|
数据建模 BI
《全链路数据治理-智能数据建模 》——数仓建模理论与规范(4)
《全链路数据治理-智能数据建模 》——数仓建模理论与规范(4)
682 0
|
存储 架构师 搜索推荐
《全链路数据治理-智能数据建模 》——数仓建模理论与规范(2)
《全链路数据治理-智能数据建模 》——数仓建模理论与规范(2)
1097 0
|
数据建模
《全链路数据治理-智能数据建模 》——数仓建模理论与规范(5)
《全链路数据治理-智能数据建模 》——数仓建模理论与规范(5)
838 0
《全链路数据治理-智能数据建模 》——数仓建模理论与规范(5)
|
存储 分布式计算 算法
《全链路数据治理-智能数据建模 》——客户案例:汽车行业数据建模最佳实践(4)
《全链路数据治理-智能数据建模 》——客户案例:汽车行业数据建模最佳实践(4)
750 0
|
SQL 存储 数据采集
DataWorks数据建模 - 一揽子数据模型管理解决方案 | 《一站式大数据开发治理DataWorks使用宝典》
在当下的商业环境中,正确的数据治理策略对于数据增值是非常重要的。据统计,企业的数据一直都在以每年50%的速度增长,因此企业数据治理与整合的难度就不断加大了。 DataWorks一直以来都致力于成为用户更方便、更快捷地进行数据开发与数据治理的好帮手。此次发布的数据建模,是对已有数据治理领域能力的补齐,为用户带来了在数据开发前,实施事前治理的能力。
3248 0
DataWorks数据建模 - 一揽子数据模型管理解决方案 | 《一站式大数据开发治理DataWorks使用宝典》

热门文章

最新文章