欢迎大家来到直播间，今天课程的主题是智能制造转型过程中的数据化运维。大家好，首先非常感谢能受到腾讯产业互联网学堂这次邀请，来分享永红在制造业的一些探索。我今天的分享的内容氛围三个部分，第一个是目前在智能制造转型过程中制造业普遍面临的业务挑战，包括行业的发展趋势；第二个的话呢，是永红联合腾讯提供的一些方案，主要针对的是我们当前在数据化转型过程中的一些痛点问题；第三个就是，永红和腾讯在制造业的一些案例的分享。

一、在智能转型过程中制造业普遍面临的业务挑战

大家都知道，在2015年，李克强总理就提出来了智能制造这个概念。智能制造到现在为止已经发展了很多年了，本质来说，智能制造就是我们要利用新一代的信息技术和智能设备，让传统制造业进行深入和广泛的转型升级。那其实这个里面就提到两个方面，一个是要用到我们信息技术，这个里面会涉及到物联网、大数据、云计算和人工智能等等技术，还有一方面就是智能设备，这就包括整个自动化，比如说工业机器人、数控机床和3D打印、Red检测设备等等。最终其实只要把这些制造要素做一个互联互通，促进我们产品设备、工业管理和服务的一个智能化发展就可以了。

在这样的一个背景下，目前我们制造业所面临的挑战有四个方向。当然，不同的行业，还有结合的细分行业还会有一些这种更细分的一些挑战。比如说在库存方面，我们要去有效地平衡库存和服务水平。这样一来，就可以用库存费用加速资金周转。那在效率这一方面呢，新产品上市的速度就成为制胜的关键。包括整个产品，产品的生命周期要缩短，就要求我们去及时的根据前端用户的需求来调整自身的产品。那么在生产过程中，其实顾客对于我们的交货期要求越来越多，这个就要求我们供应链相应的时间要更短。那再有就是产品的质量，过硬的产品质量适应客户数量的爆炸增长。而且对质量这个概念进行不断的外延。单纯审视产品的可靠性可能还会有一些用户的主观感受，包括一些技术的使用。第四个就是降低成本，它的一个核心理念，比如说我们要减少不必要的这种浪费，要求我们去改善企业的经营管理工作。

我们再来看制造业的发展趋势。目前来看的话，制造业的一个发展趋势，第一个就是我们的产品要更加符合用户的个性化的需求。传统的不管是制造业还是零售业，从品牌到最终的用户，中间可能要经过经销商、分销商等等的通道。前端的需求往往不能很及时的反馈到企业，所以很多时候，个性化的要求下，我们能够去快速的实现我们产品的迭代。这个不仅可以用在研发端，我们的生产也要更加的个性化。第二个，就是在产品日趋智能化的背景下，一些行业比如汽车、家具等行业，都已经构成了一些新的生态，比如智能家居、车联网，那这些产品互联互通以后会赋予这些产品一些新的定义。那第三个呢，就是我们的产品的设计和制造的方式会发生很大的变革。这块主要是随着我们的这些技术的发展，比如说刚才提到的我们的信息技术的发展、物联网大数据、人工智能等技术和一些智能设备的发展，比如工业机器人、增材制造，这些会对我们的研发产生很大的变革影响。第四个就是整个企业的运营都会实时产生一些数据，这些数据，有的会储存在我们的业务系统里面，有些可能就储存在一些离线文档之中。我们的整个企业运营的等过程还是要基于这些数据去做一些核心的洞见。这些数据将会支撑我们的决策。其实在这个过程中，我们可以从几个维度去发展，第一个就是我们要实现产品的智能化；第二个就是我们的生产过程要越来越智能化，车间的自动化程度会越来越高；第三个就是我们管理要约啦哀乐智能化，这个就要求我们在管理模式方面需要去做一些创新，包括要有对应的信息系统来作为支撑。

二、联合解决方案

这个图是腾讯云联合永红提供的大数据分析平台的整体技术架构。最底层是基础设施，包括数据的存储以及计算，这个里面涉及到我们底层的服务器、存储、通信网络。对底层数据进行对接和数据清洗加工后，它们就会被最终整合到我们的数据平台上面来，从而实现我们的子系统的一个互联互通。在底层之上的话，就是基于永红的产品做出的数据分析和数据挖掘，这可以满足我们做各种各样的机器查询数据报告，包括深入分析的一些数据挖掘和算法。在上层就是我们的各个业务主题。

当然，对于用户来说，我们也会提供各种各样的终端去适配，不管是您是在终端，还是通过大屏，还是通过移动端，我们都有对应的技术去满足您的需求。

我们可以看一下，目前我们制造业整个的一个数据来源，在这里被切分成了三个部分，第一个就是我们iot数据，这个数据包含着我们一些售卖出去的智能产品采集到的用户的数据，比如说智能家居、车联网。大家也都知道，如果我们的家里买了一些空调啊，冰箱啊之类的家电，它们是有自己的APP的，这些APP是可以实现控制，同时也会进行数据采集的。这个呢，都是我们这种iot终端采集到的一些用户的数据。这种数据可以用到流程制造行业里面。因为整个的工艺是有延续性的，这些设备我们要实时做对应的监控，以防止它出现一些意外的停机。那这个里面我们可能就要通过传感器去采集一些震动啊，温度啊等等一些数据。那第二块呢，就是我们业务系统里面产生的物流、资金流，这样的一些数据。这里面呢，可能对应的有不同的业务系统。这些业务系统啊，就是我们在流程，包括业务的周转过程中，形成的这种业务系统数据。那第三部分呢就是外部的数据，比如业务上下游的一些伙伴的数据，包括人竞争对手的数据。举个例子，比如我们有一个在白酒行业的客户，在做项目的时候，那他们就有很多的指标，这些指标可以被拿到一个评分的空间去对比。我就可以知道我的竞争对手这个指标是什么样的一个状况，再看我的数据是什么样的一个状况，然后在做这样的一个对比。包括我们还可以拿到一些标杆客户的这样的数据。整个这三部分呢，就是我们目前制造业的一个数据体系了。这些数据的话还是比较分散的，为了要做数据分析，我们通常是要把各个业务系统的数据抽取到我们的数据仓库里面来。

三、永红和腾讯在制造业的案例分享

接下来我们先来说一说永红在这个行业中做过的一些探索。

对于销售分析体系来讲，因为我们制造业这一块不同的企业会有不同的销售模式。我们这里就列举了几个常见的这种分析思路。比如说我们基于订单合同、基于商品，基于销售，判断市场活动，包括客户服务这些指标，我们要基于企业自身的情况去做对应的一个差异调整。这一块的话非常建议大家基于平衡积分卡这样的一个工具，去做指标清晰的设计。

下面介绍一个我们给某一家房地产行业的客户做的一个销售分析的一个案例。我们可以看到，在这个图的左上角是销售制造成本，这样几个核心的kpi啊，同时会结合一些对比指标项，比如同比环比，还包括对于我们这种销售趋势的一个分析。右边这里其实是动态的，就是我们最关心的业务问题，比如说同比下降最多的区域是哪里，同比下降最多的行业是什么，同比销售上升最多的产品是什么。右边的图片还可以点下去看二级页面，可以看到下降或者上升的具体原因。

这个页面的第二部分是一个区域分析。这个是我们做了一个销售业绩同比的一个排名，我们还可以看到数据的联动。比如说发现河南省的销售业绩下降得太厉害，我们就可以下转到河南省下面的区域看具体的情况是什么。包括右边会有其他的维度。我们具体来可以对区域的销售情况通过这样的一个数据的交叉对比分析和下钻，最终锁定这个业务下降的原因，从而来支撑我们去查找到业务问题，最终去优化业务。

那第三部分其实是一个订单及客户分析。因为这个企业非常关心大客户，这里就通过一个这个矩形框图列出来之前几年的销售数据，包括对应的客户上面，比如说历史下单金额、下单次数和下单时间等等，包括这些客户一个成交额，还可以看具体的一些数据。通过这样的一个看板。我们就实现了对于业务的一个监控，包括一些问题的诊断。

再有一块呢，就是销售预测。有的企业会有比较好的方式，它们会有对应的专门的一些计划部门。当然，有的中小型的企业，它可能会放在销售部门，有的放到生产或者其他的部门。那这个里面很重要的一点就是，我们依据历史数据去预测接下来的趋势。在永红，我们会提供各种各样的分析算法模型。首先还是要依据产品的品类做一个拆分。利用学习算法，基于实际的业务选择最终的模型。通常我们是建议和销售部门以及数据部门一起做一个对应的评审，不断的对模型进行优化。

这里是列出来了一个销售预测案例。这个是永红之前给客户做的一个看板。这些绿色的点都是实际的销售数据，红色的就是销售量。下面是生产分析体系，在生产这一块，永红做过的案例还是比较多的，包括与腾讯云一同合作落地了很多的项目。我们在对接系统和设备、物联系统是有很多的经验的。同时数据可视化也是非常有经验的。这个是永红给一家电力设备的客户做的一个看板。这个其实是来支撑我们做那个交易分析的，这家客户呢，我们是先把他的几个核心数据比如KPI、达标率、平均天数和不达标订单率这样的数据获取到的同时呢，结合了对比指标同比和环比进行展示。那对于我们一个生产管理者来讲的话，比如说我发现这个交清达标率下降了，可能就会去检查是对应的哪个生产阶段啊，生产周期啊，还是采购周期啊，导致交清的延误。

同时在右边，我们可以结合他的一些目标和实际的对比偏差，直接给相关数据高亮出来。比如说这个是制单周期的延误，那我们就可以在下面去看具体制单中心是哪个阶段。是这个eip编码呀，还是财务评审呢，还是定牌评审呢，出现了这个延误。通过层层数据的下放就可以查到是哪些订单，哪些责任人导致整个交清的延误。通过这种方式呢，我们就可以在管理上不断的去进行优化。

第二个的话是我们在生产这个大的主题里经常会碰到的，我这里是列了一个我们在分析时会用到的一些方法，包括刻画，包括挖掘，包括统计分析。

就是我们的质量问题来源的话目前向上可以分成两部分，第一个就是我们生产过程中，包括你在整个产品的研发试制过程中的问题，在生产线上，可能会在加工过程中出现一些问题。这一块呢，会沉淀在我们的内部的这种质量管理系统里面。第二个呢，就是我们售卖出去的，这样的产品在维保期内反馈回来的一些问题。那这些问题呢，我们要去做对应的分析去看，具体是什么样的原因。是因为我们设计的问题还是工艺的问题，还是客户使用不当使用的问题还是客户的使用环境的问题，再去做更深入的分析。

在数据应用方面的话，常规就是第一个可以把数据可视化出来，不管是基于我们质量的严重程度的分类。像我们在之前给汽车行业做这个一个质量项目的时候呢，他们就会把质量问题去分成ABCDE几类。那再有一个呢，就是他会在我整个这个质量问题的一个处理过程中分几个状态。就是说，我找到对应的这个问题原因了，可能处在一个什么状态。但是呢，还没有解决方法。那如果说找到解决方法，可能对应又是那个状态，我们再回来再去看不同的问题，他的一个处理进度怎么样，这个都是我们在数据库的这个范畴。这第二个其实因为我们在对质量整个的一个挖掘了。

之前永红给钢铁行业做过一个数据挖掘的模型，就是最终钢铁的质量合格情况跟工艺参数以及原材料的关联，那这样就可以通过这样的一些关联建立模型，从而通过这个预测模型来预测我的这个合格率。这个是永红在给一家汽车行业做的一个质量分析的iptv目标达成分析。iptv是汽车行业统计的一个反映车故障数这样的一个指标。在左边我们可以去选择对应的车型，右边比如说这种车故障的目标达成啊，包括常见的这种模式啊，这些数据都是联动的。包括我们也可以去看具体的责任问题是分布在哪一个环节，从而再去做对应的优化。因为这个客户是汽车行业，顺便也提一下，其实汽车行业在质量的概念上是在不断的外延，就是除了对于汽车的可靠性这个指标之外呢，这个指标会衍生出来其他很多的指标哈，比如说生产过程中可能会去看合格率；在售后呢，可能虎丘看千辆车故障率这样的指标。包括呢，基于这些指标我们分析出来的原因可能还有一部分是因为供应商零部件的问题。那我们可能还要去看供应啥昂的一些情况。除了这个产品可靠性之外，汽车行业其实还有两个其他的组成部分，第一个就是用户主观感受的一些质量指标，比如说举个例子，我的刹车的这种是否线性的感觉，包括整个产品的外观，包括操作的友好交互等等。这部分其实也是汽车质量的一个大的概念。而且，目前消费者在选择汽车的时候也越来越多的去注重到这一块儿。还有第三个这个比较大的组成部分呢，就是绿色指标了。比如说车内的噪音是不是大。这样指标呢目前也会影响到消费者。那我们作为一个主机厂商就不得不去关注这样的一些指标，还要把这些指标给数据化。

第三个主题的话就是我们的设备评价体系了。

包括现在工业互联网在发展很多企业的设备可能不单单的要在内部做一个连接，可能还要做工业互联网这种层级的连接。这里我整理了一个我们通常做质量评价体系的这种模型。那最常用的可能就是这个综合效率的一个评价指标。当然有的设备，我们可能不能获取到他全部需要的数据，我们可能就会做一个折中，用一部分的这种数据作为这个指标。当然，这里就需要结合我们企业的自身的情况。其他的就是可能会从这种财务角度去看，比如说设备的资产利润率等等。这些指标就也不在这里赘述了。

那么从这个整个应用来讲的话，结合我们之前做过的一些案例，永红这个是有一个路径的，包括他的一个成长过程。就是第一个还是要把设备做一个连接，如何定期检测记录。第二个呢，我们就可以依据这些数据对设备做对应的监控。比如说他的一些指标是不是异常，如果说我们检测出来有问题就可以直接报警。第三个的话就是对于出具的分析进行相对收益的分析。

在工业分析上，其实还有一个很重要的应用，就是我们可以做设备故障预测。这个是用永红之前给一家客户做的一个设备故障预测的一个案例。这个就是要去监测我们设备传感器的数据，结合我们的历史数据识别，以便预测进行核实、进行维护，做一些普通系统维护，从而减少计划外的停机。这个是其实是可以大大提高我们的设备综合效率，从而提高整个的利润率和收益。

我们先把这些数据做一些处理吧，第二个就是要做一个数据模型去看每一个终端和最终的结果有没有关系。后面呢，我们就要做对应的这种数据进行建模，最后依据结果去优化模型。

那下面这一块的话是一个采购的主题了，这个是一些我们比较常用的采购分析的指标，围绕着成本品质、工商局效率和服务。当然不同的细分行业、不同的企业，我们要结合自己的这种实际情况去设计指标体系。这个也不再过多介绍了，就仅供大家参考一下。首先，采购决策需要提供一个有力的支持；那第二个呢，就是要对采购的过程进行实时的监测与控制，提高规范性和透明度。第三点就是精简采购业务流程，有效地降低采购成本。左边这个其实是我们在给一家客户做的实际的案例。这家客户是一个煤矿行业的客户，他有很大的大宗物资的采购需求，比如钢铁、橡胶、水泥、燃油等。这一块是我们，爬来的互联网上的公开数据，直接在看板层面给客户画出来了。这个客户的实际的需求呢就是我应该如何去评估我的这个物资的购买价格，应该如何寻求它的价格的波动和我的库存的这样的一个平衡。举个例子，我的钢铁价格要上涨了，我可能发现后面他是一个涨的趋势，如果买入的话呢，会给我带来一个资金的压力，包括我的仓储的一个成本。我就要去判断，这个钢铁的价格需要涨到多少，我才能去进行购买。那我们就要去根据他的这个实际的情况去建一个模型了。

这个呢是另外一个模型，是我们在给一家家具制造行业的客户做的一个角色知识的看法。其实对于一个采购经理来讲，像这家企业它的一个决策事项就是哪些商品型号，哪些物料今天要去下采购订单。第二个呢就是，我要选择哪家工厂下这个采购订单。第三个就是要下多少量。第四个呢，我要去判断一下这家供应商有没有可能延期交货。那么在传统的这种决策体系里面，我们可能要到不同的系统里面去找对应的数据。可能还要跟供应商打很多电话再去做很多的这种沟通。最终可能才能做这样的一个决策。那对于这家企业来讲，我们在做完业务调研之后就直接做了一个非常简洁的这样的一个角色看法。我们可以预测他是否需要下订单的，同时还将不同的物料用不同的颜色给高亮出来了。采购经理他去严选对应的物料之后呢，结合当前的一个库存就可以预测出来他后面七天的库存变化，包括安全库存的量我们也用这条线直接在这里显示出来了。包括他的一个供货周期，这里也被显示出来了。那下面的话就是它会显示对应这个物料的供应商了，包括影响到他做采购角色的字段，比如最小下单量、今年的累计下单量、当天是否空闲等等，包括物料的价格和历史的交货准时率等等。其实，原来做这种决策的时候，这些数据也都是需要的，但是就相对来说比较零散。那我们再去做这个决策也是一个复杂的过程，就比如说如果订单非常的紧急，然后可能就优先去选择一个当前空闲，并且历史交货准时率比较高的厂家。那如果说这个订单不太紧急的话呢，可能今年的累计下单量也影响到我的决策。当然我们也可以结合一些决策逻辑直接生成下面这样的直接的决策分析。他都是动态的，因此就通过这样的方式可以把我们的左边的这个问题快速的回答出来，大大的提高角色效率和决策水平。

而在库存分析这一块，第一步还是需要对常规的库存对应的一些指标分类了。比如说像这种库存周转率、库存品类结构的分析。第二个就是对于滞销品的分析，比如我们的呆滞库存。包括第三个就是销售的分析，因为这个是供应链的最前端。第四个就是循环闭环的应用。

因为我工作过比较多库存优化的案例，我这里就举一个我们最常用的做这种库存顺序的一个方法，就是重点控制法。举个例子哈，正好永红之前在给人家客户做。比如说我们可以把我们的物料做这样的一个分类。第一个呢，就是基于价格做一个ABCDEFG的分类。举个例子，我们分个十类或者多少类。第二个的话呢，就是基于我的历史数据，看在一个周期内，不管是一年还是一个月，看要货次数。举个例子，他要货次数在一到五次之间，我给他赋一个值；大概六到多少多少，再赋一个值是多少，那通过这样的一个方式，乘一个矩阵式就是他的这个价格。我一周呢，就是他在这个要货次数叠加出来以后对高价值慢周转的物料进行重点优化分析。我们也可以结合一些机器学习算法，结合我们的销售预测，做一个动态变化的分析。这样从上面的这个图可以优化到下面的这样的一个库存，整个就可以提高我们的一个库存响应。那这个就是永红在给一家建设公司做的一个库存分析的案例了。

刚才介绍的是采购生产和库存相对应的一些分析。

那下面的话是研发端的分析了，研发端的话，这一块更多的是要去对接PM系统。在PM系统里面呢，往往会有一个模块叫项目管理。项目管理里面会有我们对应的一些像进度一样的数据。我这里列出来了一些这样的指标。比如说预算执行率、计划完成率，还有部门级的这种指标。因为制造业从管理模式市场来讲通常还是项目和部门会有重叠形成交叉的管理。什么意思呢？比如说我还拿汽车行业举例子。我们在部门划分上可能还是会基于他的一个专业属性。但是到我们一个像整车研发的阶段，可能就要到不同的部门去找那么一两个这个项目的参与者来共同完成这个项目。那下面就是一些项目指标，通常会看这种涉及到工程变更的完成率啊之类的。这个是我们在给一家汽车行业的客户做的一个实际的案例，主要就是根据项目的实际情况，做一个全面的评分。比如据项目的进度、预算执行、成本、工程质量问题等，做一个权重的分配。通过很直观的三面图看到项目的健康情况。如果说这个项目出现了一些异常，我们就可以直接预警出来。这个时候我们的管理者再去选择对应的项目的时候呢，就可以去分析，具体是因为我的项目完成率的问题啊，还是出现重大质量问题啊，还是成本超支了呀。

下一个主题，就是财务和人力这两个主题了，这两个主题的话行业的差异会比较小一些。就是从底层的数据库过去；中间做数据的各种的转换、清洗、加工、整合；最上层就是通过内置的这种指标体系进行快速可视化。这个是我们在财务分析的一个案例。我们不仅会把财务指标的对比情况呈现出来，也可以做像右边这种整个财务状况的一些动态输出。当然有不同的产品，我们也支持制作周报啊，月报啊，从而去做一些这种定期的推送。包括这个就是我们去引入一些外部数据的这种财务分析，比如说某一个这种财务指标我可能要拿到一个横向的一个空间上去做对比。这家店他可能就会去跟同类型的这种客户去做对比。

这个东西就是一个人力资源的分析了，那这一块会涉及到从我们的人力战略，到招聘，到薪酬，到绩效，到培训，到关系管理这一块的分析。包括尤其这段时间因为关疫情的原因，我们永红也接到很多的制造业的业务，在做这样的人员流动的一些分析，就是从员工的老家是哪里，然后现在流动到哪里，包括他的一个流动过程，包括一个隔离时间等等，就这样的一些分析。对于集团性的企业，它们即将要开始复工复产，那这个还是很有必要的。这个是列举了一个薪酬绩效的一个分析的案例。这样的一个调整过程，我们直接给客人画出来，包括。这一块也可以结合机器学习算法。那这个案例其实是我们在给一家客户做的一个员工离职预测。主要就是这种员工的他的入职年限、他生活是否升值等等这样的一些字段信息作为一个员工离职的模型。这个对于一些核心岗位还是挺有价值的。

那上面的话是围绕着我们制造业的各个分析主题和大家做了一些分享。这里简单总结一下就是我们要整个做的这种数据分析的像其实是要搭建不同角色的不同分析应用体系。从最低层到中层到高层，它们的需求是不一样的。比如说你操作层可能更多的是报告，不需要太多手工的处理。对于中层来说呢，就是我可能很多时候要做一些增幅的分析。包括上面，刚才上面提到的，我要做这种问题的诊断，分析平台要满足我各种各样的查询。对高层来讲的话就是，因为我要制定对应的一些战略决策。那我要把核心的这种卡片呈现出来，包括一些异常的指标，一定要预警出来，方便我能够及时的采取一些这种对应的手段。

最后总结下我们整个大数据应用和对于制造业来讲带来的关键的效应。我这里按照我们企业的信息化水平按照不同层级列出来了。从第一步我们管理和运营好企业的内部数据资产；到第二步，我们做这种自动的指标统计以及预警；到第三轮能够建立标准的分析流程；再到第四步，能够帮助我们提高决策水平；第五步洞察力。这是一个不断迭代螺旋上升的一个过程。而且我们的不同业务主题，他可能处在不同的这个阶段。所以这一块儿，我们制造业还有很多的工作需要去做。因为整个相对于其他的这种零售金融，制造业的不管是从顺序的丰富度上来讲，还是说数据的应用水平上来讲都还是不够的，那也说明我们有很大的精力需要投入到数据应用。

然后的话就是这里会有一个案例的分享，因为制造业本身细分行业比较多，那这里就找了一个永红最近做过的一个家电行业的客户的案例。这家客户呢，我们是整个给他们集团做的一个数据项目。这个数据项目的话，他的一个背景就是从业务痛点和信息化透明，这两部分。包括整个产品交清的控制，以及采购进度难以跟进的问题。第二个就是在信息化层面上，它们数据没有互通互融。他们原来的报表是基于这种业务系统的。举个例子，这个财务报表可能就在系统里面去出出来了，然后再手工处理一下就可以了。这样一来不仅效率低下，而且整个的准确度也无法得到保证，包括他的一个周期也会比较长，就导致员工在做对应的报表的时候，通常都要加班加点。在这样的一个背景下的话，那这家企业就考虑到必须要进行数据化的转型，对市场要有更高的灵活性和响应速度，以构建核心竞争力。

其实今天的这个分享主题啊，是智能制造的过程中的这种数据转型的问题。这个顺便提一下，就是我们在数据化转型过程中是比较重视信息化建设的。我意识到信息化转型是能够帮助企业去建立竞争壁垒的。如果能够提前这个获取到一些用户的数据，这个很有可能就会在未来的一段时间帮助形成经营优势的。再有一部分企业呢，他可能是被迫进行转型的。他被一些行业的龙头企业给带领着牵着鼻子走。人家都这么做了，如果自己再不做的话，可能就无法存活了。像电商，对于传统零售的打击一样，导致就是最终像沃尔玛呀这样一些传统零售的巨头，他不得不也要做自己的这种电商平台。他要去跟亚马逊去分一杯羹。再把话题拉回来就是这家客户最终实现的一个效果，就可以通过数据去管理了。我们帮助他实现了自动对业务的监控立减，包括在生产这一块，达成从计划执行到品控到库存，整个数据流转的闭环，实现快速响应。在检测技术的反馈异常。包括工厂生产的落地，包括在售后这一块儿，因为这家这个企业是能够拿到一些C端用户的数据的，所以可以不断地提高这种用户的满意度，包括做一些这种交叉的销售。那下面就是具体的一些数据的实现程度，我们最终实现了线上订单时效的缩短，库存的下降，中转率的这种提高。

上面的话就是从我们制造业的这种业务挑战然后到我们腾讯云联合永红解决方案，那最后有一个这个用户的这种案例的分享。

最后一点时间，还是介绍一下永红科技。永红的话是我们目前是总部设立在北京，那除了北京之外的话，我们在上海、深圳、成都、武汉都设立有分公司能够提供对应的本地化的服务的。从成立时间上来讲是从一二年我们就开始做产品。我们从最开始的切入不断地进行迭代优化。以前就是MPP的数据提示，再到后端的数据挖掘、智能分析这一块儿，我们在这些模块都形成了自己的这种核心的产品。

然后中间我们的一些关键的里程碑，目前在资本市场的话，我们也有很多的项目去跟腾讯云做一些落地。目前我们的这个核心产品的话就是包括了可以快速的做各种各样的分析报告的产品；第二个就是我们的APP，通过这种列存储和分布式计算，包括内存计算，在海量数据的情况下，去做一个性能加速。第三个就是深入分析，这个是我们会做一些预测的分析。第四个就是数据的清洗和加工的产品。最后一个呢，是我们的一个填表的产品，我们的某一个数据可能业务系统没有对应的数据去录入，可能就需要手工的去填入，有时候可能还会涉及到工作流，永红就会提供一个解决方案，满足我们做这种数据的填报数据的审批，包括这种一些批准下发等等。本身数据应用就有很大的需求，所以我们在金融、制造、零售、能源包括其他领域都有很成功的一些案例。那么目前我们从团队的组成上来讲，也是基于行业去做了一些划分，比如说我就是主要做制造行业。在服务的提供上的话，我们和永红联合腾讯云也是不单纯去提供一个产品或者平台，我们可以提供从咨询的方案到售后包括培训的整个全链条来保证我们的产品上线之后能够发挥它应该有的那个价值。那这一块就是一些客户案例了哈，那我们在制造业来讲，比如说在家电行业像美的、格力、海信，包括海尔，这些都是我们的用户。在汽车行业像北汽、上汽大通，包括像江淮汽车长城也都是我们的客户。还有其他的这种行业啊，比如说像新东方，包括在这种家居行业博洛尼亚】顾家家居啊，也都是我们的用户。

以上就是我今天的分享。从整个制造行业的业务的痛点出发，再到我们的解决方案，包括一些案例的分享。谢谢大家今天的收看。